
科技行者 3月21日 北京消息(文/孙封蕾): 很多的变化,都发生在今天。
今天,2019阿里云峰会·北京站召开,当走进位于国家会议中心的会场的时候,细心的人会发现,阿里云发生了很多变化。
云栖大会一直是阿里云的标志性会议,北京的峰会,叫做云栖大会·北京峰会,而今天这场会议的名称变成了“阿里云峰会·北京站”。
阿里云的logo,从原来的白色,变成了阿里巴巴集团的橙色,字体也加粗了一圈。
图:阿里云新logo
2019年,阿里云成立10周年了,阿里云峰会的主题定为“十年再出发”。
今天,是阿里云智能升级之后的首次亮相,也是张建锋就任阿里云智能总裁之后的首次跟大家见面。
图:阿里云智能总裁 张建锋
这些都是阿里云的小变化,张建锋给带来的还有阿里云的大变化。
张建锋的角色,除了阿里云智能总裁,还有一个title,就是阿里巴巴集团CTO。身为阿里巴巴集团的CTO,他透露,整个阿里巴巴今天大概有60~70%的流量是跑在公共云上。接下来一到两年的目标,是将阿里巴巴100%的业务跑在公共云上。
阿里云智能升级之后,会把阿里巴巴的技术跟阿里云的技术完全拉通,阿里巴巴用的技术跟阿里云上的产品是完全一样的,阿里云的用户将会跟阿里巴巴用的一模一样的底层。
也就是说,阿里巴巴集团的整个技术都变成一个云上的技术。所有的技术的输出,产品的输出,对to B的服务都会通过阿里云智能这个平台,这其中也包括支付宝、钉钉、新零售等核心技术和新产品。
新制造曾经是过去两年阿里云的战略性行业,但今天张建锋重新圈定了阿里云的战略性行业:新零售、新金融、数字政府。
张建锋解释,新零售是阿里巴巴一直在持续投入和探索的行业,有大量的产品可以输出,这也是阿里巴巴最有发言权的行业。
在金融行业,依托蚂蚁金服在互联网和金融行业结合的创新能力,把互联网和金融行业的融合创新发挥的淋漓尽致。
数字政府是阿里云智能提出的新领域。过去,依托城市大脑,浙江省实现了办事最多跑一次,这样的体验逐渐扩展到全国其他地方,开始利用互联网技术和智能,让老百姓得到了实惠。
在这其中,技术的力量发挥出了非常好的效果,从原来基于部门的系统到今天变成基于用户、基于数据的系统,理念发生了巨大的转变。
今天,北京市通州区发布了城市副中心数字生态城市建设的成果“城市大脑·生态环境”平台。通州区副区长苏国斌介绍,该平台在通州上岗以来,环境污染事件从人工发现到实时自动感知,从多部门多头处置到一网通办的本质提升。
今天,每个人访问手机淘宝,每个人看到的页面都不一样,每一次点击之后,还会根据点击实时生成后续页面。这里的实时,不是以分钟为单位来计算,而是用户完全没有体感的实时。
这就意味着,每秒钟,阿里巴巴都要处理这么多的数据,为每个人处理不同的数据,是一个非常关键的能力。
“算力是基础,更重要是智能化的算法。”张建锋说,“算法跟各行各业的业务有密切相关,所以阿里巴巴通过与各行各业合作,沉淀了一个完整的智能化平台。”
基础设施的云化、核心技术的互联网化以及在之上叠加数据+智能化的平台和能力,完整地组成了阿里云智能的整体能力框架。
阿里巴巴今天要运营如此规模大的经济体,运营人员只有几百人。因为阿里巴巴电商大量地用好了数据,用好了智能做出的决策。
当企业复杂到一定程度,任何一位CEO都很难做出科学客观的决策。但有了数据之后,任何一位员工都可以跟CEO一样做出正确的决策。
阿里巴巴的客服小二可以作出客观的决策,是因为客户打电话进来的那一刻,系统就在后台有一个数据上的智能分析,帮助他做出比较客观的评价,大幅度地提高决策的公平和效率。
阿里巴巴自身几乎所有的流程里面都有数据、智能的作用。这种能力,也将成为阿里云加持的能力。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。