Cohen。在博士期间，杨植麟用4年时间完成了一般6年才能完成的博士课程，并连续作为第一作者发表了两项关键研究成果——Transformer-XL和XLNet。Transformer-XL

细分领域下的领导者产品象限。结合该公司股权信息及多方渠道确认，该公司最近进行完一轮股权架构变更，华业天成刚刚入股，占大约10%的股份。值得一提的是，与北京纪元数科这公司名紧密相关的纪元

科技评论获悉，离开光年之外的袁进辉“再创业”又有新动向。2024年还没过去两天，一个名为“硅基流动”的公众号悄然上线，而这也是袁进辉在

年十分领先、创新，得到了一众微软高层如王永东、陆奇的欣赏与支持。景鲲负责小冰的技术研发，一度在多轮对话的生成上碰壁，最后无奈找到了微软亚洲研究院的自然语言计算（NLC）组，希望两边能合作。当时

photos经过多轮测试，百度文库将PPT生成时间从天级缩短至秒级别。也就是说百度文库在一分钟之内就能完成打工人一天的工作量。对比一下，如果是手动制作一份

与早一期的版本也有极大的进步。提示词是“雾蒙蒙的森林里，地面非常泥泞，一场自行车比赛正在进行，一个粉红色的小丑骑着用奶酪做成的自行车，和跟熊猫击掌，熊猫很生气。”在

Landing.ai，担任公司的首席执行官。早在2012年，吴恩达向谷歌提出，建议谷歌使用大量的算力训练神经网络，那时很多人不理解这一建议，但吴恩达表示，“从那时起，自己便对

Thacker等，黄学东是首位入选华人科学家。2020年，黄学东的微软生涯迎来巅峰：微软开始重视云计算与人工智能的结合，成立了

交换认知，互通有无。更多内容，点击下方关注：未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

应用者的回答，接入多元大模型，沉淀自家小模型。作者丨何思思编辑丨林觉民“卫瓴成立前夕，甚至公司和产品都不知道是什么时候就有了小微这个形象，”卫瓴科技创始人杨炯纬如是说。卫瓴成立于2020年，从时间来看，较国内其他主流CRM

年春节前夕，李彦宏特地抽出时间，在北京接见了一位从硅谷飞来、在国内名不见经传的技术青年。这人三十来岁，戴着黑框眼镜，圆脸，个子不高，但口中所言句句都让李彦宏兴奋不已。这个人，就是时任硅谷NEC

作者丨何思思编辑丨林觉民走进融新科技中心A座23层，映入眼帘的是绿植、野营桌椅帐篷，在如此轻松的环境下，雷峰网见到了APUS创始人李涛，他着一身休闲装，显得尤为放松。对谈前，他用八个字总结了创办APUS的心路历程——“享受过程、追求快乐”，对谈过程中，也始终强调着“快乐”的重要性。一场对谈下来，他口中有关“创业压力、至暗时刻”的抱怨很少，更多的是应对变局时的从容淡定。雷峰网从侧面了解到，APUS在选择办公地址时通常首选高层，原因是窄小的格子间只会给程序员带来压迫感，毫无快乐可言，高楼层视野开阔，可以让程序员们员工心胸更宽广。站在APUS办公室的窗前能看到北京最高的建筑“中国尊”。李涛是国内最早一批接触到大模型的人之一，早在2019年，他就和字节跳动创始人张一鸣、红杉中国创始人沈南鹏在硅谷见了OpenAI创始人Sam

MMLab、是商汤科技创始人汤晓鸥的得意门生，2007年从英国博士毕业后曾先后任教于香港理工大学、新加坡南洋理工大学、澳大利亚悉尼科技大学等知名高校。2020年11月，京东成立京东探索研究院（JD

2023/3/19更多内容，点击下方关注：未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

大牛有两条发展路径：一是从工业界回到学术界，二是从大厂离开、自己创业，担任CEO或CTO等要职，并持续从风险投资人处成功获得融资。就在半月前，亚马逊机器学习部门原杰出科学家/VP

Scientist），从CMU重返工业界。所以，这次短暂的、并不算很成功的创业之旅就此终止，李沐也总结了一些教训和经验：团队和技术强是一方面，更重要的是要把产品做好。在这时，李沐收到了Jeff

从语言模型角度看，ChatGPT

大模型只是中间状态，开源的大模型技术生态才是未来。作者

人才重新拉回了大众视野，重申纯粹科学研究的重要性，势必将掀起一轮新的人才争夺战。同时，也会提高大厂对大模型、计算资源等基础设施的重视，加快底层技术能力的追赶和补齐。正如前搜狗

作画产品中脱颖而出的「盗梦师」（现改名为「造梦日记」），正是出自蓝振忠团队。蓝振忠本科从中山大学毕业，博士在卡内基梅隆大学就读，期间研究计算机视觉，后来去谷歌工作时转到自然语言处理方向，依托谷歌的

2022年末的全国性新冠疫情和兔年春节接踵而至，为了深入理解新冠疫情和最新防疫政策对民众幸福感和日常生活的影响，深圳市人工智能与机器人研究院及香港中文大学（深圳）校长讲座教授贾建民、清华大学文科资深教授薛澜和博士生袁韵、香港大学副教授贾轼等组成的研究团队再次开展春节幸福感与新冠感染的全国性问卷调查，并应用可解释性机器学习模型（EBM，Explainable

的谷歌学术被引用量已超过5.1万次。个人主页：https://scholar.google.co.jp/citations?user=PLJ0L4QAAAAJ&hl=zh-CN&oi=aoRisto

陈彩娴机器学习领域的研究进展迅速，研究者既要及时跟进最新研究，也要不时地回顾经典。寒假开始，各位机器学习er在度假之余，想必也不会忘了自己卷王的身份。最近，Github上出现了一个名为“ML

作者丨张俊林本文经授权转载自知乎：https://zhuanlan.zhihu.com/p/597586623?utm_campaign=shareopn&utm_medium=social&utm_oi=37478916423680&utm_psn=1595705313004679168&utm_source=wechat_timeline&s_r=0&wechatShare=1&utm_id=0ChatGPT出现后惊喜或惊醒了很多人。惊喜是因为没想到大型语言模型（LLM,Large

作者丨教授老边随着越来越多的开源软件、微服务架构的出现，所有的软件都在宣称自己是高性能的，大量的软件在滥用市场宣传混淆视听，把完全不具备高性能特征的系统鼓吹成无所不能，这让大众很难甄别出哪些是真材实料，哪些是狗皮膏药，哪些是滥竽充数。更有别有用心的厂家，打着符合国际、国内标准旗号的发布的颠倒黑白的性能评测报告——例如某互联网大厂与另外一家同城的图数据库创业公司就先后鼓吹自家的图数据库系统性能全球第一，但实际上所有测试结果都采用接口预先封装的模式，无论多复杂的查询逻辑，结果永远是几毫秒返回，既无查询语句，也没有查询结果的正确性验证，这就属于典型的盗名欺世。那么，有没有什么便捷的方式来甄别一款图数据库是真正具有较高的性能呢？提供以下锦囊要诀：是否采用原生图存储？是否采用原生图计算？是否采用原生图查询与优化器？是否支持高并发图查询、操作、分析、算法？关于前两点，我们用几个例子来直观的说明。以开源的图数据库项目JanusGraph为例，它就是用典型的外接第三方的存储引擎作为底层，但是在具体的图数据加载、查询与分析时效率非常低下。类似的Oracle

香港中文大学（深圳）吴保元教授课题组和浙江大学秦湛教授课题组联合发表了一篇后门防御领域的文章，已顺利被ICLR2022接收。近年来，后门问题受到人们的广泛关注。随着后门攻击的不断提出，提出针对一般化后门攻击的防御方法变得愈加困难。该论文提出了一个基于分割后门训练过程的后门防御方法。本文揭示了后门攻击就是一个将后门投影到特征空间的端到端监督训练方法。在此基础上，本文分割训练过程来避免后门攻击。该方法与其他后门防御方法进行了对比实验，证明了该方法的有效性。收录会议：ICLR2022文章链接：https://arxiv.org/pdf/2202.03423.pdf代码链接：https://github.com/SCLBD/DBD1背景介绍后门攻击的目标是通过修改训练数据或者控制训练过程等方法使得模型预测正确干净样本，但是对于带有后门的样本判断为目标标签。例如，后门攻击者给图片增加固定位置的白块(即中毒图片)并且修改图片的标签为目标标签。用这些中毒数据训练模型过后，模型就会判断带有特定白块的图片为目标标签(如下图所示)。基本的后门攻击模型建立了触发器(trigger)和目标标签(target

Vicinage源于古法语/拉丁语的visnage/vicinus('neighbor'),

的算法是否真的展示了图灵的最初观点，这仍然是个问号。尤其是，当下越来越擅长模仿人类语言的大型语言模型，很容易让人产生它们具有“信念”、能够“推理”的错觉，这会阻碍我们以更可信、更安全的方式部署这些

次。孙茂松的研究重点之一是中文信息处理中最为基础性的课题：汉语自动分词。他研制出了一个集自动分词、词性标注、专名识别和新词识别于一体的分词标注系统

Cup、还有TopCoder等等，打遍全球编程高手，蝉联百度之星程序设计大赛总冠军（2005年和2006年）、蝉联谷歌Code

任首席科学家。刘利斌教授的主要研究方向是计算机图形学、物理仿真、运动控制以及相关的优化控制、机器学习、增强学习等领域，曾多次担任图形学主要国际会议如

这类方法的一个主要弱点是大量计算用于推导两个图像裁剪的表示，但目标函数仅对表示提供适度的约束，这限制了有关域的信息的速率可以注入权重。为了使剪裁的表示更接近其正确的配对而非替代品，只需要

提供了模型基础。报告严格定义学习学习方法论问题，提出SLeM的双层优化模型和“超参数化”求解方法，建立SLeM泛化性理论，并应用于几个具体的机器学习自动化问题,展示其有效性。Ming

Wang，奥尔堡大学当选理由：对基于电力电子的电力系统的贡献王骞，武汉大学当选理由：为保护云数据存储和无线系统安全做出贡献相关阅读：《武汉大学王骞：从数据视角看，如何安全地实现更好的AI》Hua

临地安防涵盖低空安防、水下安防及跨域安防，是临地空间中防卫、防护、生产、安全、救援等需求的多元化、跨域化、立体化、协同化、智能化体系。面向空天地海井网，涉及智能、信号、量子、材料、光机电等的交叉。对国防安全、社会稳定、经济发展具有重要意义。1背景2014年，我国提出了总体国家安全观的概念[1]，如何构建新时代国家安全体系，应对国家面临的安全形势，更有效地维护国家主权、领土完整以及海洋权益，是我国必须面对的问题[2]。随着科技的发展，在低空空域、近海水域等多个方面出现新的安全防卫问题。首先，低空空域安全需求与日俱增。广泛使用的无人机及低空飞行器给低空安防带来了巨大的挑战，且我国逐渐开放的低空空域政策使得低空飞行活动以及低空经济业态层出不穷，相应的安全防卫需求与日俱增。其次，近海、界湖等领水安全问题凸显。特别是岛屿领土问题和海洋划界争端依然存在，个别域外国家舰机对我国频繁实施抵近侦察，多次非法闯入我国领海及有关岛礁邻近海空域，危害我国国家安全；而我国在领水（特别是近海水域）的监视与防卫体系尚不完善，例如港口和海洋牧场。最后，跨域立体空间安全体系不健全，也存在条块分割。当前的安全防卫体系呈现跨域化和立体化趋势，但是尚不健全，安防问题与挑战依然凸显。为此，我们必须因势而谋，强化危机意识，未雨绸缪；应势而动，积极面对国际竞争新格局、国家安全新需求和现代战争新形态；顺势而为，构建跨域统筹、均衡稳定的新时代国家防卫战略体系，为实现科技强国战略和中华民族伟大复兴贡献力量。2临地安防在国际形势及国家需求的驱使下，临地安防(Vicinag

研究将越来越集中于少数大型实验室，但随着计算成本和访问权限的降低，因此也出现了最先进的研究在更小、以前不为人知的实验室得到提出等情况，同时，这些新的独立研究实验室也在迅速开源。受神经科学的启发，AI

作者丨卫雅珂、刘学旻视觉和听觉在人类的沟通和场景理解中至关重要。为了模仿人类的感知能力，旨在探索视音模态的视音学习在近些年来已成为一个蓬勃发展的领域。本文是对由中国人民大学高瓴人工智能学院GeWu-Lab联合德克萨斯州大学达拉斯分校以及西北工业大学共同发布的最新视音学习综述《Learning

早期有很多关于神经网络方面的合作。后来两个人的研究方向分别走向了两个领域：一个注重利用人工神经网络实现人工智能，另外一个专注于理解大脑工作原理。我相信两位大佬是希望这两个领域是可以互相促进的。在

系统的具身图灵测试分解为从中低级生物进阶到更复杂生物的智能。1NeuroAI：智能的本质在于感觉运动人工智能向神经科学的回归是必然的。人工智能革命的种子正是几十年前在计算神经科学中播下的，神经学家

以“十年十个故事”的方式，记录深度学习发展历程中的重要瞬间，展现华人研究者们对深度学习的推动，致敬这一波深度学习浪潮中的中国元素。本文是“深度学习崛起十年”系列的第三篇。作者

表示，“我们相信在未来，所有内容创作都将由人工智能生成，但由人类指导，而最具创造性的工作将取决于人类将他们想要的创作表达到模型中的能力。”1「对话」乔布斯让我们先来看看这个最新“访谈”中，Joe

新玩家，她几乎没有相关经验，只靠在社区中学习到的文字描述方式，加上自己投入时间调试，制作出的人物肖像也颇为美丽，极具东方美感。文本提示：一副美丽的人物肖像；辛烷值渲染；8k；高度细节；王凌

)时，“量子加速”增益是有限的；而目前，关于如何设计出最好的编码/解码和需要最小测量的协议、使其能够受益于“量子加速”的信息并不多。纠缠已被证明是量子机器学习的一个重要性质，本文所提到的关于

产业落地的一次重要探索。一批兼具创新和实力的工程项目，让人工智能技术作为产业发展的工具和引擎成为真正可能。作为科技行业最顶尖的产业媒体之一，雷峰网(公众号：雷峰网)于今年8月重磅启动了「产业科技

10.1360/SSI-2022-0226李学龙是西北工业大学教授，关注高维数据的智能获取、处理和管理之间的关系，在“临地安防”（Vicinagearth

57%。这并不是颜水成团队第一次在ImageNet挑战赛中夺冠。早在2014年的ImageNet挑战赛他就率队拿下了目标检测任务的冠军，这次夺冠的算法采用了他和学生在2013年提出的Network

作者丨王维强编辑丨陈彩娴随着人工智能应用的大规模普及，AI安全变得越发重要，推广可信AI已经逐渐成为产学界的共识。9月1日下午，在2022

的自动化数据增强流程也是一种流行方案。此外，当未标注的数据可用时，还可以通过使用初始模型进行预测（这些预测称为伪标签）来实现标签增强，然后在具有真实和高置信度伪标签的组合数据上训练一个更大的模型。图

的核心。神经网络通常将知识表示为一种叫做「know-how」的能力，即掌握高度上下文敏感的模式并找到规律（具体的和抽象的）的熟练能力。在特定任务中，以不同的方式处理输入，需要应用这些规律。具体到

problem）。而且，他认为，扩散模型的成功是新数学范式发挥其作用的一个例子，世界上所有的超参数调整都比不过几行深思熟虑的数学公式。要说今天的文本生成图像领域已经由扩散模型统治或许还不够严谨，但