随着安防行业进入到以视频为核心的大数据分析阶段,厂商产品之间的同质化现象日益突出,智能化成为安防行业新的竞争制高点。以前需要专门的人员24小时不停地盯着监控画面,而现在大部分监控都是自动化的,发现可疑行为的时候会通知安全人员,大大降低了工作量;以前通过视频监控找一个丢失孩童,无异于大海捞针,而现在龙岗公安通过人脸识别技术,五个月内协助破获了几十起重要刑事案件并寻回多名走失儿童,上述案件一并带破的串案、并案达到近百宗。
在人工智能领域,华为一直颇为低调,但低调并不意味着没有重大投入,华为在这方面是有大格局与大视野的。2012年,华为诺亚方舟实验室成立于香港,开启了华为在人工智能领域的探索,而诺亚方舟的上层组织就是神秘的“2012实验室”,是华为的总研究院,包括中央硬件工程学院、海思、研发能力中心、中央软件院等。由此可以看出华为在人工智能领域早有布局,是一个名副其实的“老司机”,但为什么华为在人工智能领域的“声音”好像没有BAT来的火热呢?其实这跟华为对待人工智能的应用策略有莫大关系。
任正非曾在诺亚方舟实验室座谈会上表示:华为的人工智能要自己的狗食自己先吃,自己生产的降落伞自己先跳,基于华为巨大的网络存量,现阶段人工智能要聚焦在改善华为的服务上,人工智能可以首先在服务领域发挥作用,世界上还有哪个公司有这么大的业务量和数据量与我们比拼?通过在服务上的积累和改进,若干年后就可能产生世界上最强的人工智能专家。华为的人工智能研究可分为三个部分,第一部分是基础理论研究;第二部分是做使能器来改造华为的流程管理;第三部分就是做人工智能相关的产品,对外赋能。
由此可以看出,华为在人工智能领域的研究有大投入但并不激进,目标很明确,层次很清晰,其中一个很重要的模块就是通过人工智能来优化华为的管理流程,提高研发及管理效率;其次是做人工智能产品,解决客户的问题。也就是说,华为其实相当于拿自己当“小白鼠”进行人工智能实践,自己成功了,再向外推送。这符合华为“以客户为中心的”价值主张,比如华为企业通信相关产品最开始也是解决华为全球化进程中不同部门的沟通问题,后来客户觉得好才开始慢慢对外销售的。
两方面可以看出华为在人工智能领域的动态:一个是华为手机在AI应用方面的进展,包括发布的AI手机荣耀Magic、华为Mate 9、华为Mate 10,开启了终端AI商业化元年;而另外一个则是华为视频监控在人工智能领域的不断投入,比如华为与衡阳成立了华为(衡阳)联合创新实验室,将共同进行基于视频大数据、人工智能、视频分析、神经网络等技术的联合创新开发,共同致力于衡阳平安城市等信息化领域建设。
创新中心揭牌仪式
华为(衡阳)联合创新实验室揭牌
除了与客户在人工智能领域进行联合创新外,华为也与业界顶尖的人工智能公司通力合作,比如云天励飞、依图、商汤、旷世等。在华为的开放云平台上,生态合作伙伴的各类视频分析算法,让华为的平台如虎添翼,全面支撑公共安全视频实际应用,使能视频应用快速创新,为城市安全带来全面的保障。因为华为深知“独行快,众行远”,华为选择的是后者,致力于让更多的视频应用玩家一起共同打造新的视频生态环境。
如果想了解更多华为安防在人工智能领域的探索,欢迎参加在青岛国际会展中心于3月22日—23日举行的华为中国生态伙伴大会2018。
华为中国生态伙伴大会2018
3月22日-3月23日
青岛国际会展中心
与您相约,不见不散
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。