9月4日, ABC SUMMIT 2018百度云智峰会在上海举行,百度与浪潮共同发布了本届大会的一款重量级产品——ABC一体机3.0,将浪潮领先的AI基础架构,与百度强大的人脸、语音、视频等通用AI和面向工业质检、金融风控等专用AI相融合,并无缝对接百度ABC STACK,提供多达110多项AI开发功能,通过开箱即用、开箱即开发的便捷方式,轻松赋能行业用户强大的AI业务支撑与开发能力,加速提升行业AI落地进程。
共同的愿景:赋能行业AI
ABC SUMMIT百度云智峰会是由百度云主办的云计算行业顶级峰会,旨在打造ABC产业和技术应用领域最具影响力的行业大会。本届峰会重点展示了百度云在各行各业的成功应用,力求通过“最落地”的智能化解决方案,治愈全产业数字化转型“焦虑”。
作为百度在AI计算领域最重要的合作伙伴,浪潮与百度有着相同的愿景,希望通过AI 计算硬件平台不断创新研发、AI 系统管理流程高效实现、AI 框架持续优化以及 AI行业应用加速,以全栈式的AI基础架构产品及解决方案,加速AI赋能行业。目前,浪潮AI服务器的市场份额达到57%,广泛应用于金融、互联网、安防、能源、医疗、教育等领域。
ABC一体机3.0:AI开箱即用即开发
ABC一体机3.0在大数据一体机、训练一体机之上,集成了更多的AI能力,包括人脸、语音、视频、NLP等通用AI和面向工业质检、金融风控的专用AI,实现开箱即用。更重要的是,ABC一体机3.0实现了与ABCStack的无缝对接,可通过API形式提供多达110项的AI功能,使行业客户不仅能够开箱即用,更实现开箱即开发,更好地满足定制化和场景化需求,大幅加速和提升行业AI落地进程。
同时,面向应用场景对产品进行更细致的功能划分,以及更加广泛的产品适用范围,是ABC一体机3.0的两项新特性。而在硬件平台方面,ABC一体机3.0由浪潮SR-AI整机柜、AGX-2、GX4、NF5280M5-V等多样化AI计算硬件升级加持,单台计算节点可以提供2-64个不等的异构加速卡,覆盖从数据处理到模型训练再到线上推理的AI核心流程,方便客户根据实际的AI业务类型灵活选择。
浪潮集团AI&HPC总经理刘军表示:“ABC一体机3.0将成为浪潮打造行业AI新生态的核心产品,成为承载、赋能、连接生态伙伴与行业客户的立足点。浪潮将在与百度保持紧密合作的基础上,通过合作伙伴体系的导入,为ABC一体机3.0赋予更丰富的AI开发与应用能力,以满足更多行业对AI技术的应用需求。”
赋能行业AI的成功典范
ABC一体机的背后,蕴含着浪潮与百度对未来AI发展趋势的思考与行动。AI无疑是未来十年最大的产业机会,虽然现在非常多的AI领导公司主要来自于互联网企业,但传统行业用户的AI转型需求尚未完全激活爆发,如同冰山还未浮出海面的90%,行业AI将是万亿级别的超级市场机会。怎样才能发掘如此巨量的市场,其实只需要遵循一个简单的商业逻辑:找到用户痛点,且能够提供行之有效的产品或服务。
AI技术潜藏的价值已毋庸置疑,但如何将AI与业务融合并演变为一种新的能力?支撑AI业务运行的基础设施该如何构建?怎样才能拥有AI开发能力,促进业务持续进化……凡此种种,无时不在困扰着众多的行业用户。而ABC一体机的问世,则是浪潮与百度对赋能行业AI所交出的答卷,它将百度在AI技术和应用上的积累以及在AI开发能力上的开放,与浪潮在AI计算领域的领先能力予以结合,形成了一揽子的“交钥匙工程”,极大的降低了行业用户应用AI技术的门槛。
事实上,ABC一体机已成为赋能行业AI的成功典范。基于ABC一体机的钢包质检解决方案已在北京首钢自动化信息技术有限公司得到应用,10000张钢材照片的整体缺陷识别分类准确率达到99%以上,比人工专业检测的准确率更高,为解决钢铁企业的质检提供了近乎完美的IT解决方案;基于ABC一体机的人脸闸机已在景区(与票务系统关联)、企业考勤、罪犯抓捕、小区安防等领域得到了推广和应用,不仅可实现高达99.99%的精准识别率,并且活体识别检验技术也有效确保了使用照片和视频无法“蒙混过关”。
随着深度学习与机器学习技术的持续发展,AI应用将迎来横向扩展的快速发展时期,基于语音识别、图像识别、自然语言识别等基础性AI能力,将衍生出越来越多的细分业务和应用场景。浪潮与百度通过JDM模式联合开发的ABC一体机,以端到端软硬一体的方式,很好的打破了制约AI应用的技术门槛问题,无疑会迎来更广阔的市场空间。
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。