近期,英特尔携手戴尔、美国社区学院协会(AACC)推出人工智能孵化器网络,这是英特尔AI for Workforce计划的一项新举措,旨在通过充分利用美国社区学院协会的专业知识和系统,在美国各地设计并建设人工智能实验室。目前正向有意加入人工智能孵化器网络的社区学院开放申请,这些社区学院可以设计和建设自己的人工智能孵化器,如实体实验室、虚拟平台上虚拟实验室或两者相结合等多种形式。
英特尔执行副总裁兼客户端计算事业部总经理Michelle Johnston Holthaus表示:“英特尔携手美国社区学院协会、戴尔在美国建设新兴技术教育孵化器,旨在让学生有更多途径获取急需的人工智能技术技能和培训。该项目是下一代美国技术人员、工程师和发明家扩展创新思维的起点,将助力他们在数字经济的各个领域开启全新的职业生涯。”
加入人工智能孵化器网络的社区学院不仅可以共同分享和讨论、交流经济发展,还能够一同制定学生参与人工智能编程的战略,共享参与项目的学院的项目课程,并汇总来自美国社区学院协会、英特尔、戴尔及其他行业合作伙伴的最佳人工智能孵化实践。这些实验室还将助力学生拥有更便捷地获取人工智能设备、工具和资源的途径,并培养未来工作所需的技能。
与此同时,该计划还将选出10所大学,并在12个月内为每所大学提供4万美元拨款,用于建设人工智能实验室。
自2020年推出AI for Workforce项目以来,英特尔已经将其扩展到18个州的31所学校。人工智能孵化器网络计划将迅速扩展AI for Workforce计划,并为更广泛的社区学院系统带来优质、公平的教育资源。
在一项由英特尔和戴尔联合出资协助的2021年EdScoop调查中显示,高等教育官员认为,人工智能培训供不应求,高等教育机构目前没有能力满足对人工智能培训的需求。其中,53%的受访者表示,人工智能将是未来三年教学需求增长最显著的科目。而50%的受访者则表示,他们希望得到同行机构联盟或协会的支持。
美国社区学院协会将对选择参加该项目的学院支持人工智能孵化器网络的实施。同时,作为全国社区学院的代言人,美国社区学院协会为近1,200万多元化学生提供教育和经济机会。
此外,戴尔将为选定的10所学校提供技术专业知识,使其能够配置用于面对面、在线和混合方式教学的人工智能实验室。戴尔积极参与英特尔AI for Workforce计划与其致力于实现2030年社会影响力目标(Progress Made Real)的愿景是一致的,即:通过提供支持人们充分发挥其潜力的教育和技术而改变生活。
与此同时,英特尔将提供40万美元资金。这也是英特尔RISE科技计划(IRTI)的一部分,该计划将持续关注和资助与医疗、教育和经济相关的项目,并为社会公平、无障碍和气候行动提供全新专门的工作流程。英特尔已承诺扩大数字化就绪,将触达30个国家的30,000个机构的3,000万人。这一承诺是英特尔2030年目标和全球影响力挑战的一部分,强调了英特尔的目标是让技术充分包容,并将数字化就绪扩大到全世界。英特尔企业责任对积极的全球影响力承诺蕴含在其宏旨中——创造改变世界的科技,造福地球上的每一个人。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。