高通技术公司和Google Cloud宣布展开合作,双方将通过高通AI引擎和Google Cloud Vertex AI神经网络架构搜索(NAS),加速推动面向骁龙®移动平台、ACPC、XR平台、Snapdragon Ride™平台和高通技术公司IoT平台的神经网络的开发并提供差异化。
高通技术公司产品管理副总裁Ziad Asghar表示:“利用Google NAS技术缩短创建和优化全新AI模型时间周期的能力,将为我们的业务带来变革。我们很高兴成为首家与Google Cloud在NAS方面进行合作的芯片公司,我们期待能够推广该技术,进一步加强公司在智能网联边缘方面的发展势头。”
Google Cloud云AI与行业解决方案副总裁June Yang表示:“Google Cloud的Vertex AI NAS将使高通技术公司能够为物联网、医学影像、汽车和移动终端等低功耗设备提供低时延和高精度AI计算,同时确保低内存和高能效。通过此次合作,高通技术公司将能够在数周而非数月内创建并优化新的AI模型,我们十分期待为使用搭载骁龙平台终端的用户带来积极影响。”
Google Cloud Vertex AI NAS将集成至高通神经网络处理SDK,以供开发者访问。采用高通AI引擎的(高通技术公司的)平台将获得优化和性能提升。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。