多模態(tài)檢索成為近期關(guān)注的問題，當(dāng)前的方法包括單流方法、多流方法，以及不同模態(tài)之 間對齊的技術(shù)，已經(jīng)在知識挖掘L域開展應(yīng)用。
圖像問答可以分為三個層次:
1.初級:從圖像識別啲結(jié)果中直接得到答案
2.中等：答案需要簡單事實的支持
3.G級:對于復(fù)雜的問題，答案不在圖像中，可能涉及常識、具體 話題和百科知識進行推理
多模態(tài)問答的挑戰(zhàn)：
1 多模態(tài)數(shù)據(jù)具有異構(gòu)性
2 多模態(tài)數(shù)據(jù)的關(guān)聯(lián)難度表示較大
3 多模態(tài)知識融合困難
4 多模態(tài)問答大多只能處理簡單的問題
5 多模態(tài)知識問答推理能力弱
6 多模態(tài)知識問答可解釋性差
谷歌CVPR 2022擁有18億參數(shù),并使用30億的 標(biāo)注圖像進行訓(xùn)練,在ImageNet上取得了新的記錄90.45%,證明了視覺大模型（30億參數(shù)）在廣泛視覺問題上的有效性
OpenAI提出DALLE模型,可以根據(jù)用戶輸入的文本生成對應(yīng)的圖像,Imagen模型,CogView,VQ-Diffusion 模型以及 NUWA-infinity 等效果同樣出色
告立足于算法的技術(shù)趨勢和行業(yè)應(yīng)用現(xiàn)狀,從法律監(jiān)管,倫理治理,技術(shù)治理三個層面梳理總結(jié)國內(nèi)外在算法治理方面的實踐做法,保障算法技術(shù)創(chuàng)新與應(yīng)用健康
受基層影像醫(yī)師學(xué)歷偏低和經(jīng)驗不足等因素影響,基層影像設(shè)備診療能力并未被完全釋放,為人工智能醫(yī)學(xué)影像產(chǎn)品在基層落地提供巨大市場機遇
D一級銀行業(yè)金融機構(gòu)未在任何業(yè)務(wù)建立模型分級方法/流程;D二級銀行業(yè)金融機構(gòu)從業(yè)務(wù)和技術(shù)層面;第三級銀行業(yè)金融機構(gòu)明確模型分級原則方法和操作要求
我國新一代人工智能治理工作框架應(yīng)整合社會各界對AI社會技術(shù)復(fù)合體的離散性認知,突破AI包容審慎實踐的探索,建立基于“邏輯-秩序-監(jiān)管“的人工智能治理工作框架
G增長:未來五年人工智能市場規(guī)模平均增速將超過20%;G集中:軟件占比近40%硬件產(chǎn)品占比接近35%;G壁壘:滲透率還不到4%
在規(guī)劃設(shè)計階段機器學(xué)習(xí)場景中固有的不可預(yù)測性,傳達實施偏差會進一步加劇;在研發(fā)部署階段模型運行之后的動態(tài)更新缺乏足夠驗證等挑戰(zhàn)
構(gòu)建面向可持續(xù)發(fā)展的人工智能技術(shù)體系,推動人工智能技術(shù)可用、可靠、可信，其內(nèi)涵包括提升技術(shù)安全和構(gòu)建技術(shù)管理機制兩個層面工作
企業(yè)作為落實人工智能治理原則的重要主體,形成覆蓋人工智能產(chǎn)品全生命周期的風(fēng)險管理機制,提出了面向可持續(xù)發(fā)展的人工智能治理基本框架
數(shù)據(jù)不完備和濫用風(fēng)險突出而損害用戶的權(quán)益;人工智能算法存在固有缺陷在可解釋性魯棒性偏見歧視等方面尚存在局限;企業(yè)人工智能管理體系不完善
調(diào)度決策外賣調(diào)度系統(tǒng)困住騎手;個性化推薦電商場景下的信息繭房和馬太效應(yīng);內(nèi)容治理如何守護清朗健康的網(wǎng)絡(luò)環(huán)境;人工智能可以放心使用嗎
人工智能市場收支規(guī)模達850廳美元,預(yù)測,2022年該市場規(guī)模將同比增長約20%至 1017廳美元,并將于2025年突破2000廳美元大關(guān), CAGR 達24.5%
頭部科技企業(yè)先后發(fā)布了AI治理戰(zhàn)略和治理體系,成立了相關(guān)委員會和工作組,聚焦企業(yè)層面的AI治理和風(fēng)險管理體系,可信AI技術(shù)和保障工具也在蓬勃發(fā)展
智能文檔處理、智能會議、知識管理、智能客服等各類企業(yè)智能應(yīng)用不斷發(fā)展，多面賦能企業(yè)辦公、管理、決策、風(fēng)控、營銷、服務(wù)等各個環(huán)節(jié)
AI軟件設(shè)施在近兩年成為產(chǎn)業(yè)焦點,AI開源框架生態(tài),預(yù)訓(xùn)練大模型體系,AI軟件平臺生態(tài)等內(nèi)容都得到了長足的發(fā)展,像水電一樣成為觸手可得的普惠資源
到端的MLOps一體化工具和細分場景的專項工具都非常火熱,端到端工具追求大而全的功能集,專項工具在局部或某些場景下功能和性能較好
