至顶网软件与服务频道消息: 第四届世界智能大会拟以“智能新时代:创新、赋能、生态”为主题,拟于2020年4月23日-26日在天津梅江会展中心召开。
为进一步扩大提升世界智能大会在全国范围内的知名度和影响力,宣传推介天津在服务支持智能产业发展方面的良好环境和优势政策,大会组委会秘书处于2020年1月7日在北京组织召开路演推介座谈会。
来自天津市商务局、天津市工业和信息化局、天津市东丽区工业和信息化局、世界智能大会组委会秘书处的相关负责同志,分别就大会的整体安排、智能科技展情况、世界智能驾驶挑战赛进行了介绍。中国中车、中国通号、浪潮集团、百度、美团等多家500强企业参加本次推介会,了解第四届世界智能大会的相关资讯。
天津市商务局副局长李宏进行开场致辞
天津市工业和信息化局总经济师周胜昔致辞并介绍大赛整体安排
第四届世界智能大会将持续秉承高端化、国际化、专业化理念,举办会、展、赛、智能体验等一系列活动。同时,大会将围绕落实智能科技产业1+10专项行动,集中展示天津智能化解决方案和应用场景,打造智能化解决方案的策源地和生产地,集聚八方资源。此外,第四届世界智能大会还将扩大商业合作机会,增强市场化运作,构建企业+机构+媒体的模式,注重政府服务,发挥市场主导。
天津市商务局会展处处长张继文介绍第四届世界智能大会智能科技展情况
作为大会重要组成部分,第三届世界智能大会智能科技展吸引了246家企业参展,其中包括24家世界500强企业和6家国内500强企业,吸引了超过36000名专业观众参观。参展满意度超过80%,服务满意度达到80%,专业观众满意度达到77.85%。
第四届世界智能大会智能科技展将锁定智慧生活、智能制造、科研创新、智慧城市、智能体验、大数据以及智能农业等主题,涉及5个展厅、1个室外体验区和1个公共发布区,并将通过进一步的市场化运作,旨在将智能科技展打造成一个多远对接活动,为企业提供舒适的洽谈环境和深度的交流平台。
中国汽车技术研究中心有限公司汽车技术情报研究所智能网联研究中心主任王亚飞介绍世界智能驾驶挑战赛
世界智能驾驶挑战赛每年在天津市东丽区举行,是国内首个国际级的智能驾驶示范运营项目,并且已经成为国内规模最大、评测结果最权威、影响力最广泛的科技性赛事。而明年的世界智能驾驶挑战赛将以整车企业为抓手,继续扩大媒体宣传,为参赛企业提供更多的宣传窗口。挑战赛拟于2020年4月22日-24日举行,挑战赛已于12月底在世界智能大会官网、官方微信等渠道开放报名通道,具有无人驾驶车辆的企业团队、高校团队或者整车企业、甚至是整车企业委托的改装平台均有报名参赛资质。
在推介会的互动交流环节,众多企业代表积极与举办方进行深入沟通,并就世界智能大会以及天津的产业发展和相关政策问题展开了探讨和交流。多家企业表示,希望能够积极参与到第四届世界智能大会各项活动中,在天津落地具体智能科技成果和应用项目,挖掘更多实际商机。
天津将利用世界智能大会这一平台,为全国乃至全球企业和政府、企业和企业、企业和客户之间的合作提供供需平台,为智能领域搭建一个共谋、共赢、共发展的互动平台,共同加速推进智能科技与智能产业融合发展。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。