日前,由微软主办、电气电子工程师学会(IEEE)协办的2016编程之美挑战赛在山东大学正式拉开帷幕。本届大赛以智能云为主题,包含编程赛与创意赛两种赛制,旨在提升青年开发者在智能云平台上的综合实践能力,加强跨学科交流与合作,激发学生们的创新思维火花。
“微软编程之美挑战赛” 是面向在校学生开展的大型编程比赛,致力于为青年开发者提供国际一流水平的开发与交流机会,帮助他们了解、运用先进的算法与编程设计解决各类实际问题。除传统的编程赛外,本届大赛特别增设了创意赛,以鼓励非计算机专业的青年学生充分发挥自身在不同学科领域的创造性才能,用全新的方式探索、呈现编程之美。参加创意赛的选手将通过网络提交参赛作品,评选出的15强选手将与编程赛决出的15强队伍组队参加最终的决赛。决赛将于五月底在微软亚太研发集团举行,优胜队伍除奖金外,还可获得进入微软创投加速器扶植的创业企业实习的绿色通道,以及赴微软美国总部参观学习的机会。
微软亚洲研究院学术合作总监潘天佑博士表示:“跨学科的整合可以更好地激发青年人才的创新活力和创造智慧,我们希望更多的青年才子在‘编程之美’的舞台上不仅可以共同创造美好的代码,还能分享、交流美好的智慧,碰撞出闪耀的火花,构建美好的世界。微软一直十分重视青年人才的培养及科技的创新,并不断探索多元化的创新人才培养模式,以促进中国教育创新、人才培养和科研发展。”
IEEE亚洲区高级总监华宁表示,已经迈入第五年的 “编程之美挑战赛” 为广大青年学生提供了接触前沿技术、发挥自身创造性、实现远大梦想的机会。作为全球最大的专业技术协会,IEEE愿与微软一道在这个培养和选拔创新人才的重要平台上,为提升青年学生在未来用科技改变世界的综合能力而继续努力。
作为新一代信息技术和产业发展的核心,云计算正在与大数据一同驱动着传统产业的变革和新型产业的蓬勃发展。而随着在深度学习、大数据分析、人工智能、物联网等领域的研究进展,微软集全球之力打造智能云平台,致力于提供更多样、更完善、更智能的服务,实现云端的智能创新。微软中国云计算与企业总经理申元庆特别支持此次大赛,他说:“本届大赛以智能云为主题,希望将智能云技术引入学生们的编程实践中,让同学们在微软智能云平台Azure上利用大数据、微软云技术和智能云服务,结合自身的洞察力来解决实际问题,感受编写代码所创造的智能之美。”
2016微软编程之美挑战赛的编程赛分为平台测试、初赛、复赛。编程赛的初赛和复赛均在网络比赛平台上举行,初赛为算法题,采用由微软研究院开发的Code Hunt在线编程与评测系统。复赛则采用团队赛的形式,在微软智能云平台上进行,并决出15只队伍与创意赛的15强选手组队参加决赛。跨学科的组队方式将充分融合不同擅长领域参赛者的智慧,加强选手们在协作、沟通等方面的软实力,从而提升青年人才的综合能力。
自2012年起,微软编程之美挑战赛已经成功举办四届,吸引了五万七千多名大学生参加,助推了他们的能力提升与职业发展。除“编程之美”外,基于培养本地创新型人才的理念,微软亚洲研究院还推出了一系列面向青年的培养项目,如“明日之星”实习生计划、“微软学者”奖学金、微软学生俱乐部、“铸星计划”青年学者计划、联合培养博士生项目等。青年人才不仅是“编程之美”的展现者,更是“科技之美”的缔造者,未来,微软必将一如既往地为青年人才构筑通向更广阔科技世界的桥梁。
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。