Согласно отчету 36Kr, недавно iAnalytics и JD Cloud совместно выпустили «Отчет о расширенном хранении ИИ в финансовой отрасли». В отчете проводится углубленный анализ потребностей финансовых учреждений в мощностях хранения данных и высказывается предположение, что создание пригодной для использования, надежной и контролируемой расширенной емкости хранения данных является обязательным условием для финансовой отрасли для внедрения большой модели. Сообщается, что JD Cloud начал R&D в 2012 году, а JD Cloud Cloud Hai, основанный на архитектуре хранения данных нового поколения, был официально выпущен в 2022 году. В настоящее время распределенное хранилище JD Cloud Yunhai Distributed Storage обслуживает строительство крупномасштабной инфраструктуры вычислительных мощностей нескольких коммерческих банков и компаний, занимающихся ценными бумагами.

Как сообщает IT House 20 октября, Стэнфордский университет недавно выпустил «индикатор прозрачности» базовой модели ИИ, из которых самым высоким показателем является Meta Lama 2, но релевантная «прозрачность» составляет всего 54%, поэтому исследователи считают, что почти всем моделям ИИ на рынке «не хватает прозрачности». Сообщается, что исследование проводилось под руководством Риши Боммасани, главы Исследовательского центра базовых моделей HAI (CRFM), и изучило 10 самых популярных базовых моделей за рубежом. Риши Боммасани считает, что «отсутствие прозрачности» всегда было проблемой, с которой сталкивалась индустрия ИИ, и с точки зрения конкретных «индикаторов прозрачности» модели, IT House обнаружила, что соответствующий контент оценки в основном вращается вокруг «авторских прав на набор данных для обучения модели», «вычислительных ресурсов, используемых для обучения модели», «достоверности контента, генерируемого моделью», «способности самой модели», «риска того, что модель будет спровоцирована генерировать вредоносный контент», «конфиденциальности пользователей, использующих модель» и т. д., всего 100 пунктов. Окончательный опрос показал, что прозрачность Lama 2 от Meta составила 54%, в то время как прозрачность GPT-4 от OpenAI составила всего 48%, а PaLM 2 от Google занял пятое место с 40%.

Согласно сообщению от 16 октября, компания Hon Hai Precision Industry Co., Ltd. (Hon Hai Precision) заявила несколько дней назад, что в рамках плана трансформации Hon Hai «3+3» Институт точных исследований Hon Hai вчера запустил лабораторию квантовых вычислений с ионными ловушками. Лаборатория сосредоточена на обеспечении эффективной вычислительной мощности, необходимой для нового поколения технологий искусственного интеллекта и автомобилей. Сообщается, что план «3+3» относится к развитию трех новых областей – электромобилей, робототехники и цифрового здравоохранения – за счет использования искусственного интеллекта, полупроводников и коммуникационных технологий.

Согласно отчету «Ежедневного совета по инновациям в области науки и технологий» от 14 августа, Hon Hai снизила свою операционную цель на этот год с первоначальной цели сохранения того же уровня, что и в прошлом году, до небольшого снижения. Лю Янвэй, председатель Hon Hai, отметил, что вторая половина года войдет в традиционный пиковый сезон, и силу восстановления рынка еще предстоит увидеть.Восстановление отрасли персональных компьютеров идет медленно, и ожидается, что оно начать восстанавливаться во второй половине года. Тем не менее, серверы искусственного интеллекта (ИИ) все еще могут сильно расти, и спрос со стороны поставщиков облачных услуг может расти, но другие типы продуктов в облаке не претерпели никаких улучшений.

Согласно отчету Jinshi от 23 мая, на официальном сайте Hon Hai Technology Group было объявлено, что Исследовательский институт искусственного интеллекта его дочернего научно-исследовательского института Hon Hai и Городской университет Гонконга совместно запустили новое поколение модели глубокого обучения «QCNet» для прогнозирование траектории автономного вождения впервые. Согласно сообщениям, QCNet может фиксировать несколько потенциальных намерений транспортных средств в сложных дорожных условиях, прогнозировать траекторию движения в течение 6–8 секунд в будущем на большом расстоянии и точно прогнозировать несколько целей на сцене одновременно. encode Вычислительная эффективность процессора увеличена более чем на 85%.