“AI正在催生全球增长的新时代,在新时代中,算力起着更为重要的作用,让所有人迎来更美好的未来”,9月19日,在2023英特尔on技术创新大会的主题演讲中,英特尔公司首席执行官帕特·基辛格(Pat Gelsinger)介绍了AI对“芯经济”(Siliconomy)的推动作用,“芯经济”指的是“在芯片和软件的推动下,正在不断增长的经济形态”。英特尔也正在其各种硬件产品中加入AI能力,并通过开放、多架构的软件解决方案推动AI应用的普及。
从定义上说,“芯经济”这个名词的意思是,“在新的全球化时代下的生活结构和方式,以及这个时代下,计算作为基石,让每个人拥有了更大的成功机会和更美好的未来”,另一方面,也指“在芯片的神奇力量驱动下不断发展的经济形态,半导体是现代经济维持规模和实现增长的关键”。此前,帕特·基辛格曾在智库The Stern Stewart Institute上发表题为《欢迎来到“芯经济”的时代》(Welcome to the Siliconomy)的客座署名文章,详细阐述了他对于“芯经济”这一概念的理解,现转载如下:
欢迎来到“芯经济”的时代
作者:帕特·基辛格,英特尔公司首席执行官
人类有一种永不满足的渴望,想要通过探索和革新不断前进。我们相互学习的能力,融合并借鉴前人思想的能力,造就了现在的世界,一个之前无法想象的世界。
我们越前进,就越需要技术。
现在,人类与技术的联系十分密切,反映了计算在现代生活中的影响力。迄今为止,计算一直是信息的来源、提高生产力的途径和娱乐的源泉。然而,计算的作用正在发生根本性的转变,它关系到经济和人类生存的方方面面。计算正在步入新时代,AI驱动的系统将被赋予自主性和能动性,帮助我们完成基于知识和体力作业的任务,并成为我们周围环境的一部分。我们需要进行投资,以推进新的、更节能的、针对特定领域的架构,如内存计算、神经拟态计算和量子计算。
芯片是万物数字化的基础。如今,数字经济占全球GDP的15%以上。过去十年,数字经济GDP的增长速度是实体经济的2.5倍。
欢迎来到我称为“芯经济”的时代
我认为每家公司都是科技公司。在新的“芯经济”时代,技术已成为成功的基准。展望未来几十年,我们将看到一切都在继续数字化,包括我们工作、学习、信仰、成长、相互联系和关爱他人的方式。
随着先进的半导体技术使人类的成就达到新的高度,世界对计算的需求也在以与芯片尺寸、成本和功耗成反比的方式呈指数增长。这就是摩尔定律(摩尔定律是指芯片中的晶体管数量每两年翻一番)。
技术是一种工具,通常是为了应对当前面临的挑战或满足需求而开发的——无论是生产力、效率还是便捷性。在信息时代的黎明,企业、学术界和政府通力合作,以个人电脑、互联网和网络的发展成果为基础,让人类形成了一个全球化社会,并将我们的世界带入了今天。我们必须再次携手合作,在技术进步处于早期发展阶段时,通过共同创造新的可能性塑造其未来,从而发挥人类自身的最大潜能。
我们要拥抱更加开放的设计,支持在标准化界面上利用异构模块实现快速创新。开放式生态系统的多样性使其在充满挑战的时期仍能保持韧性——虽然并不完美,但是能更好地在混沌中找到平衡。随着应用的增加,更多新的想法开始出现,推动进一步的应用和创新。然而,我们还必须确保技术以负责任的方式向前发展。这既来自于开发,也来自于应用。例如,AI已经开始为人类执行传统计算难以完成的任务。机器很快就会做出比人类更多的决定。我们需要确保在AI的设计中纳入由人类负责的监督和协调工作。
五大“超级技术力量”推动“芯经济”的诞生
我们进行创新、推动进步的动力创造了“芯经济”,每个人都是其中的一份子——所有人都参与了由芯片的神奇力量所推动的经济发展。
我经常谈到塑造世界,进而催生“芯经济”的五大“超级技术力量”:
1.计算:任何事物都相当于一台计算机,计算定义了我们体验世界的方式。
2.连接:每一个人和每件事物都是相连的。
3.基础设施:我们正在为数据存储和互连计算创建一条动态、可靠的路径——将无限规模与无限覆盖范围相结合,同时满足对更低延迟和更高带宽的需求。
4.传感和感知:低成本、高分辨率传感器取得了突破性进展,从边缘智能设备中获取海量数据,并与自动化、处理、推断和软件方面的技术进步相结合,赋予机器人本(human-centric)能力。人类的弱势转变为由数字化增强的优势。
5.AI:伴随着无处不在的智能化,AI将无穷的数据转化为切实可行的洞察。数据和计算使AI算法在进行预测和创造方面变得更加完善。
这些基础技术为我们架起了从模拟时代到数字时代的桥梁,深刻地塑造了我们体验世界的方式。
现在,通过高度分布式的从边缘到云的计算平台,一个经济体系正在形成。在这个日益数字化的世界中,半导体驱动着关键技术的发展。即使全球范围内的经济增长面临挑战,“芯经济”仍清楚地表明,微小的芯片对现代经济维持规模和实现增长而言至关重要。我们必须共同努力,满足下一波激增的算力需求。
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。