TensorFlow是由谷歌人工智能团队“谷歌大脑”开发和维护的一个基于数据流编程的符号数学系统,拥有多层级结构,是一个人工智能框架。TensorFlow 可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算,被广泛应用于各类机器学习算法的编程实现,其前身是谷歌的神经网络算法库DistBelief。自2015年11月9日起,TensorFlow依据阿帕奇授权协议(Apache 2.0 open source license)开放源代码。
3年多后,谷歌发布了TensorFlow 的第二代版本,不仅提升了可用性,增加了Eager Execution的支持,让TensorFlow 2.0可以更快地启动AI模型,同时还新增了两大互补模块保护用户数据隐私。
3月初,谷歌推出了其人工智能框架TensorFlow的2.0版本,以及两个能够让算法更负责任地处理用户数据的互补模块。
首先,TensorFlow 2.0重点提高了可使用性。为此,其中还接入了基于Keras的简化应用编程接口。Keras是一种开源工具,能够使人工智能开发框架更易于使用,它允许工程师在一个位置访问以前分布在多个API中的功能,并提供更多自定义开发工作流程的选项。
此外,TensorFlow 2.0的另一个关键升级是增加了Eager Execution的支持。这让TensorFlow 2.0可以更快地启动AI模型,通过更短的测试运行延迟,让工程师们可以尝试不同的模型变量。考虑到机器学习开发的高度迭代性,这将节省大量的时间成本。
值得一提的是,尽管TensorFlow 2.0在功能上有了显着的提升,但这次发布最引人关注的却是另外两个互补模块,这两个模块旨在帮助开发人员直接在AI软件中构建隐私控制,从而更好地保护用户信息。
其中,第一个模块是TensorFlow Privacy。通过自动过滤与算法通常接收的信息不同的输入,机器学习模型就能够自动筛除潜在敏感数据。例如,基于AI的拼写检查工具往往将字母作为输入,这意味着它可以轻松识别和过滤诸如信用卡号之类的长数字序列。
“TensorFlow Privacy并不要求使用者必须具备隐私或基础数学方面的专业知识,那些使用标准TensorFlow的开发者也不需要改变他们的模型架构、培训程序或流程就可以正常使用。”谷歌工程师Carey Radebaugh和Ulfar Erlingsson在博客中这样说。
另一个新的隐私模块名为TensorFlow Federated,它主要针对越来越多依赖于AI支持核心功能的移动服务。
由于移动设备的处理能力有限,应用通常会将用户数据发送到云的后端进行分析,然后通过机器学习对数据进行处理。而TensorFlow Federated让应用可以直接在用户手机上执行分析。然后,开发人员可以收集所得到的分析结果,并利用这些结果改进AI算法,而无需再访问基础数据。这将大大保护消费者的隐私。
“通过TFF [TensorFlow Federated],我们可以展示我们所选择的机器学习模型架构,然后对所有数据进行训练,并保持每个编写器的数据的独立和本地化。”谷歌参与这个项目开发的两位工程师Alex Ingerman和Krzys Ostrowski在博客文章中这样写道。
据了解,与TensorFlow本身相似,这两个新模块将以开源许可的形式提供给用户。
好文章,需要你的鼓励
OpenAI发布ChatGPT Atlas AI浏览器,支持网页问答、历史查询和邮件改写等功能。同时曝光秘密项目Mercury,雇佣约100名前投行精英以每小时150美元训练AI金融模型。公司还因用户滥用Sora生成马丁·路德·金视频而暂停相关功能。此外,医疗AI搜索引擎OpenEvidence获2亿美元融资,估值60亿美元。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
随着Chrome和Safari主导浏览器市场,众多替代浏览器正在挑战这些行业巨头。本文梳理了当前顶级替代浏览器,包括AI驱动的浏览器如Perplexity的Comet、Arc公司的Dia、Opera的Neon和OpenAI的Atlas;注重隐私的浏览器如Brave、DuckDuckGo、Ladybird和Vivaldi;以及专注特定领域的浏览器如Opera Air和SigmaOS。这些浏览器通过AI集成、隐私保护、定制化和专注用户福祉等特色功能,为用户提供了多样化的浏览体验选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。