近日,工信部下设的中国信通院“大数据产品能力评测”评审会圆满结束,云从科技隐私计算平台通过“联邦学习产品基础能力评测”。这标志着云从的隐私计算技术与产品再获权威肯定与认可,也再次巩固了云从在隐私计算领域的优势产品、引领标准制定等全面领先实力。
对云从来说,人工智能企业做数据平台,绝不是“不务正业”,也绝不只是做产品工具。云从在隐私计算的布局,既是公司人机协同战略的重要组成,以用户为本,保障数据安全,加速数据价值释放;也是云从前瞻未来、以科技推动产业升级的有力实践,将AI、大数据等尖端技术与产业深度融合,激活经济新动力。
随着数据成为新型生产要素,数据蕴含的价值日益受到广泛关注,隐私计算技术已成为各界公认的破解数据孤岛、隐私保护难题,加速数据价值挖掘的关键技术。云从已在技术与产品、标准制定等方面,率先深耕隐私计算领域,通过保护数据不外泄的前提下、实现数据分析计算,让数据“可用不可见”,从而推动数据安全流通与使用,释放数据价值。
中国信通院“大数据产品能力评测”,已经过6年的发展,被公认为大数据领域权威的第三方评测品牌,也是产业供给侧产品研发和需求侧采购选型的风向标。本次与云从一同过检的还有阿里、腾讯、百度、度小满等科技企业。值得一提的是,云从是过检名单中为数不多的人工智能企业。
为应对产业升级对数据的要求,充分发挥数据作为生产要素的作用,云从已从标准制定、技术研究、产品研发等多方面着手,深耕隐私计算,协同各方共同推动隐私计算的技术与应用落地:
云从成为信通院隐私计算联盟及大数据技术与标准推进委员会(CCSA TC601)的会员单位,参与联盟主导的隐私计算领域的多项标准制定与研究工作。
同时,云从还受北京金融科技产业联盟组织的邀请,参与了《联邦学习技术金融应用规范总体技术要求》和《联邦学习技术金融应用规范互联互通协议》等标准的编制工作,以及《联邦学习技术白皮书》和《金融行业隐私计算技术与应用研究报告》的编写。
深入业务场景 释放数据能量
尽管数据的重要性逐步突显,然而在实践过程中,数据的流通、使用等仍存在着诸多难点,主要包括:
1.数据产权、使用权界定难、分离难、监管难;
2.不能互联互通,数据价值难以体现;
3.数据量不足、数据维度不足、数据样本不足、数据静态,更新不足。
为破解这些应用难点,推动数据的挖掘,云从基于多方安全计算、联邦学习、匿踪查询等多项技术在内的隐私计算技术核心能力圈,推出隐私计算平台与解决方案,打造数据安全共享的基础设施,保障合规实现数据流通价值。云从的隐私计算平台具有多重优势:
1.数据交易流通过程中更加注重隐私信息保护;
2.数据交易流通中避免数据资产被数据需求方二次流转以保障数据产权;
3.新模式、新技术的应用逐渐为数据交易流通提供整体安全保障。
总结而言,云从的隐私计算平台有效解决数据开放和隐私保护的两难:在数据流通与应用过程中,通过加密方式,使“数据可用不可见”,避免了数据泄露的问题,同时挖掘与释放数据价值。
不仅在技术、标准等方面,云从在隐私计算的落地实践上也领先一步:携手各方合作伙伴,加速隐私计算等技术在智慧城市、智慧金融等场景中的应用。云从与工商银行广州分行、广州银联网络支付合作“基于多方安全计算溯源认证的跨境结算”项目入选人民银行广州分行金融科技创新监管第一批试点应用。该项目通过多方安全计算技术,在确保数据不出域的基础上,充分应用多方数据,构建溯源认证体系,降低跨境贸易结算过程中存在的信息缺失风险。
数字化发展是当下我国经济与产业升级的大势所趋。面对时代浪潮,云从正加紧脚步,用人工智能、大数据、隐私计算等前沿科技与人机协同解决方案,为社会发展注入科技新动力,成就时代发展中的科技价值!
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。