来自麻省理工学院(MIT)的研究人员开发出了能够为低功耗设备提供加密的处理器。
物联网(IoT)包括嵌入式工业传感器、智能照明和监控系统等,可为企业带来宝贵价值。
这些设备要求功耗极低,可以在低功耗广域网(LPWAN)上运行,并在过去几年中迅速进入企业、工业现场和消费领域。
但是,当没有足够可用的动力时,安全可能就会成问题,因为没有资源或手段来实施传统的安全解决方案。
例如,加密是当今物联网设备的一个难点。虽然我们的许多在线交易和通信都受到公钥密码技术的保护,但由于缺乏电力和内存,许多物联网设备无法支持单独的加密。
然而,麻省理工学院的研究人员可能已经解决了加密方面的挑战。
电气工程师和计算机科学家组成的团队开发了一种新型芯片,用于公钥加密硬连线,消费者通常只消耗功率标准协议的1/400。
此外,这些处理器进行加密所需的内存仅为普通加密的10%,研究人员说,这些处理器执行命令的速度提高了500倍。
该芯片使用所谓的椭圆曲线加密,这依赖于一系列的数学函数和曲线来提高安全性——麻省理工的芯片被设计用于处理任何曲率。
该团队将处理加密格式化和传输的数据报传输层安全协议硬连接到芯片设计中,以及能够处理额外的基于椭圆曲线的安全协议的处理器。但是,这款处理器在不用时可以关闭以提高能源效率。
此外,他们还采用了定制逆变器电路将可用的表面积提高10%,同时能耗降低50%。
Utsav Banerjee是麻省理工学院的一名研究生,他在一份记录研究报告的论文中写道:“密码学家研究具有不同属性的曲线,并使用不同的素数。关于哪条曲线是安全的、使用哪条曲线存在着很多争议,并且很多政府有不同的标准,他们站出来谈论不同的曲线。”
“借助这款芯片,我们可以支持所有这些曲线,并希望未来有新的曲线出现时,我们也可以支持它们,”Banerjee补充道。
研究结果将在本周在国际固态电路会议上发表。
9月,IBM和麻省理工学院将联合建立全新的人工智能研究中心:MIT-IBM沃森人工智能实验室(MIT-IBM Watson AI Lab),专注于人工智能、医疗和网络安全。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。