当前位置 > 首页 > 社会新闻 > 正文

AI每日精选:联发科首发双载波芯片天玑1000;讯飞注册资本达22亿
  • 发布时间:2020-01-02
  • www.princesdrawingschool.org
  • 以下的新闻选自人工智能信息平台“机器专家之心”:花最少的时间看最重要的新闻

    产品应用程序

    1。领英于11月26日发布首个双模双载波5G芯片天歌1000

    机器心脏新闻。领英今日发布旗舰5G单芯片天歌1000,这是首款5G双模双载波聚合芯片,与尚友旗舰相比,5G信号覆盖率提高30%,网络速度提高一倍 它还支持WiFi6和5G+5G双卡双待机 天吉1000启动4核A77处理器和马里G77处理器。兔子V8跑510,000分,排名第一 它还带有一个新的APU架构3.0,有两个大内核、三个小内核和一个小内核。其性能是上一代的2.5倍,能效为40% 艾润芬刷新苏黎世润芬名单至56,000,排名第一

    大公司新闻

    1。科大迅飞有限公司注册资本增至约22亿

    skyview数据显示,11月25日,科大迅飞有限公司将其注册资本从约21亿改为约22亿 HKUST迅飞有限公司成立于1999年12月。其法定代表人和最终受益人是刘庆峰董事长。其业务范围包括增值电信服务和专业技术人员培训。

    2。微软和能源技术公司贝克休斯宣布人工智能合作

    工程专家表示,人工智能可以帮助公司提高效率,减少碳足迹,并帮助确保工人安全。 现在,微软正与能源行业技术公司贝克休斯(Baker Hughes)和人工智能开发商C3.ai合作,通过其Azure云计算平台将企业人工智能技术引入能源行业。 两家公司表示,他们的联盟将使客户能够简化人工智能的应用,旨在解决库存、能源管理、预测性维护和设备可靠性等问题。 微软全球业务执行副总裁贾德森阿托夫(Judson Athoff)在新闻中表示:“这是能源行业发生重大变化的时代。远见卓识的公司正在探索如何利用技术使他们的运营更加清洁、安全和高效。” “

    投资与融资

    1。智能运维产品提供商“青创科技”完成1亿元水平的第二轮融资

    11月26日消息,智能运维产品提供商“EOITEK”今年7月完成1亿元水平的第二轮融资 这一轮融资由新加坡淡马锡旗下的科技基金ST Telemedia牵头,青创现有股东包括火山石资本、袁晶资本和陈晖风险投资,多维海拓担任唯一的财务顾问。 目前,青创科技已经完成了主要重点行业灯塔客户的开发,因此本轮融资将更加注重扩大市场规模的方向。

    研究与技术

    1。新加坡国立大学的新研究,柔性软机器人的新金属材料

    最近,新加坡国立大学的一组研究人员开发了一种新方法,为软机器人生产新的金属基材料。 这种新材料将铂和其他金属与燃烧过的纸(灰)结合在一起,具有更强的功能,同时保持传统纸和塑料的可折叠性和便携性。 这种新材料的重量是纸的一半,这也使它更节能。 这些特性使得这种材料成为制造柔韧轻质假肢的有力选择。例如,使用这种材料的假肢重量比传统假肢轻60%。 这种假肢可以提供实时应变感测以反馈关于其弯曲程度的信息,从而为用户提供更好的控制和即时信息。 同时,不需要外部传感器,避免了假肢不必要的重量增加。 (《科学日报》)

    2。亚马逊研究人员使用自然语言处理数据集来改善阿列克谢的答案

    奥多比去年进行的一项调查显示,超过50%的美国智能扬声器用户说他们会询问关于他们设备的问题。 面对不断变化的智能扬声器市场,谷歌、苹果和微软等科技巨头都希望提高语音助手回答问题的质量,因此他们试图解决各自在自然语言处理(NLP)技术上的不足。 为此,亚马逊科学家最近训练了一个自然语言处理模型,它可以从一组比当前基线更好的候选答案中选择一个问题的答案。 他们表示,他们的方法“转换和调整(TANDA)”是基于谷歌的Transformer,只需少量的训练数据就能有效快速地适应新领域,同时获得比传统技术更高的准确性。 (VentureBet)

    3。斯坦福大学、京都大学、佐治亚理工学院联合开展新工作,“自动中和文本中的主观偏见”

    最近,斯坦福大学、京都大学和佐治亚理工学院联合发表了一篇新的研究论文。研究概述如下:记者、百科全书和一些社交媒体以及其他文本工作者正试图在文本中体现客观性 然而,偏见将不可避免地采取不恰当的主观性形式。通过不同的场景,真相会被预先设定,这将导致怀疑等等。 这种偏见破坏了我们的集体信任,加剧了社会冲突。 这项研究引入了一个测试生成的自然语言的新平台:自动将不适当的主观文本转换成中性观点(中性偏误文本) 我们还提供了第一个有偏见语言的平行语料库。 语料库包含180,000个句子对,维基百科的编辑删除了有偏见的句子中的各种结构、预设和态度。 最后,我们建议这项任务有两个强大的编码器/解码器基准 一个简单但不透明的并发系统使用BERT编码器来识别主观单词,作为生成过程的一部分 另一种可解释和可控制的模块化算法使用(1)基于BERT的分类器来分离这些步骤以识别有问题的单词,以及(2)嵌入新颖的连接,通过该连接分类器可以编辑跨越四个领域(百科全书、标题、书籍和政治书籍)的隐藏状态编码器 研究人员认为,这些算法是自动识别和减少偏差的第一步

    4。Quocole等人的新研究论文,“面对样本提高图像识别”

    最近,魁克尔推出了一篇新的研究论文。在题为“通过对抗样本来提高图像识别能力”的文章中,quockle和其他研究人员总结了这项研究:对抗样本通常被认为是对认知网络的威胁 在这里,我们提出了相反的观点:用正确的方法,我们可以通过使用对抗样本来改进图像识别模型。 我们建议使用AdvProp,这是一种增强的对抗训练,它使用对抗样本作为其他样本来防止过度拟合。 当模型较大时,我们证明AdvProp改进了各种模型,在各种图像识别任务中表现更好。 例如,通过在图像网上应用AdvProp和使用最新的效率网-B7,我们在图像网(+0.7%)、图像网-c (+6.5%)、图像网-a (+7.0%)、风格化背景网(+ 4.8%)方面取得了显着改进 借助增强的效率网络B8,我们的方法在没有额外数据的情况下实现了最新的85.5%的imagenet前1名准确性

    5。用图形处理器加速无监督降维算法TSNE:从小时到秒

    TSNE(T分布随机邻域嵌入)是一种流行的无监督降维算法,具有广泛的应用,包括神经病学、图像相似性和视觉神经网络。 但是它最大的缺点是在大多数可用的实现中需要很长时间来处理。 RAPIDS现在开发了一种基于图形处理器的基于CannyLab的巴恩斯-胡特方法,为图形处理器加速提供了一个快速的TSNE。 RAPIDS的cuML机器学习库中的TSNE运行速度比相应的CPU实现快2000倍,并且使用的GPU内存比当前的GPU版本少30% 一位名叫丹尼尔韩琛的机器学习爱好者在其博客中介绍了一些相关用例的例子,然后将cuML的图形处理器TSNE与scikit-learn进行了基准测试的比较。 最后,他详细解释了TSNE是如何工作的,以及如何在通用处理器上优化它。

    资阳新闻网 版权所有© www.princesdrawingschool.org 技术支持:资阳新闻网 | 网站地图