在滑铁卢大学攻读系统设计工程博士学位期间,Alexander Wong没有足够的资金购买其计算机视觉实验所需的硬件。因此,他发明了一项使神经网络模型更小、速度更快的技术。
Sheldon Fernandez回忆道:“Alexander Wong当时正在做项目演示,有人对他说‘嘿,你的博士研究很酷,但你知道吗,你真正的秘密武器,是你为了完成博士研究而发明的技术!’”。
现在,Fernandez和 Wong分别是DarwinAI的首席执行官和首席科学家。而DarwinAI是一家位于加拿大安大略省滑铁卢的初创公司,现在正将那个“秘密武器”商业化。同时,英特尔正在帮助DarwinAI,全面提升从数据中心到边缘应用程序中的软件性能。
DarwinAI首席执行官Sheldon Fernandez(第一排中间穿黑色夹克的男士)与员工合影。
DarwinAI是一家总部位于加拿大安大略省滑铁卢的AI软件初创公司。
在介绍DarwinAI的策略时,Fernandez表示:“我们首先使用其他形式的人工智能,从基础上探索、理解神经网络。在建立对神经网络的复杂了解之后,我们再次使用人工智能技术创建一个全新的神经网络家族,使它与原来的神经网络具备同样优秀的性能,但规模更小,并且能够被解释。”
“原理的可解释性”非常重要。Fernandez指出,人工智能面临的一个重大挑战是“对于设计者而言,人工智能的工作机制并不透明”。如果不知道人工智能应用程序的工作原理及决策原理,开发人员很难提高其性能,或者诊断出问题所在。
比如,DarwinAI的一个汽车客户想要排除一辆自动驾驶汽车的故障——当天空出现某种紫色时,这辆汽车会出现奇怪的左转倾向。DarwinAI的生成合成平台(Generative Synthesis)解决方案帮助客户团队了解到,汽车行为受到了在内华达沙漠中所进行的特定转弯场景训练时的影响,训练时的天空恰巧是那种紫色。
Fernandez解释说,也可以这样理解生成合成平台(Generative Synthesis):想象该人工智能应用程序观察到一栋人类设计的房屋,记录其建造轮廓,然后设计出了更坚固更可靠的全新房屋。Fernandez说:“因为这是人工智能,它具备人脑无法比拟的效率。这就是我们对神经网络的应用。”(神经网络是一种将复杂任务分解为大量简单计算的方法。)
英特尔不仅致力于让所有人都能使用人工智能,并使人工智能速度更快、更易使用。 通过英特尔人工智能创建者项目,英特尔与DarwinAI合作,将生成合成平台(Generative Synthesis)与英特尔OpenVINO工具包以及其他英特尔人工智能软件组件加以结合,实现数量级性能提升。
在最近的案例研究中,基于英特尔至强铂金8153处理器,使用生成合成平台(Generative Synthesis)与面向英特尔架构优化的TensorFlow相结合构建的神经网络,在ResNet50和NASNet这两种流行的图像识别工作负载上,能够提供比基准测试分别高达16.3倍和9.6倍的性能提升。
英特尔机器学习性能副总裁兼总经理Wei Li表示:“英特尔和DarwinAI多次合作,以优化和提升多种英特尔硬件上的人工智能性能。”
Fernandez指出:“两家公司的工具相互辅助:通过DarwinAI的工具获得真正优化的神经网络,同时通过OpenVINO和英特尔工具集将其安装到设备上。”
通过这种结合,可以提供紧凑、精准同时适配部署设备的人工智能解决方案。随着边缘计算的兴起,这种技术正变得至关重要。Fernandez表示:“边缘人工智能会越来越多。可以预见,未来两三年,智能边缘将成为最热门的话题之一。”
疫情期间,对新型冠状病毒的讨论是当前的焦点。DarwinAI本周宣布:“我们已经与滑铁卢大学VIP实验室的研究人员合作开发了COVID-Net,这是一种通过胸片检测COVID-19的卷积神经网络。”DarwinAI目前已经在GitHub上开源了源代码和数据集。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。