在我国经济从高速增长向高质量发展的过程中,以人工智能为代表的新一代信息技术,将成为重要技术保障和核心驱动力量。大力发展人工智能技术,建设完善的人工智能产业生态,加速人工智能与产业融合,为智能经济的发展和产业数字化转型提供底层支撑是大势所趋。
5月17日,华为轮值董事长徐直军在以“因聚而生 有能有为”为主题的“华为中国生态大会2021”上发表了题为《共成长 同发展》的演讲,分享了昇腾AI生态的重要进展和未来举措。他表示,“昇腾人工智能产业越来越强大,为千行百业的智能化升级做出重要贡献。”
携手合作伙伴共建、共享昇腾产业和生态
昇腾人工智能产业加速发展,使能行业,赋能企业。徐直军表示,“2018年华为全联接大会上发布了华为全栈全场景AI解决方案,2019年8月正式宣布了AI计算框架MindSpore开源计划。发展至今,这些计划都得到了圆满的实施。”
在硬件方面,已经有超过10个硬件合作伙伴推出了基于昇腾模组、板卡的AI服务器。在开源方面,MindSpore在2020年3月如期开源,截至2021年4月底的1年多时间内,社区累计下载量超过30万,目前已经是国内最活跃的AI社区,有超过100家高校选择MindSpore进行教学。“可以说,MindSpore已经成为国内主流AI计算框架。”徐直军表示。在解决方案方面,200多家合作伙伴基于昇腾开发了260多种AI解决方案,应用于各行各业。
“总体上,昇腾生态发展符合预期。”徐直军表示。
Powered by Ascend 助力千行百业智能升级
徐直军在会上宣布将正式发布Powered by Ascend。他表示,在产品上使用了Powered by Ascend Logo,就意味着产品或软件是基于昇腾基础软硬件平台构建,代表着在AI方面的技术领先和创新,享受整个昇腾计算产业的广泛生态支持。
昇腾将首批授权35家行业伙伴,包括整机、IHV、ISV等,使能伙伴打造高质量、技术领先的人工智能服务器、工控机、应用软件等。华为将和合作伙伴一起共同引领人工智能应用创新。
徐直军表示:“未来,我们期望更多伙伴的更多创新产品都能使用上Powered by Ascend,昇腾人工智能产业越来越强大,为千行百业的智能化升级做出重要贡献。”
面向人工智能行业场景做深做透 为客户创造更大价值
2021年,昇腾生态将面向人工智能行业场景做深做透,为客户创造更大价值。为达成这一目标,华为推出了一系列举措:昇腾陆续推出制造、视觉、中文NLP、OCR、检索聚类等SDK,帮助伙伴实现场景化应用极简开发,支持应用开发工作量减少70%;加大昇腾“众智”计划力度,进一步提高算子和模型的支持能力,将发布1000多个算子和模型合作开发任务,与各高校、科研机构及伙伴一起合作,提升昇腾的行业生态满足度;大力培养人才,通过与教育部合作的“智能基座”项目,把昇腾技术融入到高校专业课程,培养AI人才;通过“昇腾优才实习计划”,联合生态伙伴,帮助AI人才与企业进行对接;通过精英训练营专项赋能企业。
未来,华为将不断升级昇腾AI生态以适应数字产业化和产业数字化的要求,促进数字经济健康发展。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。