北京时间5月6日上午消息,本周,The Intercept网站再次发布了爱德华·斯诺登(Edward Snowden)曝光的美国政府文件。其中显示,美国国家安全局(NSA)在近10年的时间里持续将监听的语音通话转换为可搜索的文本文档。
长期以来,NSA一直监控着全球范围内,尤其是阿富汗和伊拉克等冲突地区的“信号情报”,这也是NSA的主要职能。以往,这样的数据收集活动需要人工操作员监听通话,并进行实时的翻译。
然而最新曝光的文件显示,NSA开发出了一种被称作“语音版谷歌”的技术。这一自动化系统能提供粗略的、同时可通过关键词进行搜索的语音实录。与此同时,NSA还开发了数据分析项目和复杂的算法,以标记出需要人工审阅的通话。
此外,这一技术实现了自动化和工业级规模,从而帮助NSA监控特定地区的庞大通话流量。这些自动转换的文本十分粗略,但根据来自NSA的托马斯·德拉科(Thomas Drake)的说法,“即使并不是100%完美,我仍可以获得大量信息。这样的情报更容易读取,我可以进行搜索。真正的突破在于实现了庞大的规模。”
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。