至顶网软件频道消息: 在美国时间2月12日的Think 2019大会上,IBM(纽交所股票代码:IBM)宣布名为“代码响应(Code and Response)”的新部署计划,即在四年时间里投入2500万美元,把在IBM“代码行动(Call for Code)”大赛中开发的部分开源技术部署到最有需要的社区当中。“代码响应”计划汇集大规模构建、强化、测试及实施相关解决方案所需的资源,同时也将获得IBM企业全球志愿服务队(IBM Corporate Service Corps)的数百名IBM员工,以及政府和多个非政府组织合作伙伴的大力支持,共同将技术应用于生命救援。不仅如此,IBM还与克林顿全球倡议大学计划(Clinton Global Initiative University)建立了合作关系,为在校开发人员提供所需的技能和资源,助力其将创意转化为实践。在第一年中,“代码响应”计划将在波多黎各、北卡罗来纳州、大阪及喀拉拉邦等受灾地区部署实施“代码行动2018”的获胜解决方案——“Project Owl”。
IBM“代码响应”计划还将得到信息技术灾难资源中心(Information Technology Disaster Resource Center ,ITDRC)等非盈利合作伙伴的支持,针对Project Owl的软硬件配置提供反馈意见。此外,基于该机构在应对飓风“厄玛”(Irma)和“玛利亚”(Maria)席卷后的网络恢复方面拥有丰富的实践经验,还将为Project Owl在波多黎各的部署提供有价值的指导。
IBM认知应用及开发者生态系统业务部高级副总裁Bob Lord表示:“每年全球受自然灾害影响的人数接近1.6亿,仅仅通过挑战赛激发创意还远远不够。实现有效应对自然灾害必须充分挖掘全球开源生态系统的潜力,打造出可供我们在救灾现场大规模部署的可持续性解决方案。但是我们不能单打独斗,只有与合作伙伴通力合作才能使技术发挥可持续性影响。”
美国红十字会总裁兼首席执行官Gail McGovern表示:“美国红十字会对于IBM能够持续投入资源帮助因自然灾害而受困的人们表示十分感谢。我们的机构依赖于像IBM这样的投资者和创新公司,通过激发改变命运的新方法加强与自然灾害斗争的力量。”
“代码行动”倡议在2018年大获成功,共有超过10万名开发者提交了数千条关于灾难救援的解决方案。中国农业银行团队的United Aid Net (UAN)解决方案获得了第五名的好成绩,方案通过一个全球紧急援助网络,基于面部识别取款和区块链技术,允许家庭成员或好友在灾难发生期间临时共享金融服务。2019年,代码行动”创始机构David Clark Cause及IBM将再次与联合国、美国红十字会,以及Linux基金会展开合作。此外,还迎来了美国消费技术协会、凯撒医疗集团和Apttus等新的合作伙伴,也赢得了达美航空公司、美国强生、Persistent Systems 等合作伙伴的持续支持。
今天,IBM董事长、总裁兼首席执行官罗睿兰(Ginni Rometty)宣布启动“代码行动2019”并再次强调公司的承诺,即在五年内投入3000万美元用以推动该项目的发展。其目标依然是团结全球2300万名开发者和数据科学家,发挥云计算、人工智能、区块链和物联网技术的力量,创造出可持续、可规模化部署的开源技术。今年的主题是应对自然灾害中个人和社区的健康与福祉。
David Clark Cause首席执行官David Clark表示:“我们为‘代码行动’所取得的巨大成功感到激动不已。同时也为IBM及其推出的‘代码响应’计划而喝彩,它展现了IBM为改变人们命运所做出的承诺。我们为拥有IBM这样的合作伙伴感到自豪,同时也很高兴能够继续激励开发者继续探索新的解决方案,助力应对全球最为迫切的挑战。”
好文章,需要你的鼓励
Adobe 周二宣布推出适用于 Android 系统的 Photoshop 应用测试版,提供与桌面版相似的图像编辑工具和 AI 功能,初期免费使用,旨在吸引更多偏好手机创作的年轻用户。
弗吉尼亚大学研究团队开发了TruthHypo基准和KnowHD框架,用于评估大语言模型生成生物医学假设的真实性及检测幻觉。研究发现大多数模型在生成真实假设方面存在困难,只有GPT-4o达到60%以上的准确率。通过分析推理步骤中的幻觉,研究证明KnowHD提供的基础依据分数可有效筛选真实假设。人类评估进一步验证了KnowHD在识别真实假设和加速科学发现方面的价值,为AI辅助科学研究提供了重要工具。
文章详细介绍了Character.AI这款主要面向娱乐、角色扮演和互动叙事的AI聊天工具的原理、用户群体、特色功能以及面临的法律与伦理争议,同时揭示了其新推出的视频和游戏互动体验。
亚马逊Nova责任AI团队与亚利桑那州立大学共同开发了AIDSAFE,这是一种创新的多代理协作框架,用于生成高质量的安全策略推理数据。不同于传统方法,AIDSAFE通过让多个AI代理进行迭代讨论和精炼,产生全面且准确的安全推理链,无需依赖昂贵的高级推理模型。实验证明,使用此方法生成的数据训练的语言模型在安全泛化和抵抗"越狱"攻击方面表现卓越,同时保持了实用性。研究还提出了"耳语者"代理技术,解决了偏好数据创建中的困难,为直接策略优化提供了更有效的训练材料。