近日,百度与英特尔宣布成立5G+AI边缘计算联合实验室,加速多接入边缘计算(MEC)技术在中国的开发。双方将充分发挥在技术和应用开发领域的优势,共同致力于人工智能、车联网、5G、边缘计算、搜索、在线翻译、VR/AR、物联网等方面的技术、产品和商业模式的探索与创新。
百度与英特尔成立5G+AI 边缘计算联合实验室,加速多接入边缘计算(MEC)在中国的开发
此前,百度与英特尔已经在数据中心、云计算应用、基于CPU的AI机器/深度学习框架优化,以及自动驾驶等技术开发方面有着非常密切的合作。2018年7月4日,百度与英特尔在2018百度AI开发者大会上宣布展开人工智能领域的一系列合作。随后的9月,双方在上海举行的百度云智峰会上,共同展示了AI在金融服务、交通运输以及视频内容检测等领域的落地应用。如今两家公司将进一步扩展合作,建立5G+AI MEC联合实验室,将不仅侧重于网络边缘的AI关键技术开发,如搜索、在线翻译、VR/AR(虚拟现实/增强现实)应用、自动驾驶,到物联网边缘计算部署等等,还将共同探索5G网络新商业模式和机遇。
百度与英特尔将共同推动面向互联网的边缘网络统一资源管理架构设计,提供Over the Edge(OTE)解决方案,推进产品化进程。该合作将开发一系列技术,包括但不限于:特定使用场景的5G MEC POC、基于5G网络的OTE部署、边缘上的统一API套件定义、AI软硬件边缘加速、网络组件集成以及场景化的MEC性能优化。
百度系统部执行总监侯震宇表示:“5G不仅是技术变革,更将催生全新的产业合作和发展机遇。本次与英特尔共同成立5G+AI 边缘计算联合实验室是百度AI向5G时代迈进的重要一步。我们希望边缘计算OTE联盟将成为百度AI能力到5G移动基础的联系纽带,我们相信5G+AI 边缘计算不仅将为互联网应用打造高效的基础设施平台,更将缔造一种全新的生态合作模式,让AI能力融入万物互联的世界,靠近用户、服务用户。”
英特尔数据中心事业部副总裁兼网络平台事业部5G网络设施部门总经理林怡颜表示:“5G 的低时延、高吞吐量和敏捷部署,为包括智能家居、网联车、云AR/VR和新的企业级应用在内的各种应用场景的服务带来了机遇。凭借百度领先的软件解决方案,以及利用英特尔®至强®可扩展处理器为英特尔NEV SDK进行创新,我们的联合实验室有望结合5G和AI开辟许多新的商业模式,推动增长。”
过去几年,3G引领用户进入智能手机时代,4G促进了高清视频流业务的发展,现在基于URLLC(超可靠低延迟通信)、eMBB(增强移动宽带)和超大规模IOT连接特性的5G,给世界带来了前所未有的技术变革,为百度和英特尔提供了一个充分挖掘市场潜力的契机。百度是中国人工智能和自动驾驶开发领域的领导者,将携手英特尔推出基于英特尔®至强®处理器及网络边缘虚拟化SDK的5G+AI边缘计算基础架构和OTE解决方案。百度 - 英特尔5G+AI 边缘计算联合实验室将深入网络边缘的各种AI工作负载、实时边缘计算的CDN模型进化,以及5G时代的全新MEC应用。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。