搜索：数据瓶颈 - AI Reading Hub

「数据瓶颈」共找到 2932 篇相关文章

10万引普林斯顿刘壮最新访谈：架构没那么重要，数据才是王道

普林斯顿大学助理教授刘壮在访谈中指出，架构没那么重要，数据、规模和记忆才是决定AI成败的关键。他认为ConvNet和Transformer性能差异源于训练细节；当前数据集远不够多样；大语言模型有语言空间的世界模型，但视觉空间的还缺失；记忆是瓶颈，智能体只是权宜之计；AI目前还替代不了研究生。

在机器人和具身智能领域，transformer模型又大又‘重’，边缘设备难以承受。东南大学、中南大学、明略科技联合提出的CompTrack论文，创新性解决AI模型处理稀疏数据的‘双重冗余’，在3D点云跟踪任务上实现精度和速度双优。

Google DeepMind团队开发的DataRater可全自动评估数据质量，用元学习筛选有价值数据，提升模型训练效率。它能减少计算量、提高性能，在低质量数据集效果佳，还能跨模型规模泛化。

Uber构建的HiveSync是分片式批量复制系统，能让Hive和HDFS数据跨区域同步，每天处理数百万Hive事件。它基于Airbnb ReAir扩展，分离控制与数据平面，有复制和数据修复两组件，未来计划拓展到云端。

在大模型深度研究中，高质量数据是短板。近日，智源研究院发布首个面向深度研究的开源数据集InfoSeek，提出「扩散 - 回溯」数据合成方法，用3B模型在基准测试中接近商业模型表现，且数据集可扩容。

生成式AI普及，数据保护成挑战。来自多机构研究者发布论文，提出全新数据保护分级体系，分为数据不可用、隐私保护、可溯源、可删除四级，还探讨了技术、法规及面临的挑战。

为解决基础模型在专业领域表现不佳、依赖人工标注数据的难题，北大、MIT等机构提出「合成数据强化学习」框架。该框架仅需任务定义，能生成合成数据微调模型，在多领域基准上性能提升显著，代码已开源。

近年来文本驱动动作生成有进展，但受限于数据集质量。Snap团队提出SnapMoGen数据集和MoMask++模型。前者有2万条动作片段和12.2万条文本描述，后者建模更有效，还结合LLM提升适用性，但二者都有局限。

甲骨文公司副总裁吴承杨认为 AI 放大了数据优势，多模融合数据库至关重要。对比传统开源数据库，Oracle 能精简编排步骤。嵇小峰指出企业构建 Agent AI 要关注数据需求和安全。

具身智能进入数据Scaling Law时代，光轮智能完成10亿融资成全球首家具身数据独角兽。它构建了World-Behavior-Eval数据引擎体系，在多领域获国际交付冠军，客户涵盖顶尖企业，正构建物理AI时代基础设施。