近日,Amazon在旧金山召开的AWS(Amazon Web Services)峰会宣布,在其云服务家族中加入一项Machine Learning,为没有机器学习背景的开发者提供分析和预测工具。该应用基础版目前有一年的免费期,只限美国东部地区。
在此之前,很多公司如Netflix和维权网站Change.org都在使用Amazon的AWS工具,来对用户行为和数据进行分析和推断。但通过原有工具实现机器学习的任务对技术人员要求较高,Amazon这次希望搭建一个门槛更低的平台,更好地为企业用户服务。
Amazon 内部使用机器学习已经很多年,而这些企业用户对这项技术也垂涎已久。坐拥大量数据的开发者越来越多地需要从这些数据中挖掘价值,比如电商可以根据分析用户 行为关联,选择性地投放广告。这些对数据分析、建模的要求很高,同时用户需求很大。使用Amazon的新工具,只需要大致三步:首先使用Amazon S3或Redshift建模,然后对模型进行验证和优化,最后使用它来进行预测。
在这个领域,目前也是存在竞争的。如微软旗下专注云服务的Azure在二月推出了自己的机器学习工具,而IBM上个月收购AlchemyAPI后,将把AlchemyAPI的深度学习技术整合到Watson核心平台,增强Watson挖掘非结构化数据并识别出它们之间联系的能力。
除 了机器学习工具,Amazon这次一口气推出了另外两个企业服务,一个是云存储服务,叫作“亚马逊弹性文件系统”(Amazon Elastic File System),用以处理容量超过1PB(相当于1024TB)的庞大数据,这么说可能有些抽象,举个例子,1PB存储空间可以是连续十多年拍摄的高清视 频。
另一个是第三方软件交易平台,可能颠覆以往的软件采购模式。像正在席卷的订阅大潮一样,企业客户不再需要签订多年的订购合同,而是可以通过这个平台按月租用软件,并通过Workspaces服务在亚马逊提供的虚拟PC上运行,灵活性增强。
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。