12月15日，“2020上海智慧城市体验周”重磅压轴活动——“智慧上海·进而有为”上海城市峰会2020成功召开，峰会上举办了生态高峰论坛。

在整个供应链中，AI增强技术正在提升生产力、减轻全球劳动力短缺影响，并帮助企业找到更好、更安全的商品运送方法。从生产车间到消费者手中，AI对供应链的渗透将全面爆发。

本文探讨了AI从单个模型向多专长代理协作转变，通过健壮架构应对通信、状态同步与容错挑战，以构建弹性企业AI系统。

在大会上，下一代互联网互联设备国家工程实验室主任张宏科发表了以"智慧标识网络及应用"为主题的演讲。他认为，随着互联网应用规模的不断扩大，现在的网络受到了严重挑战，迫切需要创新性的网络体系系统来解决问题，尤其是工业制造以及高铁等特殊行业

将设备实体通证化，让万物皆可RWA。

将设备实体通证化，让万物皆可RWA。

据Canalys最新报告显示，2021年中国的云基础设施市场规模达274亿美元。千亿人民币市场足够庞大，且随着数字经济的深入推进，市场增长潜力仍在释放。

以问题为导向是任何发明家的灵感源泉。

英特尔当然意识到这部分市场是个机会，也许未来RAN支出中会有几十亿美元从定制芯片产品流向英特尔的x86“通用”处理器当中。

利用NVIDIA Jetson和Amazon SageMaker平台通过使用云+端结合的方式，我们将打造一个边缘智能的方案（整体方案架构如下）。

Oracle 凭借其庞大的企业客户群和领先的数据库技术,在人工智能市场占据有利地位。公司云业务增长迅速,基础设施服务收入增长尤为强劲。Oracle 正积极部署 GPU 集群,与 Nvidia 和 AMD 签订大额合同,为 AI 训练和推理提供强大算力支持。公司预计未来几年收入将大幅增长,有望成为 IT 史上第五家年收入突破 1000 亿美元的公司。

这篇研究介绍了DATARUBRICS，一个专为评估机器学习数据集质量而设计的创新框架。研究团队发现现有的数据表单工具缺乏可量化的质量评估标准，因此开发了基于十个关键维度（包括数据来源、标注方法、质量保证等）的结构化评估体系。通过对多个顶级学术会议的数据集论文分析，研究揭示了机器生成数据的增长趋势及各会议在数据质量要求上的差异。DATARUBRICS不仅支持人工评估，还能通过LLM实现自动化评估，为日益增长的数据集审核需求提供了可行解决方案。

这篇研究首次系统探索了验证粒度对大型语言模型测试时扩展的影响。研究团队通过提出可变粒度搜索（VG-Search）算法，挑战了传统的固定验证频率范式。实验表明，根据任务难度和计算预算动态调整验证粒度，可以在减少超过52%计算量的同时，将准确率提高3.6%。这一发现为优化大模型的推理效率提供了全新思路，特别适用于计算资源受限的场景。

2018年人工智能仍然处于炒作周期顶端，这么预测是比较保险的。但是下面的50个预测显示，人工智能将变得更加实用、更加有用，实现一些工作的自动化，扩大其他很多工作的范围，再加上利用机器学习和大数据获得新鲜的见解，还有企业中聊天机器人越来越多等因素。

波兰研究团队发现，即使是最先进的AI大模型在处理波兰语等非主流语言时也极其脆弱，仅通过几个拼写错误或字符替换就能让AI做出错误判断。研究团队开发了一套巧妙的测试框架，使用小型代理模型找出关键词汇，然后对这些词汇进行十种不同的"伪装攻击"。实验结果显示，这些简单攻击能让先进AI模型的错误率飙升至48%以上，揭示了当前AI技术在多语言安全方面的严重漏洞。

蚂蚁集团研究团队提出了γ-PO方法，通过动态调节AI训练中的目标边距来提升大语言模型对齐效果。该方法能够自动识别训练数据中答案质量差距的大小，对明显好坏的答案对加大学习强度，对模糊不清的答案对适当降低学习强度，避免AI被不确定信息误导。实验显示该方法在多个基准测试中平均提升4.4%性能，且几乎不增加计算成本，具有良好的即插即用特性。

元年科技特别呈现数字化转型七宗问系列内容，将陆续提出数字化转型过程中企业最关注的7大问题，并将在11月3日-12月6日期间举办的2021元年数字化系列高峰论坛一一揭晓答案！

研华科技近日发布全新品牌愿景"Edge Computing & WISE-Edge in Action"，标志着从传统IPC时代正式迈入边缘计算时代。

经历6年时间，在各团队的努力下，阿里巴巴集团大规模稀疏模型训练/预测引擎DeepRec正式对外开源，助力开发者提升稀疏模型训练性能和效果。

这篇文章介绍了马里兰大学研究团队开发的BLEUBERI方法，该方法惊人地发现被认为过于简单的BLEU评分系统在指导大语言模型遵循指令方面非常有效。研究表明，当使用高质量参考答案时，BLEU与人类偏好的一致率可达74.2%，几乎与复杂的奖励模型相当。基于此，团队开发的BLEUBERI方法在多个基准测试中表现与传统奖励模型方法相当，且在事实准确性方面表现更佳。这一发现为语言模型对齐提供了更经济高效的途径，无需大量人类标注数据和复杂的奖励模型训练。