近日,人工智能初创公司Humane发布了一款可穿戴式人工智能虚拟助手的物理设备。AI Pin是一种领口别针式的设备,用户佩戴后轻按即可与虚拟人工智能助手交谈。它配备了聊天机器人ChatGPT,并通过微软拥有云计算能力。埃隆·马斯克也把生成式AI接入了X(原推特)平台,Grok可以回答几乎任何问题,甚至能启发用户提出问题。此外,这个人工智能模型“有智慧,还有一点小叛逆”,所以它的使用者最好不是讨厌幽默的人。
工业和信息化部等四部门近日发布了关于印发《新产业标准化领航工程实施方案(2023─2035年)》的通知,主要聚焦新兴产业与未来产业标准化工作,形成“8+9”的新产业标准化重点领域。其中,新兴产业聚焦新一代信息技术、新能源、新材料、高端装备、新能源汽车、绿色环保、民用航空、船舶与海洋工程装备等8大领域;未来产业聚焦元宇宙、脑机接口、量子信息、人形机器人、生成式人工智能、生物制造、未来显示、未来网络、新型储能等9大领域。

11月26日,在清华大学未来媒体实验室,清华大学继续教育学院党委书记刁庆军,清华大学机械工程系教授刘辛军,新闻学院教授、博导沈阳,清华大学机械工程系研究员、清华天津装备院常务副院长何永勇出席了“新产业发展与技术转移加速器(湛蓝计划)”。活动由清华大学继续教育学院和清华大学新闻与传播学院承办。四位老师与学员代表们一起讨论机器人前沿技术发展、元宇宙与AIGC发展,以及技术转移转化要点,探究新时代下人才培养方向。清华大学继续教育学院个人数字化学习中心李璇主持论坛。
刁庆军一直关注终身学习和人才培养,在致辞中指出数字化转型对继续教育事业的重要意义,元宇宙、生成式人工智能是“已来的未来”,正在深刻改变人类社会生活和工作方式。
刘辛军为大家进行机器人技术发展趋势分析,尤其是共融机器人发展现状和前沿,围绕“与环境共融”的大型复杂构件机器人加工新方法,为大家介绍了机器人创新和代表性成果。
沈阳进行了元宇宙与AIGC前沿分析。他为大家介绍了AIGC背景下的元宇宙发展新趋势,并通过生动翔实的案例分析了元宇宙在工业、祭祀、服装、新闻等多个领域的应用场景,以及AIGC加持下的元宇宙发展新趋势。他强调,要采取积极治理措施,引导科技向善。
何永勇进行了技术转移转化与案例分享。他详细介绍了科技成果转化的困境和模式,并以多个转换实践公司为案例,分析了新型研发机构在科学研究和产品开发之间发挥的重要作用。
论坛现场还为元宇宙青蓝计划二期和技术转移转化能力提升研修班学员代表颁发了学习证书。
随后,李璇公布了新产业发展人才体系及湛蓝计划调研方案。清华大学继续教育学院联合清华大学新闻与传播学院,结合产业实践案例,帮助企业和个人更从容地应对发展变局,更全面地提升发展格局,为中国数字经济的发展助跑加速。在国际高校的继续教育领域,青蓝计划是具有先发优势的行业引领性项目,在未来产业发展方面,AIGC蔚蓝计划致力于培养生成式人工智能科技人才,深蓝计划致力于培养具有未来产业布局前瞻视野的企业家领军人才。为进一步落实国家“十四五”规划,深入实施创新驱动发展战略,今年继教学院还推出了推动产学研深度转化的“技术转移转化能力提升项目”。
从宽口径的青蓝计划,到厚基础的蔚蓝计划,再到创新为先导的深蓝计划,以及促进科技成果转化的技术转移项目,一年多时间里,通过线上+线下的学习模式,累计培养了近600名专业技术人才。我们始终坚持服务国家数字经济发展,充分发挥清华学科优势,为我国科技领域人才培养工作贡献更多清华力量。学院即将推出“新产业发展与技术转移(湛蓝计划)”,融合多个院系产学研资源,助力大家深度布局新兴产业和未来产业。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。