微软通过基于人工智能的内容管理工具重新推出Syntex

　　微软通过基于人工智能的内容管理工具重新推出Syntex〔1〕
　　MicrosoftlogoMartynWilliamsIDG图片来自网站〔1〕
　　微软定义了一种名为内容人工智能的新技术类别，重新推出了Syntex，它配备了一套人工智能和低代码工具，用于自动化内容创建、索引和发现，这是应用程序使用AI来简化组织处理内容的方式。
　　微软称之为内容人工智能的新类别技术的一部分，微软Syntex。在公司周三的Ignite会议上宣布，以前称为SharePointSyntex，使用人工智能自动读取、标记和索引大量内容，并将其连接到它所在的位置从Microsoft365（新更名为Office365）和Azure到PowerPlatform和MicrosoftPurview的上下文和集成产品。
　　构成MicrosoftSyntex的许多功能都使用低代码和无代码，使得几乎没有编码经验的用户能够充分利用MicrosoftSyntex。
　　MicrosoftSyntex现已推出，包括文档处理、注释、内容组装、内容查询、加速器等。更多服务将于今年晚些时候公开预览，其余服务将在2023年推出。
　　微软还将为Syntex引入消费业务模型，允许客户扩展服务系列以最好地满足他们的需求。训练速度提高最多5。4倍，谷歌提出RL训练新范式ActorQ〔2〕
　　近日，谷歌的研究者在《TransactionsofMachineLearningResearch》期刊上发表了《QuaRL：快速和环境可持续强化学习的量化》，介绍了一种称为ActorQ的新范式。该范式使用了量化，在保持性能的同时，将强化学习训练速度提高1。55。4倍。作者证明，与全精度训练相比，碳足迹也减少了1。93。8倍。
　　在ActorQ中，作者使用了ACME分布式强化学习框架。量化模块执行统一量化，将FP32转换为int8。actor使用优化的int8计算进行推理。
　　作者在一系列环境中评估ActorQ，包括DeepmindControlSuite和OpenAIGym。作者演示了D4PG和DQN的加速和性能改进。选择D4PG是因为它是用于DeepmindControlSuite任务的ACME中最好的学习算法，而DQN是一种广泛使用的标准强化学习算法。
　　使用ActorQ在强化学习中应用量化可以在不影响性能的情况下缩短训练时间。更有效地使用硬件，并减少了碳足迹。作者通过在训练时使用FP32的碳排放量与在训练时采用int8的排放量之比来衡量碳足迹的改善。
　　ActorQ证明量化可以有效地应用于强化学习的许多方面，从获得高质量和高效的量化策略到减少训练时间和碳排放。随着强化学习在解决现实问题方面继续取得长足进步，我们有理由相信，使强化学习训练实现可持续发展将是关键。当将强化学习扩展到数千个CPU和GPU时，即使50的改进也会在成本、能源和碳排放方面显著降低。作者的工作是将量化应用于强化学习训练以实现高效和环境可持续训练的第一步。
　　作者在ActorQ中的量化设计基于简单的均匀量化，但实际可以应用其他形式的量化、压缩和稀疏性（如蒸馏、稀疏化等）。未来的工作将考虑应用更积极的量化和压缩方法，这可能会为强化学习在训练性能和精度的权衡上带来更多的好处。网传张益唐宣称解决黎曼猜想相关朗道西格尔零点猜想，论文将在11月公布〔3〕
　　张益唐图片来自网站〔3〕
　　消息称，张益唐在北京大学纽约地区校友会上表示他做完了朗道西格尔（LandauSiegel）猜想，即零点猜想，而后有相关北大校友群微信截图广泛传播。
　　根据这条爆料消息来看，相关文章将会在11月初发到预印本网站，有一百多页。
　　微博博主物理芝士数学酱认为，如果张益唐所证明的是朗道西格尔零点存在，那么黎曼猜想就可以死了：张益唐直接就是前后50年里最伟大的数学家，没有之一。但与此同时，他认为这就过于骇人听闻，因此他更倾向于认为张益唐所证明的，是朗道西格尔零点不存在这也是更令人信服的结论。〔4〕让机器狗当守门员，这靠谱吗〔5〕
　　机器狗守门图片来源网站〔5〕
　　这款机器狗是MIT在2019年研发的MiniCheetah，现在来自加州大学伯克利分校等机构的研究者为MiniCheetah部署了一个新的强化学习框架，让它完成足球守门任务，守门成功率高达87。5。
　　英超联赛中最好的职业足球守门员能守住大约80的射门。这是非常好的，但它远不及9公斤重的四足机器人可以阻挡87。5的射门。在它的小目标中，与小孩子的小射门相比，MiniCheetah被证明是一名出色的守门员。
　　机器狗守门是一个具有挑战性的问题，因为它涉及球的高速移动，包括高度和速度，特别是，在除球门之外的任何方向上飞来的球。想要守住球门，就要教机器人快速移动它的身体，同时又要确保它的脚（或脸）最终到达他们需要及时阻挡球的地方，这基本上是将两个问题结合在一起。
　　诀窍是将正确的运动控制器与末端执行器轨迹规划器相结合，这样可以找到让MiniCheetah守球的最佳方法，所有这些动作都在不到一秒钟的时间内完成。
　　这些动作需要机器狗掌握一套切实可用的守门员技巧，它的每个动作都需要手动编程，并且在训练之后转移到机器人上。拦截球涉及系统选择哪种技能将使机器人的一部分以最稳定和最节能的方式接住球。
　　论文地址：https：arxiv。orgpdf2210。04435。pdf往期推荐：高通骁龙人工智能之旅美国霸权下的国内存算一体芯片的未来NumberOneAI以改变孵化器游戏的使命启动参考资料
　　〔1〕微软通过广泛的基于人工智能的内容管理工具重新推出Syntex：https：www。computerworld。comarticle3676509microsoftrelaunchessyntexwithbroadsetofaibasedcontentmanagementtools。html
　　〔2〕训练速度提高最多5。4倍，谷歌提出RL训练新范式ActorQ：https：www。jiqizhixin。comarticles202210142
　　〔3〕网传张益唐宣称解决黎曼猜想相关朗道西格尔零点猜想，论文11月将公布：https：www。jiqizhixin。comarticles20221016
　　〔4〕微博博主物理芝士数学酱认为，如果张益唐所证明的是朗道西格尔零点存在，那么黎曼猜想就可以死了：张益唐直接就是前后50年里最伟大的数学家，没有之一。但与此同时，他认为这就过于骇人听闻，因此他更倾向于认为张益唐所证明的，是朗道西格尔零点不存在这也是更令人信服的结论。：https：baijiahao。baidu。coms？id1746846711594125094wfrspiderforpc
　　〔5〕让机器狗当守门员，这靠谱吗：https：spectrum。ieee。orgfootballrobotminicheetah
　　编者按：文章内容来自网络，只做知识分享不做商业用途，如无意侵犯某方知识产权，请联系我们删除。