微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 月活用户占26%世界人口数的企业,也将目光瞥到了AI上

月活用户占26%世界人口数的企业,也将目光瞥到了AI上

2017-09-22 16:05
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2017-09-22 16:05 CNET科技行者

CNET科技行者 9月22日 北京消息:不知道你注意到没,上个月多家媒体都报道了这样一件事。

Facebook开发的两个人工智能(AI)聊天机器人互相发展出人类无法理解的语言,“吓得Facebook要关闭‘失控’的AI系统”。

再具体点,Facebook在人工智能研究院中研发过一个聊天机器人,它打算通过这个机器人可以和人谈判,于是他们在人工智能系统中开发了神经网络结构,这个结构叫做“生成式对抗网络”简称GAN。在研究过程中,研究员突发奇想,想看看让两个机器人聊天,他们会聊什么,于是,就出现了网路上传播甚广的“机器人暗语”。

其实,主要原因是在为系统设置激励条件时,虽然告诉了它们请用英文,但忘了告诉它们请用英文语法。 如果系统中编写针对英语语法的奖励机制,系统就会偏向于更符合英语语法的语言,也就不会出现现在这种情况。后来,Facebook又重新设定了正确的激励,并修正了机器人的行为。

虽然只能算个小插曲,但是对于AI技术的应用,Facebook真的可以算作一个典型的范例。

纷纷设立AI研究实验室

近日,这一社交网络巨头宣布,其将在加拿大的蒙特利尔设立新的、也是其第四个AI研究实验室。该实验室将由Joelle Pineau负责。Pineau是对话系统和增强学习领域的专家,也是麦吉尔大学的一名教授。目前,该实验室团队成员总共为10人,包括实习生。未来几年内,团队总人数将扩大至30人左右。

此外,Facebook宣布为Canadian Institute for Advanced Research(加拿大高等研究所,CIFAR)、Montreal Institute for Learning Algorithms(蒙特利尔学习算法研究所,MILA)、麦吉尔大学和蒙特利尔大学(五年以上)提供700万美元的人工智能支持。随着这个决定的出现,Facebook随人工智能“发烧友”微软和谷歌之后进入了加拿大。

2016年11月,谷歌在蒙特利尔投资了450万美元用于人工智能研究,主要是以捐赠的方式投向了蒙特利尔学习算法研究所、蒙特利尔大学和麦吉尔大学。谷歌在其蒙特利尔办公室开设了一个深度学习和人工智能研究部门,该部门同位于加利福尼亚州的Google Brain团队紧密相连。

同时,微软收购了蒙特利尔的Maluuba,目的是在未来两年内将其人工智能生态系统扩充一倍。软件巨头甚至向蒙特利尔大学拨款600万美元,为麦吉尔大学拨款100万美元用于人工智能研究。

IBM最近承诺投入2.4亿美元的资金,与麻省理工学院(MIT)合作创建MIT–IBM Watson 人工智能实验室(超过十年)。

合作与收购

早在2016年9月份,Facebook与亚马逊、IBM、微软和DeepMind /谷歌共同创建了一个非营利组织——Partnership on Artificial Intelligence to Benefit People and Society(Partnership on AI,惠及人与社会的合作伙伴关系)——以提高公众对人工智能的认识,并针对各种挑战和机遇提出最佳实践。随着时间的推移,该组织已经扩充了很多新成员,包括苹果、英特尔、Salesforce、SAP、索尼、麦肯锡和联合国儿童基金会等。

不到两周前,微软和Facebook公布了一个名为ONNX(开放神经网络交换)的联合项目,以实现不同网络开发框架做到互通让开发者能够在开源的开发架构之间,随时更换,这样一来,当开发到一半发现不适合时,只需要选择中途替换架构就好,不需要从头再来。

除了上文提到的,Facebook还一直在收购初创企业以增加自身人工智能的实力。今年7月份,Facebook收购了人工智能助手创业公司Ozlo,协助开发“Messenger内基于人工智能和机器学习有吸引力的体验。除此之外,被Facebook收入囊中的还有Masquerade Technologies、Zurich Eye、Fayteq AG、FacioMetrics等创业企业。

月活用户占26%世界人口数的企业,如何应用AI

Facebook目前有着数十亿的粉丝量,这就为这家公司生成了巨大的非结构化数据仓库。现在,该公司的月活跃用户为20.1亿(截至2017年6月30日),占世界人口的26%。这些用户的数据成为了Facebook伟大的资源。

·去年,Facebook推出了DeepText——一种基于深度学习的文本理解引擎。DeepText可以以接近于人的准确度,每秒钟理解几千个帖子的文本内容,并且能够涵盖二十多种语言。目前Deep Text正在Messenger中进行测试,根据回话内容给出建议的回复。

·Facebook的脸部验证准确率高达97%,目前正在努力在像素级别对图像和对象进行理解,这种能力可用于对图像进行切分、分类和改善。Facebook甚至在自己的平台和Instagram及Messenger上建立了一个人工智能支持的相机。

·据VentureBeat报道,为了给用户提供更好的360度视频观看体验,Facebook将使用人工智能对这些内容进行调整,避免因为图片倾斜破坏呈现效果。

·该公司正在利用人工智能来解决“伪装”问题,确保帖子的真实性,并显示违反其社区标准和广告政策的内容。该公司甚至利用人工智能来打击其平台上扩散的极端主义或与恐怖主义有关的内容。

·最近的一则新闻是Facebook Messenger推出一个新的聊天机器人,它整合了在线票务平台Fandango的服务。当美国用户的会话主题转向电影时,机器人能够自动侦测,向他们提供电影上映时间,还可以帮他们购买电影票。如果担心隐私泄露,还可以在Messenger设置中可以禁用服务。

总的来说,人工智能支持的工具可以增强内容和广告的相关性、准确性和吸引力,从而带来更高的用户参与度和更好的体验。这将直接提升广告业务占到总收入97%的Facebook其财务状况。所以,人工智能技术将成为Facebook目前和未来旅程中不可缺少的组成部分。不过尽管Facebook一直在研发人工智能和无人驾驶等技术,但在德国法兰克福车展上,Facebook首席运营官Sheryl Sandberg对外宣布却并不打算生产汽车。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    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。

  • 香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    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。

  • 中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    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。

  • 字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    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。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-