推动数字经济发展是多数国家的重要战略方向,也是构筑国家竞争新优势、掌握发展主动权的战略选择。为践行国家“数字中国”战略部署,推动数字经济发展,找寻优质创新项目,优秀创业人才,论坛由全球数字经济大会组委会主办,北京市经济和信息化局、朝阳区人民政府、亚洲数据集团共同承办的2023全球数字经济创新大赛全面开启。大赛以“1+6+N”为整体框架,暨一场大赛总决赛、6个主题赛道以及N场配套活动,总决赛将于7月7日在北京国家会议中心举行。
寻全球数字经济创新力量
作为以数据为核心生产要素的新经济形态,数字经济蕴含强大的发展动能与战略势能,已经成为全球各国发展的重点。以数字经济为核心的创新创业项目,更是成为各级国家政府、各相关产业、投资机构关注的焦点。
2023全球数字经济创新大赛以“数字科技赋能·智敬美好未来”为主题,立足数字经济产业发展趋势,聚焦新一代信息技术、工业互联网、人工智能、数字安全、数字医疗、互联网3.0等重点发展产业。本届大赛通过线上线下结合的形式,在国内外30余国家和城市展开项目征集和分站城市的选拔。通过举行海外推介活动,赋能行业国际合作、科技创新、经贸投资、人文交流等方面的发展和对未来数字经济发展的规划的展望。通过大赛海外分站赛,选拔海外项目参与大赛,将“走出去”与“引进来”结合。国内将举行三场分站赛,6月29日广州分站赛涉及细分领域包括网络与信息安全服务、大数据协同安全、网络安全保险、数字金融、数字孪生、元宇宙、区块链、NFT、光子应用等。6月30日深圳分站赛涉及细分领域为人工智能、虚拟现实、城市智能化运营、AI场景应用、数字医疗、生物医药、大健康、医疗美容等。7月3日北京分站赛涉及细分领域为5G、集成电路、云计算、新兴软件开发、工业元宇宙、工业生态、物联网、大数据等。报名通道开启中,点击https://www.wjx.top/vm/eL3ADOL.aspx即可报名。
助数字经济创新高质量发展
2021年,中国在人工智能、物联网、量子信息等关键数字技术领域的发明专利授权量已居世界首位。数字经济领域的关键核心技术创新力度和优势产业发展质量备受关注。
2023全球数字经济创新大赛是目前国内数字经济领域规格最高的国际赛事之一,大赛评委团由全球投资界大咖、国内外市场投资机构高管、行业专家学者、政府引导基金负责人、各领域产业集聚区代表、技术大咖、软件园孵化器负责人等多方代表组成。以IDG资本、红杉资本、软银中国资本、澳银资本、金沙江创投为代表的全球超200家创投机构将派出合伙人或高管,以投资导师、嘉宾的身份参与大赛,与参赛选手和项目进行深度交流互动,为创新项目发展,创新成果转化落地合作提出建议。分站赛期间,评委团将在全球范围内挑选出12个项目入围总决赛。
大赛总决赛将选出冠军1名奖励人民币50万元,亚军2名奖励人民币30万元,季军3名奖励人民币20万元,优秀创新奖将颁发证书和奖杯。同时,作为大赛承办方之一的朝阳区,将把所有参赛项目纳入北京市朝阳区数字经济领域重点项目名单。在享受国家和北京市数字经济发展政策的同时,按照朝阳区产业政策,落地项目将优先给予获奖团队人才落户、租金减免、科研创新、基金投资、专项产业政策等政策扶持。朝阳区作为首都数字经济核心区,紧抓互联网3.0机遇,加快培育、做优数字经济“3+X”产业集群生态,形成工业互联网、人工智能、数字安全三大产业集聚优势,同时在光子、数字医疗、以数字人为代表的互联网3.0等领域加快布局,积极构筑未来产业新优势,加速推进数字产业化和产业数字化联动发展。大赛平台,将在全球范围内寻找数字经济创新力量,为北京数字经济发展聚集更多优秀的创新项目,储备更多专业技术人才,助力优秀创新成果、创新技术和前沿科技的对接、交流及转化,助推数字经济实现高质量发展。
大赛同期还将举办朝阳区产业闭门会。会议聚集政府单位、产业园区、孵化器、初创企业等单位,现场将交流政府、园区等产业政策,探讨产业如何落地布局科创板,搭建政府与企业间直接沟通桥梁。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。