Graphcore提供全新底层硬件,助力解锁新型人工智能技术
2023年9月6日,英国布里斯托——今日,Graphcore®(拟未)宣布加入PyTorch基金会(PyTorch Foundation),从而与深度学习社区建立更紧密的联系,更好地开展开源PyTorch框架和生态系统方面的合作。
PyTorch基金会是深度学习社区在开源PyTorch框架和生态系统上开展合作的中立性场所。PyTorch基金会由其成员和PyTorch开源项目的主要贡献者提供支持。它是全球领先的开源软件、硬件、标准和数据协作组织Linux基金会的一部分。PyTorch基金会利用成员和贡献者提供的资源来实现社区讨论和合作。
早在2020年,Graphcore就发布并开源了面向IPU的PyTorch的产品化版本,把先进的人工智能计算平台和创新的框架整合在一起,向PyTorch开发人员开放Graphcore技术。多年来,Graphcore通过开发在其IPU硬件上运行的集成,为PyTorch生态系统做出了贡献。这些集成使研究人员和从业者能够在使用他们首选框架的同时,充分利用Graphcore专用硬件。
Graphcore软件框架负责人Anthony Barbier表示:“Graphcore与PyTorch的目标不谋而合,即降低人工智能从业者的入门门槛。通过支持面向IPU的原生PyTorch软件环境,我们将为开发者提供新的底层硬件,这些硬件专为人工智能设计,以帮助解锁可以提高效率或性能的新人工智能技术,并利用他们熟悉和期待的用户友好的PyTorch框架,推动人工智能研究和应用的突破。作为PyTorch基金会的活跃成员,我们期待为全球人工智能社区做出贡献并推动其发展,并为成为先期成员而感到自豪。”
PyTorch基金会执行董事Ibrahim Haddad表示:“我们很高兴PyTorch成为Graphcore平台上的领先开发框架。Graphcore在硬件和开源领域发挥了重要作用,我们期待他们继续为PyTorch做出贡献。”
未来,Graphcore将继续拥抱开源,助力深度学习社区的建设,加速人工智能技术的创新和应用。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。