至顶网软件频道消息:微软今天宣布将收购位于美国加利福尼亚州伯克利的人工智能开发软件制造商Bonsai AI Inc.。
这次收购某种程度上代表着Bonsai两位共同创始人的回归。Bonsai首席执行官Mark Hammon和产品副总裁Keen Browne都是前微软工程师。此外,微软的M12风险投资机构也已经投资了这家初创公司。
Bonsai主要为哪些希望实现运营自动化的制造商、公共事业和其他工业企业提供AI开发平台。该软件将构建神经网络所涉及的许多复杂问题抽象化,以简化开发流程。
Bonsai特别强调AI项目的训练阶段,这是一个耗时的过程,目的在于提高模型的准确性。Bonsai的平台让行业专家能够定义他们希望AI掌握Inkling这个专有编程语言的概念。在这个过程中,该软件会自动选择最适合的强化学习算法来进行训练。
Bonsai所采用的方法带来令人印象深刻的结果。上个月Bonsai透露,它打造了一个能够校准计算机数控设备(一种普通的工业设备,比人类快30倍)的AI模型。在此之前,它创下了训练工业机器人的新速度纪录,远远超过了Alphabet的DeepMind AI研究小组的最好成绩。
微软计划将Bonsai的技术与Azure公有云上的AI服务整合在一起。“Bonsai平台结合了丰富的仿真工具和微软研究院的强化学习,是最简单和最丰富的AI工具链,可用于构建任何自主系统以进行控制和校准任务的,” Bonsai商用人工智能副总裁Gurdeep Pall在一篇博客文章中这样写道。
“这个工具链将与在Azure云上运行的带有GPU和Brainwave的Azure机器学习组合在一起,这样构建出来的型号将部署在Azure IoT中,并在其中进行管理,从而为微软提供端到端的解决方案,为自治系统构建、操作和增强‘大脑’。”
此次收购是微软最近加大对人工智能投资方面的又一里程碑。今年早些时候,微软进行了一次重大的内部重组,将其AI产品和Azure置于名为Cloud + AI Platform的新部门之下。现有的AI + Research集团在过去几个季度的员工人数也从5000人增加到8000人。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。