一年一度的百度世界大会召开在即,每年百度都会在会上宣布重要技术突破或者战略级产品,从中也能窥得未来数年百度的技术动向。这些信息,往往从历年的邀请函、以及百度近期的新闻中也可以窥得一二。
2015年,百度世界大会的主题是“索引真实世界,连接3600行”,善于观察的人在当年的邀请函上便早早发现了玄机。
用验钞笔扫描邀请函的封面后,“清明上河图”的底纹上印着“虹桥若波”的字样,寓意互联网让各行各业的连接更加紧密,正暗示了百度欲借O2O连接人与服务。
今年的邀请函更为炫酷,主题也更加明确。邀请函的主体为城市地标模型,用导电笔涂抹电路板虚线后,整个城市模型就会被点亮。邀请函的顶端写着本次大会的slogan:“AI is the new electricity(人工智能是新电能)”。可以看出,人工智能将成为本次大会的亮点。而百度近期在人工智能方面的一举一动,都为这次猜想提供了线索。
在今年6月的百度联盟峰会上,百度董事长兼首席执行官李彦宏提出,互联网发展的下一幕将围绕人工智能展开。在7月份的财报电话会上,李彦宏继续强调了对人工智能的重视,称人工智能正在成为万物命脉。这些信息都透露出人工智能在百度中的关键地位。
不仅仅是百度,谷歌、微软、苹果、阿里巴巴、腾讯等国内外巨头都纷纷在人工智能领域发力,人工智能的大趋势无须质疑。在各大公司前仆后继抢占人工智能风口之际,此时布局的思路和战略就成了决定成败的关键。百度这次将人工智能定义为“新电能”透露出许多信号,是否暗示着人工智能将成为公司的核心驱动?百度是否计划360度全面赋能人工智能?
官网中显示的嘉宾名单,除了百度董事长兼首席执行官李彦宏、百度首席科学家吴恩达,还有英伟达公司的联合创始人兼CEO黄仁勋。
英伟达是深度学习的倡导者和最强大的并行计算供应商, 在GPU领域拥有绝对的话语权。
当下,GPU正在成为训练深度学习神经网络最热门的方法,谷歌、微软、IBM、阿里巴巴、腾讯等公司纷纷尝试用此方案解决大量复杂的分析性、数据丰富的问题。而百度是最早一批利用GPU开展人工智能研究的企业。
英伟达与百度的合作也颇有渊源。2005年,两家公司便开始了在数据解析领域的合作。另外,吴恩达还在斯坦福大学任教时,便与黄仁勋惺惺相惜。吴恩达曾带领人工智能团队发现 GPU 能够几百倍地加速深度学习系统,训练一个四层神经网络由之前几周时间变成了不到一天。黄仁勋得知后称这是一个令人高兴的对称:GPU 这一游戏工作者用于为游戏玩家构建幻想世界的芯片也能用于帮助计算机通过深度学习理解真实世界。
在经过了这么多年的酝酿与磨合,此次黄仁勋的出席,是否暗示着百度与英伟达将有更为深入的战略合作?
百度于2015年年底成立了无人车事业部,正式将无人车设立为公司战略方向之一,并宣布了无人车三年商用、五年量产的发展计划。今年以来,百度无人车更是动作频频,先后与芜湖、上海、乌镇等地实现合作,上路指日可待。
此前有外媒对百度无人车与谷歌无人车进行了对比,认为谷歌虽较早布局无人车,但仍停留在自己的原型汽车中测试无人驾驶技术,而百度则更具野心,已经积极在美国和中国完成路侧,因为较谷歌更胜一筹。无人车无疑已经成为百度人工智能的一大明星产品。
近日,百度无人车近日还载着两只狗在某驾校进行了驾校测试。让人遐想的是,如果通过了驾校考试,那么百度无人车离我们还有多远?百度会不会在百度世界大会上宣布无人车的最新进展?想想都让人期待!
在上一届百度世界大会上,百度推出机器人助理“度秘”,李彦宏还在现场演示了如何通过度秘购买电影票、在餐馆订座、用Uber叫车,展现了度秘强大的语音与服务功能。
今年四月,度秘机器人在肯德基现身,通过语音交互功能帮助顾客完成点餐,成为连锁餐饮行业首个人工智能服务场景,实现了百度人工智能技术进入人们线下日常生活服务场景的首次尝试。
在经过了一年的成长之后,新的度秘不免让人期待。在百度人工智能的版图中,度秘又会扮演什么样的重要角色,这也是让人颇为憧憬。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。