Confidential Computing Consortium (机密计算联盟)组织今天表示,将新增10家成员企业和机构,推动数据在使用过程中的加密方式标准化。
这个得到Linux基金会支持的组织表示,这次新加入的成员包括埃森哲、AMD、Facebook和Nvidia等知名企业,以及Anjuna Security、Anqlave、Cosmian Tech SAS、iExec Blockchain Tech SAS、IoTeX和R3 Technologies等鲜为人知的初创公司。
该联盟正致力于是先数据加密的标准化,确保数据在内存中处理的同时能够被加密,而不会暴露给计算机系统的其他部分。尽管对静态数据和传输中的数据进行加密所使用的方法已经广为人知,但仍然无法可靠地保护这些信息被实际使用过程中的安全性。
因此该联盟正在开发一种名为Open Enclave Software Development Kit开源框架,从而改变现状。这种框架可以用于构建Trusted Execution Environment(TEE),针对那些运行在多种计算架构上的应用。
TEE指的是计算机芯片的一个安全组件,可以加密其中所装载的数据和代码,让处理器的其他部分无法访问这些数据和代码。TEE所做的实际上是创建隔离的执行环境,对使用中的数据实施保护。该联盟希望Open Enclave SDK将成为构建可利用TEE应用的一个通用框架。
该联盟表示,新加入的成员都拥有独特的专业能力,将有助于实现这一目标。
该联盟理事会主席Stephen Walli表示:“在过去五个月中,我们新增了10个成员企业,包括全球最大的社交网络、杰出的咨询公司、领先的半导体制造商、以及图形处理领域的先驱。”
该联盟是由微软在2019年创立的,其他创始成员还包括阿里、Arm、百度、IBM、Red Hat以及腾讯。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。