跳到正文

#數據/訓練

今日 26 條
今天11月22日週日26 則
  1. 虎嗅74

    遠端算力受限後,阿里雲高增長能否持續?

    海豚君以美國 BIS 遠端訪問新規及相關法案全面落地為前提,測算其對阿里算力供給和阿里雲增長的影響。以2027年4月起削減海外算力為基準情景,阿里2027年或被移除1.46GW算力,阿里雲外部收入增速由原預期51%降至17%;額外採購國產晶片後,估算可回升至約20%。算力缺口主要由對外出租承擔,2027–28年平頭哥產能已被原規劃用滿,補位受限,高端模型預訓練受影響較大。

  2. 虎嗅66

    大模型數據市場估值飆升,轉包、刷榜與隱私亂象引發信任危機

    大模型後訓練數據市場快速升温,轉包注水、刷榜作弊和隱私交易等亂象,正削弱數據交付與評測結果的可信度。文章估算,中國今年核心強化學習環境與高階數據預算約十幾至二十億元人民幣,模型廠開始透過消融實驗核驗供應商數據,並把劣質供應商移出採購名錄。

  3. ChinaTalk66

    AI 在《中華人民共和國民族團結進步促進法》執行中的三種角色

    Oliver Lopez 分析 AI 在《中華人民共和國民族團結進步促進法》執行中的作用,將其歸納為監控、學習和生成三個相互關聯的環節。在六個模型的測試中,直接以哈薩克語、蒙古語和韓語提問時,模型生成所要求仇恨內容的比例分別為 32%、27% 和 13%;tokenizer 比較則顯示,藏語所需 token 數達英文的 8.88 倍。

  4. IT之家45

    我國首批可信數據空間創新發展試點取得階段性進展,已在 13 個城市、22 個行業、28 家企業落地

    我國首批可信數據空間創新發展試點取得階段性進展,已在 13 個城市、22 個行業、28 家企業落地。試點自 2025 年啟動以來,已帶動形成 457 個高質量數據集和 136 個人工智能垂直模型。試點覆蓋工業製造、交通物流、醫療健康等重點行業,並助力多個高價值場景落地應用。

  5. DEV Community37

    甚麼是機器學習?初學者簡明指南

    機器學習透過例子教電腦辨識模式,而非由程式員逐條編寫規則,並以數據、模型和訓練作為基本要素。文章説明監督式、非監督式和強化學習,並用 Python 最近鄰分類器示範如何預測新例子的標籤。模型受訓練數據限制,亦可能過度擬合或學到偏見。

  6. 虎嗅49

    具身智能行業喊數據不夠,但 80% 的數據可能死於「只獎勵走通」

    具身智能訓練目標只獎勵任務成功,令模型記住場景而非提煉可遷移的物理規律;文章認為,數據難以復用是結果而非根因。DROID 收集的 76,000 條軌跡,保留率只有 20.7%,接近八成原始數據未進入訓練集。文章主張以物理屬性變化下的成功率保留率,評估模型能否提煉規律。

  7. DEV Community57

    AI 產品如何在模型每年便宜 13× 時建立護城河

    ArkNet Digital 主張,AI 產品的護城河應建立在隨使用累積的能力,而非可租用且快速降價的模型之上。文章將可防禦架構分為五層:專有評測、結果數據、工作流與執行權限、可信任機制,以及推理成本管理。引用 Epoch AI 的數據指出,自 2023 年起,達到固定 AI 表現的成本每季下降約 47%,相當於每年約 13×;作者亦提醒,基準測試不等同實際工作。

  8. 阿里雲開發者社區 AI24

    深度學習物理學方法綜述

    深度學習物理學綜述梳理了統計物理、場論、泛化、臨界性及動力學等研究路線,説明該領域如何由平衡態統計分析轉向非平衡控制理論。文章指出,2025 年提出的人類中心學習力學(HCLM)將人類反饋視為調節熵耗散率的控制機制。高維熵的高效計算,以及將靜態理論擴展至動態理論和 CNN、Transformer 等架構,仍是待解問題。

  9. 阿里雲開發者社區 AI26

    無線聯邦學習方法綜述

    無線聯邦學習(WFL)方法從數碼鏈路傳輸模型更新,演進至利用 AirComp 在無線多址信道上融合通信與計算,以應對上行帶寬瓶頸。綜述梳理空口聚合、資源調度、去中心化架構及邊緣智能應用等路線,並探討非 IID 數據、信道衰落與設備異構性帶來的挑戰。文章亦涵蓋 FedFT-LoRA 等基礎模型微調方法及面向 6G 網絡的系統設計。

  10. 阿里雲開發者社區 AI35

    多語言大語言模型適配與評估綜述

    多語言大語言模型適配與評估研究,聚焦如何在資源受限及語言資料分佈不均的情況下提升低資源語言能力,同時保留源語言能力。研究方法從繼續預訓練轉向參數高效微調與模型合併,並以多維基準評估文化適配、公平性及語法能力。評估結果顯示,模型在低資源語言的深層理解上仍有不足。

  11. 新浪科技50

    混元團隊回應近百個問題:不刻意刷榜,將訓練更大模型

    混元團隊在 Reddit AMA 回應近百個問題,表示將訓練規模進一步顯著擴大的下一代 Hy 模型,並會繼續投入大規模強化學習。Hy4 的參數量為 770B,Hy4 flash 為 224B;Hy4-mini 已列入路線圖,團隊亦正考慮研發 24B 至 31B 的稠密模型。團隊稱不刻意刷榜,並以較新的高難度基準及多元內部評測評估模型。

  12. 阿里雲開發者社區 AI30

    人類與大語言模型標註質素研究綜述

    這項綜述梳理人類與 LLM 標註質素研究,説明領域如何由統計聚合轉向測量學診斷。研究關注 LLM 標註的系統性偏差與提示詞敏感性,並整理評估診斷、人機協同、多智能體聚合等六條技術路線,探討如何在有限預算下兼顧成本與標籤可靠性。

  13. DEV Community43

    小樣本生存資料的遷移學習:n=50 時哪些方法有效

    Zhao 等人在結直腸癌 I 期相關隊列研究中發現,遷移學習可提升小樣本生存模型表現,樣本量低至 n=50 時仍觀察到改善。完整目標隊列中,RSF/TSF 的 Ctd 由 0.7940 升至 0.8297,是文中最高值。研究以 TSF 遷移樹結構,並以預訓練和微調處理 DeepSurv、Cox-CC 及 DeepHit;結果限於相關來源隊列。

  14. DEV Community46

    AI 與機器學習的真實侷限

    AI 與機器學習的侷限可分為數據、工程、信任、人類監管及前沿失誤五類,推測性邊界則另行標示。Amazon 2015 年履歷篩選器因「women’s」一詞懲罰女性,COMPAS 對黑人被告錯判高風險的比例是白人的兩倍;SageMaker Clarify 可在訓練前於原始數據計算偏見指標。歐盟《人工智能法案》要求高風險用途接受人類監督,罰款可達 EUR 35 million 或營業額的 7%。

  15. TNW61

    Etsy 因賣家關店抗議將修訂 AI 訓練條款

    Etsy 表示將修訂新服務條款,該條款允許 Etsy 及合作夥伴使用賣家內容開發、訓練、測試及改進人工智能和機器學習技術,原定於 12 月 16 日生效。長期賣家因內容可能用於 AI 訓練且無法退出而開始關店。Etsy 副總裁表示,不會使用賣家內容訓練旨在複製原創作品或取代創意的 AI 模型,並稱第三方可因詐騙偵測和廣告等用途取得賣家內容。

11月21日週六
  1. Engadget59

    Etsy稱不會用賣家內容訓練旨在仿製原作或取代創意的AI模型,賣家因條款更新離開平台

    Etsy表示不會把賣家內容用於訓練旨在仿製原創作品或取代創意的 AI 模型;賣家因新版使用條款引發的疑慮而離開平台。新版條款允許 Etsy 及第三方合作夥伴和供應商使用賣家內容開發、訓練、測試及改進 AI 和機器學習技術,並定於 12 月 16 日生效。Etsy稱現有用途包括自動翻譯商品描述、在營銷活動中展示商品,以及訓練店舖表現工具的模型,並禁止 AI 爬蟲抓取商品列表訓練模型。

  2. 新浪科技32

    我國科研團隊為植物定製專屬「光配方」

    中國科學技術大學先進技術研究院科研團隊研製植物工廠系統,按不同植物定製「光配方」,以調節光強、光譜和光週期。團隊以多通道光量子傳感器測量各波段光子數,並將數據回傳控制系統閉環調光;作物生長數據亦用於訓練植物生長大模型、迭代配方。植物工廠與光電子農業技術已走出實驗室,產品銷往馬來西亞、新加坡等國家和地區。

  3. Hacker News 熱門(buzzing.cc 中文翻譯)72

    65 個 AI 模型測試顯示,不同用戶常收到相同建議

    作者向來自 30 間公司的 65 個 AI 提問 127,918 次,發現不同用戶經常收到相同建議。書籍推薦中,73% 的回答是《Man's Search for Meaning》,而 90% 的求學建議指向電腦科學;在一個可逐階段測量的開放模型中,常見答案於監督式微調階段出現。測試亦顯示,提供個人細節可把常見預設答案比例由 53% 降至 11%,要求列出 10 個選項後自行挑選則降至 17%。

  4. DEV Community39

    人形機械人的低延遲,代價在訓練階段支付

    預印本《Beyond Retargeting》提出一種人形機械人控制策略,將原始人體動作直接映射為機械人關節指令,省去即時動作重定向。該策略在 Unitree G1 模擬環境及硬件上測試,作者報告其延遲和穩健性均優於比較基線。省下的即時轉換工作轉移至訓練階段,控制效果取決於動作數據對不同體型、速度及感測條件的涵蓋。

  5. DEV Community39

    Harness-S 如何利用專門化執行框架訓練可遷移回原始框架的策略

    Harness-S 在 AppWorld、SWE-Gym 和 DBBench 上利用專門化執行框架訓練共享策略,並在原始執行系統 H0 下評估時,表現顯著優於只訓練策略的方法。Qwen3.5-4B 和 Qwen3.5-9B 兩種規模的策略均有提升;在執行器 rollout 次數相同的情況下,Rank-1 推理路由亦帶來增益。原文未提供主要結果表的數值。

  6. 阿里雲開發者社區 AI34

    LLM 文本私隱與匿名化方法綜述

    這項綜述梳理 LLM 文本私隱與匿名化方法的演進,指出研究已由靜態移除個人可識別資訊(PII),轉向兼顧語義效用、任務需求與合規性的動態決策。文中整理語義重寫、局部差分私隱、基準評估及代理私隱對齊等路線,並比較各自在表示質素、適應效率與計算成本上的取捨。

  7. 新浪科技51

    機械人低質數據泛濫:低質數據如何產生

    機械人訓練數據低質的成因包括觀測未涵蓋動作決策依據、EGO 數據重複或與需求不匹配,以及仿真對流體和柔性體的精度不足。文中引用的積木拾取對照顯示,以操作員與機械人同視角觀察的數據訓練模型,手臂操作準確率由約 50% 提高至 100%。姚卯青表示,市場上有企業購入 100 萬小時數據後,最終只有 10% 至 20% 可用。

  8. DEV Community29

    理解線性回歸:機器學習初學者指南

    線性回歸透過學習輸入特徵與輸出的關係,預測連續數值,是監督式機器學習算法。文章以房屋面積和價格的數據集示範如何用 Python 和 Scikit-learn 訓練及評估模型,並説明 MSE 如何衡量預測誤差;數據集為學習用途而人工建立,並非真實房價數據集。

  9. UNWIRE.PRO · 人工智能68

    阿里雲預計 2027 至 2028 年中國算力最緊缺,訓練優先用平頭哥、推理採用多款國產晶片

    阿里巴巴預計 2027 及 2028 年是中國算力最緊缺的兩年,阿里雲 2027 年後以平頭哥國產晶片為主,旗艦晶片優先用於訓練,推理則會盡量採購不同晶片。阿里已在平頭哥晶片上訓練下一代千問(Qwen)模型,下一代平頭哥晶片預計於 2027 年第 1 季全面支援超大規模模型訓練。公司尚未交代外部雲端客戶的晶片配額或價格安排,並初步評估 2032 年全球數據中心規模超過 20GW 的目標可能下調。

  10. DEV Community64

    AI 能寫程式,為甚麼仍要學機器學習?

    AI 助手能快速生成機器學習程式碼,但學習機器學習仍有必要,因為判斷模型是否適用、資料有否偏差及結果是否可靠,不能只看程式能否執行。文章以資料洩漏、預測與因果推論的區別,以及偏差與變異的取捨,説明人工判斷仍然重要。作者建議先界定問題,再用 AI 起草程式,檢查假設、設定簡單基準,並以符合實際情境的資料測試。