算法
迈向Z级计算：Cloud4Science范式加速科学发现进程
编辑 | X_X传统超级计算机作为科学计算的核心支柱，在推动技术进步方面发挥了不可替代的作用，但随着科学智能时代下需求的多样化和复杂化，其扩展性和能效的局限逐渐显现。 针对这一挑战，微软亚洲研究院的研究员提出了 Cloud4Science 的新范式，以云计算、人工智能和高性能计算技术的深度融合为核心，重新定义科学计算的架构，加速科学智能的研究进展。 在此框架下，研究员们已对关键科学计算算法如 Stencil、FFT、SpMV 等进行了优化，并成功开发了一系列创新算法，为科学家利用云计算及人工智能平台进行科学计算和研究开辟了新的途径。
15大机构十年研究证明：无约束AI必然超越人类，创造能力也更强！
人工智能领域已经发展了70年，从小数据验证，到大规模基准，再发展到现在，几乎每天都有新突破，不只是在简单问题上超越普通人类水准，在最难的问题上也能和顶尖人类掰掰手腕了。 但还有一个自人工智能诞生以来就一直广为讨论、看是无解的关键问题，各方业内人士仍然争辩不休：如果没有适当的限制和治理，人工智能在未来是否会发展到超越人类智能？ 最近，来自东南大学、哈佛医学院、新加坡国立大学、新加坡南洋理工大学、新加坡国立脑科学研究院、清华大学、中山大学等多达15个顶尖机构的研究人员联合发表了一篇论文，在理论上证明了AI超越人类的可能性，即通过结合神经科学中的新型AI技术，可以创建出一个新的AI智能体，能够在细胞层面上精确模拟大脑及其功能系统（例如感知和认知功能），并且预期误差极小。
抽卡效率提升4.8倍！东北大学等开源优化版Stable-Diffusion.cpp：分辨率越高越快，生成质量更好
在AI生成图像领域，Stable Diffusion已经成为一个里程碑式的工具，凭借其强大的图像生成能力，被广泛应用于艺术创作、商业设计等领域。 然而，生成高质量图像的过程常常需要付出大量的时间和内存，这对于硬件资源有限的设备来说是一大挑战。 为了应对这一问题，北京大学、东北大学、佐治亚大学发布了Stable-Diffusion.cpp（简称Sdcpp）的优化方法，引入了Winograd算法和三个优化策略，最终整图生成速度最高可达到4.79倍，从此实现创作自由！
大模型超强内存优化：成本削减高达75%，性能不减弱！成果出自日本一初创AI公司之手；网友：电力可能够用了！
出品 | 51CTO技术栈（微信号：blog51cto）一项逆天的大模型优化技术来了！ 东京初创公司Sakana AI的研究人员开发了一种新技术，让大模型能够更有效地使用内存，不仅最多节省75%的内存占用，还甚至性能也有所提升！ 这种名为“通用Transformer内存”的技术使用特殊的神经网络优化LLM，保留重要的信息并丢弃冗余的细节。
北大开源全新图像压缩感知网络：参数量、推理时间大幅节省，性能显著提升 | 顶刊TPAMI
压缩感知（Compressed Sensing，CS）是一种信号降采样技术，可大幅节省图像获取成本，其核心思想是「无需完整记录图像信息，通过计算即可还原目标图像」。 CS的典型应用包括：降低相机成本：利用廉价设备就能拍摄出高质量图像；加速医疗成像：将核磁共振成像（MRI）时间从40分钟缩短至10分钟内，减少被检查者的不适；探索未知世界，助力科学研究：将「看不见」的事物变为「看得见」，如观测细胞活动等转瞬即逝的微观现象，以及通过分布式射电望远镜观测银河系中心的黑洞。 CS的两个核心问题是：如何设计采样矩阵，从而尽可能多地保留图像信息？
精度提升20%，中科院、南京理工AI方法进行光电子能谱高维数据精细解析
编辑丨ScienceAI无监督聚类算法在划分 Nano-ARPES（ARPES：角分辨光电子能谱）空间映射数据集方面表现出强大的能力。 然而，在区分细微的能带差异方面则表现欠佳。 在最新的研究中，中国科学院高能物理研究所的研究团队与南京理工大学的科研人员合作开发了一种多阶段无监督聚类算法(Multi-Stage Clustering Algorithm，MSCA)。
3DDFA-V3：引领三维人脸重建新纪元
一、引言从二维图像中重建三维人脸是计算机视觉和图形学领域的一项重要任务，它在虚拟现实（VR）、增强现实（AR）、计算机生成图像（CGI）等领域有着广泛的应用。 近年来，随着深度学习技术的不断发展，三维人脸重建技术取得了显著的进步。 本文将对最新提出的3DDFA-V3算法进行详细介绍，展示其如何凭借创新的几何引导策略和面部区域分割技术，实现高精度和高鲁棒性的三维人脸重建。
终于把图神经网络算法搞懂了！！！
今天给大家分享一个强大的算法模型，GNN。 图神经网络（GNN）是一类专门处理图结构数据的深度学习模型。 在传统的深度学习中，输入数据通常是结构化的（如图像、文本、时间序列等），这些数据都可以表示为一个规则的网格或序列。
RARE: 提升LLM推理准确性和事实完整性的检索增强框架思路浅尝
MCTS & rStar蒙特卡洛树搜索（MCTS）蒙特卡洛树搜索（MCTS）是一种用于解决复杂决策问题的算法，常用于游戏等领域。 它的基本思想是通过构建一棵搜索树并模拟各种可能的行动来估计每个行动的价值。 MCTS的过程可以分为四个主要步骤：选择（Selection）：从根节点开始，根据某种策略（如UCT）遍历子节点，直到找到一个叶节点。
十大必知的人工智能算法
随着人工智能技术（AI）的日益普及，各种算法在推动这一领域的发展中发挥着关键作用。 从预测房价的线性回归到自动驾驶汽车的神经网络，这些算法在背后默默支撑着无数应用的运行。 今天，我们将带您一览这些热门的人工智能算法（线性回归、逻辑回归、决策树、朴素贝叶斯、支持向量机（SVM）、集成学习、K近邻算法、K-means算法、神经网络、强化学习Deep Q-Networks ），探索它们的工作原理、应用场景以及在现实世界中的影响力。
终于把 LSTM 算法搞懂了！！！
今天给大家分享一个强大的算法模型，LSTMLSTM（长短期记忆网络）是一种特殊类型的循环神经网络（RNN），它能够有效地解决传统 RNN 在处理长序列时遇到的梯度消失和梯度爆炸问题。 LSTM 的核心思想是通过多个门控机制来控制信息的流动，这些门控机制可以选择性地保留或丢弃输入数据，从而帮助网络捕捉长时间跨度的依赖关系。 LSTM的工作原理LSTM 的核心思想是通过引入记忆单元来存储信息，并使用三个主要的门（输入门、遗忘门、输出门）来决定哪些信息应该保留，哪些信息应该遗忘，以及哪些信息应该更新。
人工智能的“记忆”：个人和组织的革命性生产力
随着人工智能的不断发展，一个概念脱颖而出，成为实现个性化体验的关键：记忆（Memory）。 在Madrona与微软人工智能首席执行官Mustafa Suleyman的IA峰会炉边谈话中，他强调记忆不仅是一种功能，而且是一种重塑人工智能与人类互动方式的变革力量。 记忆使人工智能不仅可以结合智商（IQ），还可以结合情商（EQ），从而创造一种更有意义、更像人类的关系。
NeurIPS 2024 | 数学推理场景下，首个分布外检测研究成果来了
本文将介绍数学推理场景下的首个分布外检测研究成果。 该篇论文已被 NeurIPS 2024 接收，第一作者王一鸣是上海交通大学计算机系的二年级博士生，研究方向为语言模型生成、推理，以及可解释、可信大模型。 该工作由上海交通大学和阿里巴巴通义实验室共同完成。
审稿人直呼简洁，单点PageRank终极版！人大STOC论文让复杂度优化至「理论最优」
在信息爆炸的互联网时代，应如何根据重要性对搜索得到的网页进行排名并呈现给用户？ 这个问题困扰了无数早期的搜索引擎。 破局者来自Google，创始人Sergey Brin和Lawrence Page提出的网页排名算法PageRank为这个难题提供了一个开创性的解决方案：为每个网页都计算了一个重要性得分，即PageRank得分，得分越高表示该网页质量越好，在信息检索时的重要性越高。
扩散模型=进化算法！生物学大佬用数学揭示本质
扩散模型居然就是生物的进化算法！ 这个结论来自「新常春藤」塔夫茨大学（Tufts University）于近日发表的一项研究：论文地址： Levin，博士毕业于哈佛大学，目前担任塔夫茨大学Allen Discovery Center主任。 Michael Levin长期从事生物电、人工生命和许多其他生物学相关主题的研究，曾在NeurIPS 2018上发表了题为「What Bodies Think About：Bioelectric Computation Outside the Nervous System」的精彩演讲：视频地址： 2020上，Michael Levin还阐述了有关「机器人癌症」的话题：「what the bioelectrics of embryogenesis and regeneration can teach us about unconventional computing, cognition, and the software of life」。
AdaBoost分类器完全图解
译者 | 朱先忠审校 | 重楼本文将通过完整的源码与图解方式向你展示AdaBoost算法运行逻辑，并指出其优点与不足，还将其与随机森林算法进行对比分析。 简介每个人都会犯错，即使是机器学习领域最简单的决策树也存在这个问题。 AdaBoost（自适应增强）算法不会忽略这些错误，而是会做一些不同的事情：它会从这些错误中学习（或适应）以变得更好。
澳门大学最新！CVPR'24 ALOcc：自适应再出山，精度与速度的完美均衡！
写在前面 & 笔者的个人理解基于视觉的语义占用和流量预测在为自动驾驶等现实世界任务提供时空线索方面发挥着至关重要的作用。 现有方法优先考虑更高的精度，以满足这些任务的需求。 在这项工作中，通过引入一系列针对3D语义占用预测和流量估计的有针对性的改进来提高性能。
终于把 Seq2Seq 算法搞懂了！！
Seq2Seq（Sequence-to-Sequence）模型是一种用于处理序列数据的神经网络架构，广泛应用于自然语言处理（NLP）任务，如机器翻译、文本生成、对话系统等。 它通过编码器-解码器架构将输入序列（如一个句子）映射到输出序列（另一个句子或序列）。 图片模型结构Seq2Seq 模型由两个主要部分组成。
资讯热榜
标签云
AI
人工智能
OpenAI
AIGC
模型
ChatGPT
谷歌
DeepSeek
AI新词
AI绘画
大模型
机器人
数据
Midjourney
开源
Meta
微软
智能
用户
GPT
学习
英伟达
Gemini
智能体
技术
马斯克
Anthropic
图像
AI创作
训练
LLM
论文
AI for Science
代码
腾讯
苹果
算法
Agent
Claude
芯片
具身智能
Stable Diffusion
xAI
蛋白质
人形机器人
开发者
生成式
神经网络
机器学习
AI视频
3D
大语言模型
字节跳动
RAG
Sora
百度
研究
GPU
生成
华为
工具
AGI
计算
生成式AI
AI设计
大型语言模型
搜索
亚马逊
AI模型
视频生成
特斯拉
DeepMind
场景
Copilot
深度学习
Transformer
架构
MCP
编程
视觉