
CNET科技资讯网 12月2日 北京消息(文/齐丰润): 技术的发展带来最多的就是大家对于未来的追逐与畅想,在近两年的科技圈里,我们经常能见到这样一个词——未来已来,其实大部分人用这个词想表达的意思就是当年存在于人们想象之中的事情如今变为了现实。
每当看到这样的词语的时候,我都不禁会想,未来到底应该是什么样的。在2016百度云智峰会上,百度认为将成为时代主题,并为各行业创造全新机遇的就是“ABC”。当然,这个ABC并不是你那个满口流利英文“American Born Chinese”朋友。
百度所说的ABC即人工智能(AI)、大数据(Big Data)、云计算(Cloud Computing)三个词语的英文首字母缩写,这三个领域已然成为当下最为热门的三大领域。百度总裁张亚勤表示,随着云计算发展规模逐渐壮大,由云计算和人工智能组成的“ABC”将成为一个时代的主题。
从数据的表现中我们就不难发现这样的趋势,数据显示,2015年,全球以IaaS、PaaS和SaaS为代表的典型云服务市场规模达到522.4亿美元,并有望在2020年突破2000亿美元;IDC数据显示2016年,国际云计算市场规模为868亿美元,国内云市场规模达到27亿美元;而根据Gartner数据,2016年全球云市场规模达到2000亿美元。
而对于人工智能和大数据领域来说,其发展效率也是有目共睹。随着大数据技术的崛起,近两年人工智能也得到了空前的发展。国内以百度和阿里为首的百度大脑以及ET,国外则是战胜人类围棋选手的Google AlphaGo,都掀起了人们对于人工智能空前的关注热潮,而且我们也能看到人工智能被应用到许多领域中,包括智能客服、无人车、语音识别等等。
百度总裁张亚勤表示,未来人工智能将像电力一样重要,对个人数字生活起到主导作用;大数据将类似于新能源,拉近服务商与用户的距离,形成供求之间的精准对接;云计算则为各种应用和服务运营的落地提供平台基础。
技术说得再多不过不落地的话到头来还是空话,所以将ABC融入到行业中去,也成为了百度十分重要的发展方向。
百度云事业部联席总经理刘炀介绍到,2016年的话可以说是百度云的元年,七月份正式对外发布了百度云计算的战略,十月份进行了品牌的升级,再到首次的百度云智峰会。但在这之前百度云的团队就成立了,进行了很多研发,目前百度云上面已经有80几款产品。
其实就目前来看,在O2O、物流、智能家居、医疗、金融、智能终端等领域都有非常大的人工智能的场景。而三位一体的策略也让百度对于行业的未来有很强的信心。张亚勤表示,以云计算为基础,以人工智能为中枢,以大数据为依托,“ABC”将深度结合并改造传统行业,真正地提升每一个企业的运营效率,释放商业潜能,创造全新机遇。
在IaaS层面,百度多年的经验将为弹性,稳定,可靠,安全的云服务提供保障;在PaaS层面,百度通过深度学习和机器学习技术,能够打造独特的知识图谱,用户画像,商业逻辑;最后在SaaS层面,百度将和行业合作伙伴一起打造生态,服务各个产业。
据介绍,目前百度已经和超过三万家企业展开合作,百度云也陆续渗透到物流、医疗、教育、营销、金融等关系到百姓生活的各个行业中,通过“云智数”三位一体的云服务结构,也让百度可以为客户提供业务可持续发展的动力引擎。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。