古人云年年岁岁常相似,岁岁年年人不同。掐指算来,中国云计算大会已经走过了七载岁月。而6月3日第七届云计算大会也开始了。6点47分,CNET记者收到了同事的占座短信,接下来就是忙碌而充实的一天。7点40分,迎着朝阳,脚步轻盈,座标当然是国家会议中心。
你是最可爱的人
印入眼帘首先是第七届云计算大会的日程表,三三两两的人都在浏览日程信息准备入场。
走进大厅后,安检人员已经在那里了,签到台的众多工作人员也开始紧张而有序的工作了。惊喜地是遇到了留守在会场大厅的同事并顺利地拿到了工作证。看来为了报道的顺利进行,同事儿们也赶了个大早。
8点一刻抵达会场时,却被志愿者给拦住了,志愿者的解释是,会议还没有开始,目前还在彩排,所以其他人都不能进去。敬业的志愿者甚至还去会场找到了主办的工作人员,几经解释终于进入了会场。尽管如此周折,心里还是为志愿者竖起了大拇指。
本来以为自己来得比较早,没想到负责摄像的孙斌和领队的晓楠姐来得更早。真心地为同事们的敬业精神点个赞。刚落座就听到主持人还在认真地彩排,而灯光师也在进行灯光调试,尽管诸位来宾陆续地入场,会场秩序仍保持相对井然。而同事们也陆陆续续地赶到现场并开始准备工作了。
当第一个嘉宾出场演讲的时候,看着会场秩序井然的环境,飞快敲击键盘的手指,以及镁光灯映照下一张张专注的面孔,内心百感交集,好像对每个人说一声:“你是最可爱的人!”
注意力被云带走了
由于要穿过展馆才能进入会场内侧,所以在休息间隙,刚好有机会游览一下展馆。一个有趣的对比是,会场内是紧张而有序的嘉宾发言,会场外却是热闹参观的游客。目之所及,几乎各个展馆都有游客,几乎所有的展台都设置了二维码,并且所有的厂商都使劲洪身解数来吸引游客的目光。
当然各家的玩儿法各有千秋。当游客的好处就在于,哪怕走走“凌波微步”依然可以无障碍穿梭,有点儿云啊云的感觉,不像某都的堵,只能令人望路兴叹。眼花缭乱肯定是必然的,可是CNET记者还是感叹着:不愧是云计算大会,果然注意力都被云带走了。
早在半个月前,CNET记者刚好参加了瑞星集团的战略发布会,当时中国科学院计算所研究员、中国中文信息学会理事长、中国工程院院士倪光南发表了讲话,他提到“信息安全是信息产业关键,而网络安全的实质是网络空间安全。” 巧合的是,刚好遇到倪院士参观展台。
由此可见,科研工作者也非常关注企业在云计算和网络安全方面的动态。
从展台的情况看,相当多以“云和安全”为名义的展厅,CNET记者又开始脑洞大开“站台”的厂商的PK情结:想象之中的场景应当如此:阿里云说:“我们要营造下一代互联网服务平台,将云计算变成真正意义上的公共服务。”
腾讯云:说“我们致力于打造最高质量、最佳生态的公有云服务平台。”
百度云:说“云基因,百度造,我们准备了一个百度开放云彩虹笔筒,你们快来试吧。”
360说:“360云,让企业安全用云。”
安全狗说:“我们主要基于云安全方案,解决中小企业安全痛点”。
CNET记者说:呐,你们自己玩儿吧,刷屏什么的最讨厌了……。
微信扫码热持续 美女站台蔚然成风
如果说微信摇一摇成春晚风景的话,那么将微信比作云计算大会上的幕后英雄,不足为过。从CNET记者自身的情况看,几乎每走到一处,热情的工作人员都会询问,要不要关注一下我们的微信,就连话语几乎都是一致的,扫了吗?扫了吗?……半邀请半强迫的扫了一些二维码,CNET记者又开始脑洞大开的联想:这些厂商为什么不做一个类似国家图书馆那样扫码魔方呢?可以实现360度扫码,不过看看微信上那么多企业云的订阅号也是醉了。
相比互动性质的微信二维码,企业的展台也是企业风格的一种体现。尽管各展台风格迥异,但却很有个性。CNET记者最喜欢的还是阿里云的展台设计,令人联想到浩瀚天际自由翱翔云朵。IBM的展台,宛若流星般的大数据之河,在头顶行云流水般涓涓而淌……
为了调动游客的积极性,当然是为了吸引眼球,一大波美女都美美哒地露面了,当然也有奥特曼蜘蛛侠,以及多啦爱梦。
安全狗企业的展台小姐身着宝蓝色的制服,和他们的展台还是蛮搭的。
无锡华云数据技术服务有限公司的展台小姐则身着抹胸的白色礼服,3TCloud的展台小姐则友好地站在站台前配合拍照。
6月2日只是第七届中国云计算大会的开始,回顾一整天走过的路,CNET记者只想用四个字来形容:累觉不爱。如果加个修饰语的话,那么是:我们,痛并快乐着, 且行且珍惜!
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。