2020年7月31日,上海——今天,“智在必得,速起边缘”英特尔AI计算盒参考设计发布会在线上成功举办。发布会上,英特尔不仅推出了全新“英特尔AI计算盒参考设计”(以下简称“AI计算盒”),还发布了“英特尔中国AI生态合作伙伴算法方案集萃”(以下简称“算法方案集萃”),全面展现了英特尔在视觉技术领域、智能边缘市场卓越的产品组合,更彰显了英特尔携手生态合作伙伴利用视觉技术为城市管理、零售、工业、教育等各行各业带来的“数智化”变革。
英特尔公司物联网事业部副总裁、中国区总经理陈伟表示:“边缘计算的落地,尤其是边缘计算+AI+行业的应用模式,表明只有用贴近真实应用需求的方式,才能让边缘计算在当下数字社会生根发芽。英特尔AI计算盒参考设计,是英特尔在中国本土做的又一次尝试,我们着力发展能力型合作伙伴,协调生态关系,发挥生态的多边网络效应,协同各位生态合作伙伴,让生态发挥合力,实现真正的智能边缘进化。”
据麦肯锡预测,全球市场深度学习收入将呈现飞速增长,到2030年,AI有望造就13万亿美元的经济活动。特别是随着智慧城市、商超、交通、工业互联网等应用场景对视频数据分析需求的激增,AI与视觉技术正在加速智能与边缘计算的融合,将为汽车、互联网、教育等十余个行业的数智化变革提速赋能,助推货架分析、文本识别、热力图、车辆检测识别、缺陷检测等应用场景落地。作为边缘计算的发展趋势,智能边缘将与AI、5G关键技术转折点的相互交织,将推动智能进入新的发展拐点。
面对广阔的市场机遇,英特尔凭借产品领导力、创新方案推动力、生态构建力“三力齐发”,持续推动智能边缘、AI、5G关键技术转折点的融合创新,并依靠多种形态、可灵活部署的卓越算力,一整套软件栈,以及多点协同、广泛互联的生态协作,为加速智能边缘的开发和部署,引领智能边缘未来做好了准备。
最新推出的“英特尔AI计算盒参考设计”,针对边缘计算中,不同应用场景对算力需求灵活,并且会使用不同神经网络模型的特点,搭配了一系列软硬件的组合,来高效帮助开发人员及客户灵活选择,优化部署,缩短开发时间及成本,支持多元的计算需求和不同的应用场景。
除了完备的软硬件产品组合和出众算力外,此次发布会的另一大惊喜在于,英特尔携手小钴科技、科沃斯、云图睿视等十余家合作伙伴共同打造了“英特尔AI生态合作伙伴算法方案集萃”。它将全面展现智能边缘在市场与技术方面的发展趋势,基于英特尔架构的智能边缘平台、算法,以及英特尔与各领域生态伙伴为智慧城市、智慧零售、智慧教育、工业互联网等多元化场景打造的应用实践。
算法层面,SV(软件开发商)可实现对不同应用场景软件及算法的快速定制和场景化,加速整个产品定义、算法研发及AIoT整体解决方案的落地速度,是推动智能边缘精准落地的催化剂。此外,英特尔还与ODM/OEM(原始设计制造商/原始设备制造商)、SI(系统集成商)合力,在目标检测、活体检测、缺陷检测、视频结构化等多方面深度合作,共同驱动智慧商超、智慧城市、智慧医疗、智能检测等多领域的创新发展。
生态建设是智能边缘得以发展壮大的重要因素。未来,英特尔还将继续推进物联网合作伙伴计划,携手越来越多的行业合作伙伴,推出从原型到生产加速智能边缘的解决方案,共建AI-on-IA生态,共享智能边缘市场机会,共赢AIoT “数智”时代新机遇。
好文章,需要你的鼓励
上海交通大学研究团队利用影响函数揭示了数据特征如何刺激大型语言模型的数学和代码推理能力。研究发现高难度数学问题能同时提升数学和代码推理,而低难度编程任务对代码推理最有效。基于此,他们提出了"任务难度翻转"策略,使模型在AIME24准确率翻倍至20%。细粒度分析还显示,探索性思维行为对推理有积极影响,而数学推理偏好逻辑连接词,代码推理则强调结构化语法。这些发现为优化AI训练数据提供了重要指导。
本研究提出了"能力-难度对齐采样"方法(CDAS),革新了大型语言模型强化学习训练中的数据采样策略。与传统方法不同,CDAS通过聚合历史表现差异实现更稳定的问题难度估计,并将模型能力与问题难度动态匹配。在多个数学推理基准测试中,CDAS达到了46.77%的最高平均准确率,同时比竞争策略提高了2.33倍的计算效率。研究还证明了CDAS在代码生成任务和更大型模型上的有效性,为提升大型语言模型的推理能力提供了高效可靠的新方法。
InfantAgent-Next是一款突破性的多模态通用型AI助手,能通过文本、图像、音频和视频与计算机进行交互。不同于现有方法,它采用高度模块化架构,将基于工具和纯视觉的代理技术融为一体,让不同模型能逐步协作解决分散任务。在OSWorld视觉测试中达到7.27%的准确率,超越Claude-Computer-Use;同时在代码处理基准SWE-Bench和通用任务平台GAIA上也表现出色。其开源设计不仅提供了丰富工具集,还优化了鼠标点击定位和文件编辑功能,为AI自动操作计算机开创了新范式。
KAIST等机构研究团队提出的"覆盖原则"框架揭示了大语言模型在组合泛化能力上的基本局限。研究表明,依赖模式匹配的模型只能泛化到那些可以通过替换功能等价片段到达的输入。实验证实,两步推理任务的训练数据需求与词表大小成二次方增长,且增加模型参数并不改善这种关系;路径歧义任务会导致模型形成上下文依赖的表示;思维链监督虽能提高效率但仍受覆盖限制。研究最终提出三类泛化机制的分类法,为理解组合推理和真正系统性泛化所需的创新提供了清晰路径。