至顶网服务器频道 09月28日 新闻消息(文/李祥敬):2017年9月25日至27日,作为全球人工智能领域最具影响力的盛会之一,NVIDIA在北京国际饭店举办顶级AI峰会GPU技术大会(GTC China 2017)。在活动上,NVIDIA宣布其深度学习学院(DLI)将联手腾讯及丽台科技(Leadtek),合作推出在线培训与讲师指导的线下研讨会。
通过与腾讯的合作,DLI课程将充分利用腾讯云端NVIDIA GPU的强大优势,且双方还将合作开发针对人工智能研究这一新兴领域的全新培训内容。丽台科技的DLI认证讲师将在全国范围内举办公开及闭门研讨会,开展人工智能动手实验培训。
在GTC CHINA 2017期间,经NVIDIA深度学习学院认证的讲师将针对健康医疗、金融与制造等领域内的人工智能应用,提供总计30多个小时的实操培训。这些课程覆盖生成式对抗网络、信号处理与基因组分析等主题,将针对多重应用领域中的深度学习应用,为开发者、数据科学家及研究人员提供所需的实用性经验。
NVIDIA开发者计划副总裁Greg Estes
NVIDIA开发者计划副总裁Greg Estes告诉至顶网记者,在越来越多的领域中,深度学习方面的专长将成为核心技能。NVIDIA深度学习学院发展迅速,仅在今年就有数万名学员参与到了课程之中,这也体现出市场对于可直接投入实践应用的实操培训的极大需求。
Greg表示,中国在AI领域的研究走在了世界的前沿,越来越多的研究人员在各个科学领域采用AI和GPU技术来加速解决问题。AI和深度学习技术已经进入到人们的生活和工作当中。
为了能够将世界上最为领先的深度学习和AI技术带给整个开发者群体,NVIDIA成立了深度学习学院。
“NVIDIA深度学习学院通过培训研究人员开发者以及数据科学家,用深度学习的方式来解决面临最具挑战性的问题。我们建立了很多实验室,开发了很多课程,让这些数据科学家、研究人员和开发者能够用亲身实践的方式去学习深度学习。”Greg说。
Greg还表示,NVIDIA深度学习学院拥有众多的深度学习课程合作伙伴,包括大学机构,如斯坦福大学、加州大学。还有企业合作伙伴,包括Facebook、微软和谷歌。通过和他们的合作,能够将最新最前沿的技术融入到深度学习的课程当中,并且在课程中能够用到最新的深度学习框架和神经网络。
目前,NVIDIA深度学习学院与包括AWS、Coursera、Facebook、谷歌、HPE、IBM、微软及Udacity等在内的全球技术领导者和在线培训合作伙伴开展了合作,旨在采用所有主要的深度学习框架,为开发者提供有关最新人工智能技术的培训。
“在我们深度学习课程当中会涉及到很多AI相关的技术性问题,比如图像分类和物体识别,这些场景会利用到很多AI的技术。与此同时,我们还有一些更为高级的课程,这些高级课程更多针对于某些垂直行业,比如金融、医疗、传媒和娱乐等。”Greg说。
此次,NVIDIA深度学习学院携手中国合作伙伴为开发者、数据科学家和研究人员提供人工智能动手实验培训,拓展了其在华人工智能培训计划。
Greg透露说,2018年的第一个季度,中国用户就可以通过腾讯云的开发者实验室学习到这些教程。
对于本地化的举措,Greg表示,此次GTC大会,我们也宣布了一些新的实验室课程,原来很多课程可能只有英文版本,现在也逐渐加入了一些中文课程。未来,我们也会邀请中文老师讲授新的课程。
“通过与腾讯云及丽台科技的合作,我们将深度学习的知识传播给中国的开发者。无论从课程的内容、数量、范围,还是课程的多样性上来看,都是超规模的。与此同时,NVIDIA深度学习学院计划今年在全球范围内培训10万名开发者,中国预计能够达到2万人。”Greg最后说。
好文章,需要你的鼓励
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。