2017杭州·云栖大会将于10月11日到14日在杭州云栖小镇举行,大会主题是 “飞天智能”,以会、展、云栖虾米音乐节、云栖夜跑等创新活动相结合的方式同步进行——这是一场科技和音乐、艺术结合的展会。
本次大会有两场主论坛、20场主题峰会、超过120场次的分论坛、近千名重量级分享嘉宾,其中有55位全球知名的科学家作学术分享,在国际方面,邀请了国际奥组委领导;顶尖科技方面,邀请了中外顶级科学家;在金融科技的主论坛,邀请了IFC(国际金融中心)和联合国粮农署等全球重量级嘉宾分享普惠金融的力量。此次大会内容包括了人工智能、大数据、新零售、金融科技、弹性计算、基础设施、量子计算、生命科学、IoT、政务、多媒体、AR等20个前沿科技领域。所有峰会和论坛都将在官网进行全程直播,与数千万全球网友共襄盛举。
2017云栖大会展览面积超过3万平米,全球400余家知名企业将于此互动展示。展厅聚焦人工智能、视觉智能、芯片计算、无人驾驶、智能家居、城市管理等领域的最新创新成果。其中有Intel, SAP, Cisco, Docker, NetApp, Check Point等国际生态合作伙伴,也有非常多的创业中小企业。
去年让云栖大会参会者玩的非常high的云栖音乐节,今年升级为云栖虾米音乐节,持续3晚,李健、许巍、窦靖童、吴莫愁、GALA等歌手空降云栖,与来宾共同参与科技盛宴。
本届云栖跑Tech Go将联合陪你跑、阿里体育举办3场别开生面的创新科技赛事。结合跑者的心率、配速等实时数据,显示跑者的状态,让数据成为运动最客观的教练。
从目前的注册信息来看,参会群体中80后占比48%,90后占比32%。女性的比例则达到了24.2%,为历届最高。这一趋势在年轻群体中更为明显,90后的参会者中,女性占比31.61%,远超平均值。这也和我们观察到的行业趋势一致。“女性在高新科技以及创业群中的比例一直在提高,对云栖这样的科技盛会的关注度也一点都不比男性低。”
“科技感”十足的云栖跑会竖起一块LED大屏,当你路过它时,它便会记住你。等你跑一圈回来跑第二圈的时候,你在上一圈影像“分身”就会跟你赛跑。所有的参赛选手会佩戴一块芯片和一块运动手表,大屏幕上会实时显示经过选手的姓名、心率、步频、速度。
国际嘉宾也不少,共有来自五大洲,67个国家和地区的数千名“歪果仁”参与本届云栖大会。其中人数最多的是英国,而最远的参会者则来自南非。
今年新启用了刚刚建成的云栖国际会展中心二期。与一期展馆比,云栖国际会展中心二期的建筑高度有所降低,为6米,建筑面积扩大了近3倍,达到了6.6万平方米。
大会指挥中心特别设立数据指挥大屏,通过大数据和算法,实时输出现场参会人数、内外场交通信息、人群画像等数据信息。监控大会场馆各区域的热度情况,同步提供热门议题、基础信息服务等,参会者可以更方便快捷的获取信息。大会还开发了若干智能会务服务功能,例如,“云栖助理”智能问答系统,支持文字或语音输入;大会相关的吃住行、会议日程等常见问题都可以在H5页面上获得自助服务。此外,还有“展区智能导览系统” “人脸识别签到系统”等智能服务。
今年云栖大会官网与合作的全平台实现大会高清直播;全部分论坛实现在线云导播,充分应用最新云科技。大会直播今年将继续拓展多元化渠道投放,官网、淘宝、优酷、斗鱼、熊猫直播等渠道同步进行全球直播。在覆盖面和影响人群上持续扩张影响力,预计在线观看人数将突破2000万。
2010年至2017年,从中国地方行业网站峰会,到阿里云开发者大会直至今日,8年的进化,云栖大会已成长为全球最具影响力的科技展会之一。
我们希望云栖大会能逐渐构建一个感知中国科技实力、实现世界观察的未来大门,成为全球规模最大的云计算科技与音乐艺术结合的盛会。
好文章,需要你的鼓励
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。