至顶网软件与服务频道消息: 12月5日,以数据「智」上为主题的多模态数据智能峰会在北京举行,以多模态数据智能为核心战略的爱数AISHU品牌新征程,在500多位现场嘉宾的共同见证下,正式启航。现场,爱数成功展示了从图像到文本的跨模态场景应用,迈出了从单模态数据分析到多模态数据智能的第一步。
爱数AISHU新品牌启动仪式
爱数不同成长阶段的见证者、爱数最紧密的全球化伙伴、爱数品牌内在价值观践行者等与爱数共同启动了AISHU品牌新征程
‘让技术驱动社会进步’一直是爱数的技术梦想。作为一家来自中国的科技公司,在AISHU的品牌新征途上,爱数将以多模态数据智能来承载这个技术梦想,驶向全球化的市场。
——爱数总裁贺鸿富在峰会上如是说
爱数总裁贺鸿富发表演讲
对于承载爱数技术梦想的多模态数据智能,德国汉堡科学院院士张建伟在此次峰会上发表了《多模态机器智能全球趋势展望》,他表示:当下,人工智能等技术已然成为了新一轮经济社会变革的核心驱动力。而未来AI的呈现形式将是多模态感知输出。
德国汉堡科学院院士张建伟发表演讲
多模态数据智能是人类智能的映射,计算机通过多模态数据获取并分析信息,正如人类通过五感来感知世界。而海量数据源自各种模态的海量数据汇聚到数据湖,这些数据是智能时代的能源。
爱数推出全新的多模态数据智能架构:数据湖架构、数据总线架构、多模态数据知识图谱架构。爱数采用数据总线架构实现数据汇集于应用的集成,采用数据湖架构实现数据的存储,采用多模态数据知识图谱架构将所有的数据都串联起来形成洞察。
同时,爱数通过4大产品组合:AnyBackup灾备云、AnyShare智能内容云、AnyRobot日志云、AnyDATA洞察云——打造出多模态数据智能的大数据基础设施。
会上,爱数运用 AnyShare Family 7 智能内容云进行了多模态数据智能的演示。AnyShare Family 7 成功进行了从图像到文本的模态转换,识别并分析出图像信息并将其转化为文本信息,让AnyShare中的图片自动生成摘要和标签。这让图像检索的过程中,只要输入文字就可以轻松搜索出相关图片,实现精准快速的以文搜图。
爱数以文搜图现场演示
多模态数据智能将怎样应用并产生价值?
多模态数据智能可以通过加强各种信息的联系,真正地将多模态信息连接起来,形成知识,从而建立起知识图谱。企业可以利用知识图谱,应用于销售线索推荐、客户画像、购买行为预测等各个工作场景。知识图谱也能帮助城市建立知识大脑,可以用来进行人口承载力分析、公共设施分析等。
近年来,华为与爱数有着非常紧密的合作。华为鲲鹏生态将助力爱数多模态数据智能。爱数三大产品线的鲲鹏一体机,作为华为与爱数联合创新的成果,成为了鲲鹏生态下的合作样板。
今年,爱数与中新天津生态城达成了战略合作关系,爱数将用多模态知识图谱为生态城构造城市知识图谱,提升生态城的智慧化水平。
爱数经九年蓄力,正式发布AnyShare Family 7 :智能内容云,这是数字化时代的生产力平台,开启爱数多模态数据智能架构的探索之路。
AnyShare Family 7 承载企业和组织的内容战略,通过先进的内容总线架构、内容数据湖架构、云原生架构、人工智能技术,助力全球化运营、服务多样性的企业文化、打造学习型组织、管理和运营数字资产。
今天,创新技术的实践,生态合作与未来探索,成功印证了爱数在多模态数据智能上的无限可能性。爱数在实现技术梦想的路上已经跨出了至关重要的一步,正式踏上品牌新征途。
好文章,需要你的鼓励
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
睡眠耳塞制造商Ozlo正将其产品转型为数据平台。公司与冥想应用Calm建立合作,利用SDK分享睡眠传感器数据,帮助内容创作者了解用户真实反馈。Ozlo计划推出AI睡眠助手、耳鸣治疗订阅服务和床边音箱等新产品,并收购了脑电图技术公司Segotia,预计2027年推出脑电监测产品进军医疗设备市场,目前正在进行B轮融资。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。