英特尔和布朗大学近日启动由DARPA(Defense Advanced Research Projects Agency,美国国防高级研究计划局)资助的智能脊柱接口项目,该项目旨在利用人工智能,帮助脊髓严重受损以致瘫痪的患者恢复运动功能和膀胱控制能力。
英特尔公司全球副总裁兼人工智能产品事业部总经理Naveen Rao表示:“在布朗大学就读博士期间,我就在研究了脑机接口及其应用。如今,在英特尔,我们正将我们的人工智能专长与布朗大学的前沿医学研究相结合,以帮助解决一项重大医学难题,即在脊髓严重损伤后如何将大脑和脊柱重新连接起来。”
在这项为期两年的项目中,研究人员将记录来自脊髓的运动和感知信号,并使用人工神经网络来学习如何刺激创后部位以传递运动指令。在布朗大学附近的罗德岛医院,外科医生将在病人脊柱受伤部位的两端植入电极阵列,并通过搭建智能旁路,最终让受损的神经实现实时信号传递。研究人员将同时使用英特尔人工智能开源软件(如nGraph)和英特尔人工智能加速器硬件来满足该应用程序的实时性需求。
布朗大学工程学助理教授David Borton表示:“脊髓损伤是毁灭性的,对于如何利用损伤部位周围的剩余脊髓神经来进行康复训练并修复受损功能,我们确知之甚少。利用英特尔的人工智能软硬件解决方案,我们首次利用损伤部位的脊髓神经信号并结合人工神经网络实时的进行信息处理并通信以恢复受损功能,这将能推进脊髓领域的研究,并加速探索全新疗法。”
人体不具备在神经纤维被切断后的再生能力。在脊髓严重损伤的情况下,大脑的电信号指令无法再到达肌肉,正是这个原因导致了人体的瘫痪。据美国国家脊髓损伤统计中心估计,美国有291000名脊髓损伤患者,每年新增病例超过17000例。其中超过30%的脊髓损伤会导致四肢完全瘫痪或截瘫。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。