可持续发展关乎人类共同的未来,科技是实现可持续发展的必由之路。近日,英特尔公司制造与供应链事业部副总裁、英特尔成都公司总经理卞成刚,英特尔公司市场营销集团副总裁、中国区云与行业解决方案部总经理梁雅莉,英特尔公司副总裁、中国区政府事务董事总经理蒋涛以及北京师范大学社会发展与公共政策学院教授张强展开主题为“用‘芯’发展 共话可持续未来”的圆桌讨论。在轻松的氛围中,四位嘉宾围绕可持续发展、企业社会责任、东数西算、“双碳”目标等热点话题,探析了英特尔作为半导体科技企业如何贡献可持续未来。(视频链接:https://mp.weixin.qq.com/s/e8iqeBSyX3W_cPy2bV4-uA)
在可持续发展战略上,英特尔始终坚持减少“碳足迹”和扩大技术“手印”并重,不仅降低自身运营“碳足迹”,还携手合作伙伴应用英特尔技术减少环境足迹,同时发动员工及社会有生力量携手推动可持续发展,扩大技术“手印”。“可持续发展是根植于心中的信念,从英特尔的实践经历来讲,可持续发展已经不是一年两年的事情,而是一个几十年不断演进的故事,也是一段旅程。” 梁雅莉表示。
“减少碳足迹”指的是英特尔在自身的直接或间接的运营、供应链,以及产品的营销及使用中减少碳排放,目前已取得了一些阶段性的成绩。例如,作为英特尔可持续发展的典范,英特尔成都工厂通过对设备、工艺的改造以及芯片性能的提升,每年节电量超过400万千瓦时;在固废回收方面,成都工厂的固废回收率已达到97%;通过改造生产制造过程中工艺流程水,成都工厂每年节水超过40亿升。卞成刚表示:“英特尔成都工厂从早期就植入了可持续发展的理念。可持续发展是挑战,更是机遇,它是科技向善、改变世界的机会,更是多赢的局面。”
身为一家半导体设计和制造公司,行业中的独特位置可以让英特尔去改变业务范围之外的更广阔的世界。英特尔积极采取行动,通过技术和产业影响力,帮助其他各方来减少碳“足迹”。英特尔已经与众多行业合作伙伴、客户和供应商合作起来,在PC、数据中心、通信等领域推出各种创新解决方案,助力东数西算和“双碳”目标的实现。
在联合国17项可持续发展目标中,包括教育、医疗、就业在内的领域都被纳入其中,充分表明“人的可持续发展”是不容忽视的。除了积极推动环境的可持续发展,英特尔还采取一系列行动,以技术的力量帮助广泛的人群实现自我发展。例如,英特尔正推进人工智能教育计划,面向不同年龄段,面向不同的需求,面向不同的职业发展,设置针对性的课程,如AI for Youth、AI for Workforce、AI for Citizens等,培养新一代人工智能英才。“人的发展是英特尔可持续发展实践中重要的一环,让我们以科技为桥,以数字化跨越鸿沟,迈向可持续的未来。”蒋涛表示。
英特尔同样重视激发员工的热情,激励员工利用自己的专业知识,加快为世界做出贡献。在中国,英特尔成都工厂的累积志愿小时数已经超过41万小时。2012年,英特尔成都志愿者开始与成都康华社区发展中心合作在云桥开展湿地护理水源地保护工作,如湿地的自然护理,生物多样性数据的收集与整理,设施维护与完善,迄今已有约3000名志愿者用1.5万小时拔掉将近5000公斤的外来有害生物空心莲子草。
可持续发展是人类的未来,也是英特尔的必由之路。英特尔将继续秉持对环境的长期承诺,与产业伙伴同心协力,不断创新,共同推动可持续发展,践行宏旨:创造改变世界的科技,造福地球上每一个人。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。