微软正努力在一年一度的Build开发者大会前夕制造一些兴奋点,推出了多款旨在帮助软件提供商更轻松地使用人工智能和区块链技术的新工具和新服务。
Build大会在美国西雅图举行,微软打算利用这次活动展示自己基于云的软件和计算服务能力,这些能力正在逐步成为微软主要的收入来源。微软表示,此次宣布推出的新工具和新服务旨在展示微软Azure将成为面向人工智能、区块链和边缘计算的最佳云平台。
首先,微软将在FPGA上支持运行Project Brainwave硬件加速模型。微软在去年发布了Project Brainwave的Azure Machine Learning Hardware Accelerated Models的预览版,旨在加速人工智能模型的训练。此外微软还与Dell Technologies以及HPE合作推出了该模型面向边缘设备的预览版。
同时,微软还在运行在Azure云中的Nvidia TensorRT和英特尔nGraph处理器上增加了对ONNX Runtime的支持。ONNX Runtime是一款高性能的推理引擎,适用于Linux、Windows和Mac上ONNX格式的机器学习模型。
The Azure Machine Learning Service也有更新,增加了旨在更轻松制作高质量机器学习模型的功能,包括新的可视化界面,让非开发人员也能够使用“无代码”的方法创建模型。
认知服务是微软另一个重点关注领域。微软在Decision类别下增加了新的API,包括Anomaly Detector API、Content Moderator API和Personalizer API。微软表示,这些新的API都是为软件应用增加更多的决策功能。
让区块链落地
微软还将目光集中在了另一个热门领域,发布了Azure Blockchain Services区块链服务,这项完全托管的服务是针对那些希望构建和维护自己的分布式分类账、并在其上构建应用的企业。
Azure Blockchain Services可与Azure Active Directory集成,提供权限并监控网络活动和运行状况。微软表示,首批获得支持的分类账是JPMorgan Chase&Co的Quorum,后者是一个以企业为中心的以太坊版本,专为需要高速和高吞吐量处理私人交易的应用而设计。
微软Azure首席技术官Mark Russinovich在声明中表示:“因为它是基于流行的以太坊协议构建的,该协议拥有全球最大的区块链开发者社区,因此选择Quorum非常合适。它集成了丰富的开源工具,同时也支持机密交易——这正是我们企业客户所需要的。”
据称,Azure Blockchain Services与Visual Studio Code集成,让企业可以创建智能合约并在其区块链上部署这些合同,通过Azure DevOps管理代码。此外,与Flow和Logic Apps的集成让针对这些智能合约构建应用变得更加容易了。
Constellation Research分析师Holger Mueller表示,Azure Blockchain Services是微软的一个重要里程碑,因为区块链技术是下一代应用的关键推动因素。
Mueller说:“区块链驱动的应用总是全新的,企业希望云能够为这些应用提供支持。因此,云提供商们正在尽其所能,尽可能简化区块链应用的创建和运营。”
更靠近边缘
微软关注的另一个重要领域是所谓的物联网和边缘计算,发布了一项名为Azure SQL Database Edge的新服务,它是Azure SQL Database的运行在网络边缘的ARM和x64设备上的一个版本。目前该服务处于预览状态,可通过Azure Early Adopter Program访问。
此外,微软还推出了一项名为IoT Plug and Play的新服务,这个开放的建模语言旨在让云中的物联网设备更容易相互连接。
最后微软表示,将在今年早些时候发布HoloLens 2头戴设备的开发者版本。微软表示,该设备售价为3500美元,可用于安全培训和复杂维修等工作。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。