苏州工业园区人工智能产业的提质增速,与人才培养、创新研发与生态建设密切相关。8月10日,“华为云杯”2023人工智能应用创新大赛——重大联合创新路演专场成功举办。根据苏州工业园区“着力打造集产业集聚、应用示范、政策创新、社会实验为一体的综合性创新发展高地”的建设需求,路演企业聚焦“AI+医疗”、“Al+文娱 ”、“AI+制造”三大场景,与园区“1+3+N”人工智能应用体系的发展规划相适应,以场景开放为牵引,以应用示范为突破,以华为云的技术能力为基底,全面加速人工智能产业发展,为苏州工业园区的科研建设注入新动能。
活动现场,奇医天下大数据科技(珠海横琴)有限公司、苏州医朵云信息科技有限公司、美国灵线智能机器有限公司、深眸远智(苏州)信息科技有限公司、昇腾技术(深圳)有限公司、魔方医药科技(苏州)有限公司、联觉(深圳)科技有限公司、中新苏州工业园区远大能源服务有限公司、上海泓科晟睿软件技术有限公司共9家企业代表,基于人工智能技术研发成果,分别演示讲解参与路演的优秀作品与创意理念,充分展现出作为初创企业的创新技术能力与产品实力;并由SISPARK(苏州国际科技园)专家、华为专家、风投专家6位评委开展联合评审,对企业路演表现进行综合打分。
期间,路演企业与嘉宾展开热烈交流与问答,通过答疑的形式强化巩固公司创新成果,探寻新的研发机遇点;同时,在与不同行业菁英的沟通互动中,双方积极拓展人工智能产业的其他知识储备,将有助于园区内部的创新合作与共赢共生。
今年,苏州工业园区颁布2023年营商环境建设行动方案,旨在通过持续优化服务、强化权益保障、深化制度供给为办事兴业提供全链条便利环境、为创新创业营造全过程安心环境、为产业发展创造全方位宽松环境,从而以权益保护和政策优化的形式,为广大企业筑牢安全屏障,培育出一片高度适配于广大创新人才、企业准入与研发的沃土。
而作为人工智能产业的赋能平台,华为(苏州)人工智能创新中心全面整合自身技术研发能力、供应链和产业链整合能力与生态体系建设能力,持续深化底层数字能力,在开展全栈自主盘古大模型试点应用的同时,以模型算力为基础,全面加速联合创新,进一步助力企业研发、产业整合、联合创新、应用场景孵化和产业生态建设。截至目前,华为创新中心已累计赋能企业433家,切实打通了研产销全链路难点,助力苏州国家新一代人工智能创新发展试验区核心区建设。
此外,创新中心基于华为AI能力,通过开放重点技术合作领域,匹配生态体系,并联合优势企业打造行业应用解决方案,树立人工智能典型场景和行业创新合作标杆,将有助于提升企业技术创新能力,形成重大联合创新示范。随着赛事的不断推进,越来越多的优质企业与人才加入到华为同路人的道路中来,与华为并肩而行,为苏州工业园区注入新的活力,以AI赋能千行百业智能化升级。
回归大赛本身,“华为云杯”2023人工智能应用创新大赛是由苏州工业园区管理委员会、华为云计算技术有限公司指导,SISPARK(苏州国际科技园)、华为(苏州)人工智能创新中心主办,东北大学工业智能与系统优化国家级前沿科学中心、浙江大学协办的大型创新型赛事。大赛秉持“以赛促建、以赛促创、以赛引智、以赛育才”的育成目标,面向全国初创企业,特设创客赛道与企业赛道两大板块,旨在强化企业创新主体地位、推动中小企业数字化进程、集聚高端创新人才,营造人工智能产业创新集群良好生态氛围。
未来已来,华为云将持续秉持“一切皆服务”的宗旨,携手广大开发者与华为同路人,以“共创、共享、共赢”的生态理念,加速人工智能产业发展进程,为苏州工业园区的人才培养机制与创新研发水平提升增砖添瓦。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
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。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
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。