近年来,随着移动互联网、大数据、云计算等技术的发展,人工智能大潮汹涌而来。不仅如此,国内高校人工智能专业建设和人才培养也正如火如荼,尤其是人工智能人才培养体系的建设成为各高校的重中之重。人工智能及交叉学科建设已经进入到实质阶段,无论本科院校还是职业院校,在建设相关专业时都会面临人才培养计划建设的难题,希望通过人才培养计划研讨会,探索人工智能人才培养模式。
6月28日,海云捷迅推出的“人工智能人才培养体系研讨会”重庆站活动,在英特尔® FPGA中国创新中心成功举办。此次活动,汇聚了众多高校领导、人工智能领域的老师和大咖们。
活动伊始,重庆市科技局合作处领导陆源先生热情致辞,并分享了人工智能发展正当时及人才培养探讨的必要性。随后,重庆大学曾孝平老师也为大家分享了对人工智能及人才培养的见解。
活动中,英特尔® FPGA中国创新中心总经理张瑞带来《FPGA for AI》演讲。他详细介绍了英特尔® FPGA中国创新中心,强调创新中心最主要的功能之一即是FPGA及相关专业人才培养,并为大家解读英特尔全新产品Intel® Agilex™ FPGA。此外,他再次向大家说明,FPGA智能创新国际大赛已于6月20日正式启动,并期待大家踊跃积极参赛。
大咖们共同研讨人才培养,同时对人工智能应用型人才的培养体系进行探索。电子科技大学示范性微电子学院副教授黄乐天老师、重庆交通大学信息与工程学院副院长李益才老师、重庆电子工程学院人工智能与大数据学院智能系主任胡云冰老师,分别就人工智能人才培养体系发表演讲。大咖“论剑”人工智能,畅谈人工智能+教育,聚焦并加强新一代人工智能基础理论和核心关键技术研究,加速人工智能科技创新基地、一流人才队伍和高水平创新团队建设。
人工智能与教育的结合是未来的必然趋势,当“教育”遇上“人工智能”技术,全新的教育教学方式也正在发生。
英特尔® FPGA中国创新中心运营合作伙伴——海云捷迅,全新打造的“AI•Go|智迅”人工智能实验室解决方案,正是对“AI+教育”的一次成功尝试,它可满足人工智能教学所需场景。服务于高校人工智能专业的教学、实验和新技术培训,帮助学生从AI理论学习到实践结果验证,更好地掌握人工智能领域知识。作为此次活动的压轴环节,“AI•Go|智迅”闪耀亮相。
“AI·Go|智迅”由智能终端平台、人工智能实验平台和人工智能一体机三部分组成
海云捷迅科技有限公司副总裁田亮先生,为大家讲解了《AI·Go|智迅——异构智能计算平台助力高校AI人才培养》,并现场展示智能硬件的实际应用与操作流程。
他在演讲中介绍到,“AI·Go|智迅”是由智能终端平台、人工智能实验平台和人工智能一体机三部分组成,方案基于虚拟化、容器、硬件超融、异构计算、边缘计算等技术打造,集成了教学平台、人工智能+课程资源、实训项目和课外资源。软硬一体化设计,稳定性高、故障低。
该实验平台提供FPGA等多种异构资源,支持AI+全场景开发,且运用了AI和FPGA+智能硬件的方式,可快速建构端到端的AI+平台。
它通过典型的算法展示,结合人工智能的应用场景与案例,对学生进行人工智能方面的综合训练,达到专业实验教学由点及面、理论到应用、涵盖原理验证、综合应用、自主设计及创新的多层次实验体系,提供一整套完善的教学实验环境,包括了实验的课程管理、实验环境管理等,从而支撑所有人工智能专业的教学与实践,实现在线资源的统一管理。
人工智能将是人类在智能时代的决定性力量,错失人工智能,就可能错失一个时代。在这场关乎命运的比赛中,紧抓人才培养,与产业一同成长,未来的人工智能必然大有可为。
此次研讨会“集众人之智”探索人工智能人才培养体系,为人工智能发展之路铺了一块“基石”。而在“AI+教育”的探索和践行中,“AI•Go|智迅”人工智能实验室解决方案的出现,无疑是一个强大的“助推器”。我们深信,在未来人工智能教学的所需场景,必将会看到更多“AI•Go|智迅”的身影。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。