谷歌云在人工智能领域再次发力,今天宣布了两项面向数据科学家和医疗专业人士的重要新功能。
对于数据科学家,谷歌推出了一个新的 AI 代理,承诺将为数据科学和机器学习项目的数据分析提供强大支持。而医疗专业人士则将获得扩展的多模态搜索功能,以协助患者诊断和治疗规划。
首先,谷歌实验性项目孵化器 Google Labs 宣布在 Google Colab 中推出新的数据科学代理,以帮助软件开发者分析数据。
Google Colab 是一个免费的基于云的 Jupyter Notebook,开发者可以用它来编写和执行基于 Python 的代码,用于数据科学和机器学习任务。公司表示,通过在 Colab 中集成的数据科学代理,开发者可以将原本需要数周的数据研究和分析时间缩短至数分钟,从而大大加快应用程序的开发速度。
该功能由谷歌最先进的大语言模型 Gemini 2.0 驱动,旨在消除数据分析中繁琐的设置任务,如导入库、加载数据和编写样板代码。用户只需用自然语言描述想要进行的分析,然后静待 AI 驱动的数据科学代理呈现所需的洞察。
"今天,我们很高兴向所有 Colab 用户推出数据科学代理," Google Labs 在博客文章中写道。"这项功能允许用户通过简单的自然语言描述生成完整的、可运行的 Colab notebook。"
Google Labs 解释了使用方法的简便性。用户只需打开一个空白的 Colab notebook,上传数据,然后在 Gemini 侧边栏中描述他们想要进行的分析或想要构建的原型。比如简单地说"可视化趋势"或"构建并优化预测模型"即可。
完成后,数据科学代理将生成一个功能完整、可执行的 Colab notebook,其中的代码可以轻松定制以满足特定需求。
根据 Google Labs 的说法,数据科学代理已从早期测试者那里获得了很好的反馈。其中包括劳伦斯伯克利国家实验室的一位数据科学家,在研究全球热带湿地甲烷排放的项目中,他估计这个工具帮助将近一周的数据分析工作压缩到仅仅 5 分钟。
面向医疗专业人士的多模态搜索
在其他 AI 新闻方面,谷歌云宣布为其医疗平台的 Vertex AI Search 工具更新了一项名为视觉问答 (Visual Q&A) 的新功能,使用户能够更轻松地搜索表格、图表和图示,并询问其中的数据。
该公司解释说,Vertex AI Search 医疗版本中的新多模态搜索功能将通过提供更全面的患者健康视图来帮助医生、护士和其他医疗专业人士。
Vertex AI Search 医疗版是为医疗行业量身定制的 AI 搜索工具,旨在帮助临床医生从复杂的健康记录中检索信息。多模态 AI 指的是能够处理和整合来自不同来源的信息的技术,包括图像、视频和文本。
谷歌指出,这在医疗领域尤为重要,因为近 90% 的医疗数据都以图像形式存在,如 X 光片、扫描和照片。通过将图像数据与传统医疗文件中的书面记录和文本相结合,Vertex AI Search 医疗版可以帮助做出更准确的诊断,并帮助提出更个性化的治疗计划,改善患者预后。
谷歌云全球医疗战略与解决方案总监 Aashima Gupta 表示,新的多模态功能旨在帮助临床医生更高效地工作。"多模态分析处理多样化的患者数据来源,如医学图像和基因信息,以实现更全面的理解和改进决策制定,"她说。
好文章,需要你的鼓励
英国初创公司HoloMem正在开发基于带状盒式存储和驱动器的多层全息存储技术,使用寿命超过50年,可直接插入LTO磁带库机架无需更改上游软件。该技术采用现成组件如5美元激光二极管和量产聚合物薄片,成本低廉且坚固耐用。与传统全息存储不同,它使用光学读取的磁带带而非玻璃板。200TB容量的WORM格式盒带长约100米,可实现LTO系统的无缝升级。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
OpenAI首席执行官萨姆·阿尔特曼周五宣布,公司将无限期推迟其开源模型的发布,这已是今年夏天第二次延期。阿尔特曼表示需要更多时间进行安全测试和高风险领域审查。该开源模型预计具备与o系列模型相似的推理能力,将是OpenAI多年来首个开源模型。与此同时,中国AI初创公司月之暗面发布了万亿参数的Kimi K2模型,在多项基准测试中超越了GPT-4.1。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。