昨天上午,MIDC 2018小米AIoT开发者大会现场,小米一口气发布4大合作,在AI+IoT领域高举高打进军商旅、汽车、家装3大领域,还宣布推出亿元规模的基金,打造开发者激励计划。
大会开始,雷军先登场。他首先感叹,要感谢历史进程、感谢移动互联网时代,让小米从一开始就站在了AIoT产业的最高处。
最早布局,AIoT是小米的核心战略
早在2014年,小米开始专门成立部门搞IoT连接模组,其后又成立了小米生态链部,孵化投资IoT领域的创新创业公司。
5年不到,小米投资和孵化了220家生态链企业,其中100多家专注于智能硬件和生活消费品,华米、云米等均已独立上市。在小米手环、空气净化器和平衡车等消费品类领域,小米生态链都创造了多个世界第一。
而总成绩方面,小米IoT平台现在已经支持2000款设备,智能设备连接数超过1.32亿台。在消费类设备领域,这已是当之无愧的全球第一,领先亚马逊、Google等全球巨头。
雷军说,小爱同学之所以受欢迎,不仅是智能语音助手,而且还在于可以连接各种IoT设备。小爱同学的累计激活设备数1亿台,累计唤醒次数80亿次,月活跃用户超过3400万。
业内人士指出,在AIoT领域,小米布局最早,积累最厚,已经形成了强大的生态链体系,线上线下渠道都已打通,加上AI、场景和大数据相互作用下的不断迭代,未来发展还会更快。
牵手宜家,小米发力家居、商旅、出行领域
会上,小米和宜家正式宣布达成全球战略合作。
12月开始,宜家全系智能灯产品都将接入小米IoT平台,用户可以使用小爱同学、米家App等控制宜家的智能灯产品,并且可以实现宜家智能灯与小米IoT智能设备,如传感器、家用电器,之间的场景联动。宜家智能灯产品将通过ZigBee协议与小米网关直连。
宜家零售中国区总裁Anna Pawlak-Kuliga现场介绍:这是宜家第一次跟中国科技创新公司达成合作,在家居行业,宜家是一个深入人心的品牌,商业模式也获得了全球认可。但面对新技术、新趋势,还有中国的发展速度,宜家也在进行战略转型。
除了宜家,小米还公布了与全季酒店、车和家,爱空间的合作。在全季上海虹桥中心酒店,小米与全季共同开发了智慧酒店系统,采用了全套小米智能家居解决方案,顾客可以用小爱同学调节灯光、温度,查询酒店信息等。小爱同学与车和家深度合作,共同打造小爱同学车载解决方案,打造车载语音“新体验”。爱空间则推出小米智能照明套餐。小米相关负责人表示,这一切还只是开始,未来在更多领域、更多场景,还会有更多合作和更大想象空间。
小米全面开放AIoT,投入亿元设立开发者基金
小米还推出了开发者激励计划,小米将打造“小米AIoT开发者基金”,先期投入1亿元人民币,用于激励AI技能开发者、硬件设备厂商和AI技术公司。
根据此次披露的数据。截止11月5日,小米IoT平台已连接了超过1.32亿台智能设备,遍布全球超过200个国家和地区,日活设备超过2000万台,每日处理设备请求高达800亿次。此外,依托小米IoT平台,小米AI智能助理小爱同学累计激活设备约1亿台,月活跃用户已超3400万,累计唤醒次数超80亿。
据介绍,过去一年小米IoT平台接入了1000款第三方产品,小爱开放平台已有1000多家企业开发者,7000多名个人开发者,在众多开发者的参与下,小爱同学拥有了1300多项技能。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。