美国红十字会及其“缺失地图”项目(Missing Maps project),正与英特尔共同应用人工智能技术绘制发展中国家易受灾地区的地图,以帮助其防灾备灾。在2019年,英特尔数据科学家构建了一个计算机视觉模型,该模型能够识别乌干达卫星图像上先前未被标记的桥梁和道路。
“对红十字会的工作人员而言,在防灾规划和紧急响应过程中,精确的地理信息极其重要。但世界上有些地区还未被标记在地图上,这给防灾规划和灾害响应造成了极大的困难。正因如此,我们与英特尔携手,运用人工智能技术绘制易受灾地区的地图,标记道路、桥梁、建筑物和城市。”——Dale Kunce,“缺失地图”项目联合创始人、美国红十字会Cascades大区首席执行官
根据缺失地图项目的数据,世界各地每年有近2亿人受灾。很多灾区并未标记在地图上,这导致应急响应人员缺少必要的信息,以快速制定救灾决策。
卫星图像有时不易辨识,并且各个国家的桥梁和基础设施不尽相同。人工智能模型增强了制图能力,可以覆盖更广泛的区域,并捕捉人眼难以察觉的事物。例如,该模型在乌干达南部发现了70座桥梁,而这些桥梁在“开放街道地图”(OpenStreetMap)或乌干达统计局官方地图中均未找到。
这一计算机视觉模型运行在第二代英特尔至强可扩展处理器上,该处理器内置了英特尔深度学习加速技术(DL Boost)和nGraph编译器。
尽管英特尔并不享有该数据集的全部权利,但正在寻求将该数据集作为开源资源提供给研究者和地理空间专业人士的机会。此外,英特尔还将召开研讨会,探讨如何将卫星图像和AI技术用于人道主义实践,从而充分利用为该项目开发的数据集和代码库。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。