Facebook的未来来说,仍然是至关重要的。
Facebook最近收购了Scape Technologies,一家专注于构建有助于AR(增强现实)的计算机视觉应用公司。
Scape成立于2016年,将自己的技术称为视觉定位服务(可通过SDK获得)。Scape实际上是利用摄像头提高GPS精度,这项技术对于Facebook VR头戴设备甚至是机器人技术来说都是有帮助的。
Loomly首席执行官兼联合创始人Thibaud Clement表示:“虽然GPS可以鸟瞰某个区域,但Scape Technologies的VPS实际上更接近行人的视野。这个独特的计算机视觉引擎,再加上Facebook的影响力,将有助于推动在AR和VR领域的发展。”
接下来,Facebook收购了Atlas ML开发商Deeptide。Deeptide成立于2018年7月,是一家科学论文和开源资源库公司。
Clement表示:“与Facebook AI合作意味着该平台将能够更快地发展,支持更多语言并吸引更多用户,同时让Facebook可以随时掌握该领域中发生的一切。这是网络协同效应一个很好的例子。”
Deeptide联合创始人Robert Stojnic在Medium帖子中写道:“Papers with Code仍然是中立的、开放的、免费的。这项服务的运行方式、社区与网站的互动方式,都将保持不变。”
Scape和Deeptide都位于英国。Sorenson Ventures负责人Vidya Raman说:“一段时间以来,英国一直是开创性AI研究的温床。还记得DeepMind吗,谷歌为DeepMind投入了多少钱?”
实际上早在2018年的时候,Facebook就收购了另一家英国公司Bloomsbury AI。这家初创公司构建了用于问答应用的NLP自然语言处理系统。
SAS首席解决方案架构师Tom Sabo表示:“任何希望更好地将内容与用户利益挂钩的企业组织,都将从投资领先的自然语言处理能力中受益。想想你是如何在互联网上搜索某个度假胜地或者汽车品牌,你当时搜索过的商品,是如何显示在接下来几周浏览的页面广告中的。这并不复杂。基于AI的精准数字广告策略,根据搜索、内容、位置数据中识别出来的用户兴趣,为用户提供了更有针对性的广告体验。”
>>>现在呢?
Facebook的一系列收购表明,人才之争正在升级。
RexMundi创始人Vincent Peters表示:“Elon Musk正在招募机器学习人才加入Tesla。Facebook收购Scape Technologies和Deeptide都是为了机器学习人才的,为了让机器可以从视觉上识别周围环境,直接获得那些经常使用机器学习资源的AI和ML人才。很少有企业拥有充足的、有能力理解不同类型人工智能、知道如何有效运用机器学习的人才。”
所以并购看起来是个不错的选择。毕竟,Facebook在很多领域都可以增强自己的AI实力。
“Facebook曾在F8 2019大会主题演讲中明确指出,他们前所未有的运营规模意味着必须解决前所未有的技术挑战,不仅要利用现有技术,还要突破技术现有的能力范畴。因此,我们可以想象,随着Facebook开始新的动作,全球面临前所未有的社交挑战,未来Facebook还需要填补这些空杯:要考虑付款欺诈检测、选举期间的信息真实性、在网速较慢的地区交付内容——所有这些都可以通过结合各种AI系统实现自动化和优化。”
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。