当前位置:首页|资讯|人工智能|智源

北京人工智能数据运营平台发布

作者:首都之窗发布时间:2024-06-18

点击上方 “首都之窗可以订阅哦!

日前,北京人工智能数据运营平台在2024北京智源大会上发布,“行业数据集—场景应用创新计划”同步启动。北京智源人工智能研究院理事长、北京大学教授黄铁军表示,构建大模型生态首先要建立数据流通机制,推动从数据到智能的正反馈。

汇聚数据超700万亿字节

“如果没有开源数据集,很难想象人工智能怎样才能实现如此快速的迭代,然而,这些数据集还远远不够。”智源研究院副院长兼总工程师林咏华坦言,特别是中文互联网的数据量相差甚远,数据孤岛问题也较为严重。

本次发布的北京人工智能数据运营平台,汇聚了大量通用数据、行业数据,支持文本、图像、视频等多种模态,并打造了全流程的数据处理工具。超过700万亿字节的通用数据集可以开展通用模型训练,同时,4.33万亿字节的行业垂类数据对模型训练也极为重要。

当前已知的全球开源行业文本类数据集总量仅约1.2万亿字节。“这次开源的行业数据集,几乎每一项都远超全球已经开源的该行业数据集总和,是全球最大的多行业中英双语数据集。”林咏华说,目前数据集包含医疗、教育、法律、新闻等18类行业数据,未来将进一步扩展到30类左右。

针对不同数据特点,平台明确了3种数据使用方式。一批公开领域采集的数据集将开源开放,用户可以免费下载;有意向互换高质量数据集的主体,可以参与构建数据池,合作共建、共享数据集;高价值数据集则通过数算一体模式,确保模型在加工、训练过程中,数据不出安全域,保障数据安全。

挑战多模态模型新路线

“智源研究院在2021年就发布了悟道1.0和2.0大模型,当年创造了‘中国首个’‘全球最大’等一系列纪录。可以说,智源与大模型有着紧密的关联。”智源研究院院长王仲远表示,随着大模型的发展,人工智能逐步进入通用人工智能时代,该院目前正在训练的原生多模态世界模型Emu3,再次瞄准了行业内最有挑战性的一条技术路线。

当前,文生图、图生文、文生视频等模型都有各自对应的架构和方法,很难兼容不同任务。例如文生视频模型Sora,就无法做到对图像和视频的理解。“Emu3从设计之初就瞄准了多模态融合,其生成和理解能力也得到统一,还具备更多模态的可扩展性。”王仲远说,基于智源研究院自研的多模态自回归技术路径,图像、视频、文字等模态可以进行联合训练。

这一模式,让该模型不仅能阅读文字,还拥有“读图”“看视频”的能力。上传一段视频,模型能快速识别出视频内的人有幸福、兴奋的感觉。“如果这条路线实现突破,又将是对人工智能产业的一次重大技术贡献。”王仲远说,目前,该模型已具备生成高质量图片和视频、续写视频、理解物理世界等多模态能力,但中间还存在不尽完美之处。待持续训练并经过安全评估后,Emu3将逐步开源。

世界级研究成果接连产出

具身智能技术的发展,推动人工智能从数字世界走入物理世界。在大会展厅中,经过通用抓取模型训练,机器人对任意形状、反光透明等物体都能有效抓取,在工业级真机上实现超过95%的抓取成功率,实现全球领先的商业级动作执行水平。机器人还拥有对开放指令的思考能力,当测试人员提出“我饿了”,机器人在桌面摆放的10多种物品中,发现了可以食用的橘子和香蕉。“橘子和香蕉您要哪个?”机器人追问。得到需要橘子的答案后,它抓起橘子放入筐里。

机械臂搭载探头在被检测者的胸部往复移动,心脏跳动的画面就在床旁的显示屏上呈现出来。王仲远介绍,智源研究院与清华大学、301医院合作研发的全球首创智能心脏超声机器人,能在高速动态环境下快速计算提取心脏特征。临床验证结果显示,它检测的准确性、高效性与人类医生基本持平,但稳定性和舒适性显著高于人类医生,对提升超声医疗的普及度有重要意义。

全球首个低碳单体稠密万亿语言模型推出,全球首个实时孪生心脏计算模型构建,全原子生物分子模型达世界领先……王仲远介绍,过去的一年里,智源研究院在多模态大模型、具身大模型和生物计算大模型等方向发力,已取得了多个世界级成果。未来几年内,该院还将围绕这些方向持续研发。

来源:北京日报


    Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1