Yubei Chen, Συνιδρυτής της Aizip Inc – Σειρά Συνεντεύξεων

Yubei Chen είναι συνιδρυτής της Aizip inc., μια εταιρεία που κατασκευάζει τα μικρότερα και πιο αποτελεσματικά μοντέλα AI. Είναι επίσης βοηθός καθηγητής στο Τμήμα Ηλεκτρολογικών Μηχανικών στο Πανεπιστήμιο της Καλιφόρνιας, Ντέιβις. Η έρευνά του βρίσκεται στο σημείο τομής της υπολογιστικής νευροεπιστήμης και της βαθιάς αυτο-επιτηρούμενης (αυτο-διδακτικής) μάθησης, ενισχύοντας την κατανόησή μας για τις υπολογιστικές αρχές που διέπουν την αυτο-επιτηρούμενη μάθηση αναπαράστασης σε εγκέφαλο και μηχανές, και αναμορφώνοντας τις γνώσεις μας για τις φυσικές στατιστικές σημάτων.

Πριν ενταχθεί στο Πανεπιστήμιο της Καλιφόρνιας, ο Chen ολοκλήρωσε τη μετεκπαίδευσή του με τον καθηγητή Yann LeCun στο Κέντρο Επιστημών Δεδομένων του NYU (CDS) και την Fundamental AI Research (FAIR) της Meta. Ολοκλήρωσε το διδακτορικό του στο Κέντρο Θεωρητικής Νευροεπιστήμης Redwood και στο Εργαστήριο Έρευνας Νοημοσύνης του Πανεπιστημίου της Καλιφόρνιας, Μπέρκλεϊ, υπό την εποπτεία του καθηγητή Bruno Olshausen.

Aizip αναπτύσσει υπερ-αποτελεσματικές λύσεις AI που έχουν βελτιστοποιηθεί για περιφερειακές συσκευές, προσφέροντας συμπαγείς μοντέλα για εφαρμογές όρασης, ήχου, χρονοσειρών, γλώσσας και συνδυασμού αισθήσεων. Τα προϊόντα της επιτρέπουν εργασίες όπως αναγνώριση προσώπου και αντικειμένου, ανίχνευση λέξεων-κλειδιών, ανάλυση ΕΚΓ/ΕΕΓ και chatbots σε συσκευές, όλα αυτά με τη δύναμη της TinyML. Μέσω της πλατφόρμας AI Nanofactory, Aizipline, η εταιρεία επιταχύνει την ανάπτυξη μοντέλων χρησιμοποιώντας θεμελιώδεις και γενετικές μοντέλα για να προωθήσει την πλήρη αυτοματοποίηση σχεδιασμού AI. Η σειρά Gizmo της Aizip, που αποτελείται από μικρά μοντέλα γλώσσας (300M–2B παραμέτρων), υποστηρίζει eine ευρεία γκάμα συσκευών, φέρνοντας νοητικές ικανότητες στην περιφέρεια.

Είχατε την ευκαιρία να κάνετε μετεκπαίδευση με τον Yann LeCun στο NYU και την Meta FAIR. Πώς η συνεργασία με τον Yann LeCun και η έρευνά σας στο Πανεπιστήμιο της Καλιφόρνιας επηρέασαν την προσέγγισή σας στην κατασκευή πραγματικών λύσεων AI;

Στο Μπέρκλεϊ, η δουλειά μου ήταν βαθιά ριζωμένη στη научική έρευνα και μαθηματική αυστηρότητα. Η έρευνά μου για το διδακτορικό, που συνδύασε ηλεκτρολογική μηχανική, επιστήμη υπολογιστών και υπολογιστική νευροεπιστήμη, επικεντρώθηκε στην κατανόηση των συστημάτων AI από μια “λευκή κιβωτό” προοπτική, ή στην ανάπτυξη μεθόδων για την αποκάλυψη των υποκείμενων δομών των δεδομένων και των μοντέλων μάθησης. Εργάστηκα στην κατασκευή ερμηνεύσιμων, υψηλών επιδόσεων μοντέλων AI και τεχνικών οπτικοποίησης που βοήθησαν στην ανοικτή μαύρη κιβωτό των συστημάτων AI.

Στην Meta FAIR, ο焦点 ήταν στην μηχανική των συστημάτων AI για την επίτευξη κορυφαίων επιδόσεων σε κλίμακα. Με πρόσβαση σε παγκόσμια κλάση υπολογιστικών πόρων, εξερεύνησα τα όρια της αυτο-επιτηρούμενης μάθησης και συνεισέφερα σε αυτό που τώρα ονομάζουμε “παγκόσμια μοντέλα” — συστήματα AI που μαθαίνουν από δεδομένα και φανταστούν δυνατά περιβάλλοντα. Αυτή η διπλή εμπειρία — επιστημονική κατανόηση στο Μπέρκλεϊ και μηχανική-κίνητη κλιμάκωση στην Meta — μου έδωσε μια ολοκληρωμένη προοπτική στην ανάπτυξη AI. Τόνισε την_importance που έχουν και η θεωρητική ερμηνεία και η πρακτική εφαρμογή όταν αναπτύσσετε λύσεις AI για πραγματικές εφαρμογές

Η δουλειά σας συνδυάζει υπολογιστική νευροεπιστήμη με AI. Πώς οι γνώσεις από τη νευροεπιστήμη επηρεάζουν τον τρόπο με τον οποίο αναπτύσσετε μοντέλα AI;

Στη υπολογιστική νευροεπιστήμη, μελετάμε πώς ο εγκέφαλος επεξεργάζεται πληροφορίες μετρώντας τις απαντήσεις του σε διάφορες ερεθίσματα, πολύ σαν τον τρόπο που εξετάζουμε τα μοντέλα AI για να κατανοήσουμε τα εσωτερικά τους μηχανισμοί. Νωρίς στην καριέρα μου, ανέπτυξα τεχνικές οπτικοποίησης για την ανάλυση ενσωματωμένων λέξεων — διασπώντας λέξεις όπως “μήλο” στις συνθετικές τους σημασιολογικές ενότητες, όπως “φρούτο” και “τεχνολογία”. Αργότερα, αυτή η προσέγγιση επεκτάθηκε σε πιο σύνθετα μοντέλα AI όπως μετασχηματιστές και μεγάλα μοντέλα γλώσσας, τα οποία βοήθησαν στην αποκάλυψη του τρόπου με τον οποίο επεξεργάζονται και αποθηκεύουν γνώσεις.

Αυτές οι μέθοδοι είναι παρόμοιες με τις τεχνικές στη νευροεπιστήμη, όπως η χρήση ηλεκτροδίων ή fMRI για τη μελέτη της δραστηριότητας του εγκεφάλου. Η διερεύνηση των εσωτερικών αναπαραστάσεων ενός μοντέλου AI μας επιτρέπει να κατανοήσουμε τις στρατηγικές συλλογισμού του και να ανιχνεύσουμε αναδυόμενες ιδιότητες, όπως νευρώνες εννοιών που ενεργοποιούν για συγκεκριμένες ιδέες (όπως το χαρακτηριστικό Golden Gate Bridge που βρήκε η Anthropic όταν χαρτογράφησε το Claude). Αυτή η γραμμή έρευνας έχει теперь υιοθετηθεί ευρέως στη βιομηχανία, επειδή έχει αποδειχθεί ότι μπορεί να ενισχύσει τόσο την ερμηνευσιμότητα όσο και τις πρακτικές παρεμβάσεις, αφαιρώντας προκαταλήψεις από τα μοντέλα. Έτσι, οι προσεγγίσεις που εμπνέονται από τη νευροεπιστήμη βοηθούν στην καθιστά την AI πιο ερμηνεύσιμη, αξιόπιστη και αποτελεσματική.

Τι σας ενέπνευσε να συνιδρύσετε την Aizip; Μπορείτε να μοιραστείτε το ταξίδι από την концепτοποίηση έως την έναρξη της εταιρείας;

Ως θεμελιώδης ερευνητής AI, μεγάλο μέρος της δουλειάς μου ήταν θεωρητικό, αλλά ήθελα να γεφυρώσω το χάσμα μεταξύ έρευνας και πραγματικών εφαρμογών. Συνίδρυσα την Aizip για να φέρω τις καινοτομίες AI σε πρακτική χρήση, ιδιαίτερα σε περιβάλλοντα με περιορισμένα πόρους. Αντί να κατασκευάζω μεγάλα θεμελιώδη μοντέλα, εστιάσαμε στην ανάπτυξη των μικρότερων και πιο αποτελεσματικών μοντέλων AI, τα οποία θα ήταν βελτιστοποιημένα για περιφερειακές συσκευές.

Το ταξίδι ξεκίνησε ουσιαστικά με μια κρίσιμη παρατήρηση: Ενώ οι προόδους του AI αυξάνονταν γρήγορα, οι πραγματικές εφαρμογές συχνά απαιτούσαν ελαφριά και υψηλά αποτελεσματικά μοντέλα. Τότε είδαμε μια ευκαιρία να πιονέψουμε μια νέα κατεύθυνση που θα ισορροπούσε την επιστημονική αυστηρότητα με την πρακτική ανάπτυξη. Χρησιμοποιώντας γνώσεις από την αυτο-επιτηρούμενη μάθηση και συμπαγείς αρχιτεκτονικές μοντέλων, η Aizip κατάφερε να προσφέρει λύσεις AI που λειτουργούν αποτελεσματικά στην περιφέρεια και ανοίγουν νέες δυνατότητες για την AI σε ενσωματωμένα συστήματα, IoT και πέρα.

Η Aizip ειδικεύεται σε μικρά μοντέλα AI για περιφερειακές συσκευές. Ποιο χάσμα στην αγορά είδε ότι οδήγησε σε αυτή την εστίαση;

Η βιομηχανία AI έχει επικεντρωθεί κυρίως στην κλιμάκωση των μοντέλων, αλλά οι πραγματικές εφαρμογές απαιτούν συχνά το αντίθετο — υψηλή αποτελεσματικότητα, χαμηλή κατανάλωση ενέργειας και ελάχιστη καθυστέρηση. Πολλά μοντέλα AI σήμερα είναι πολύ υπολογιστικά δαπανηρά για ανάπτυξη σε μικρές, ενσωματωμένες συσκευές. Είδαμε ένα χάσμα στην αγορά για λύσεις AI που θα μπορούσαν να προσφέρουν ισχυρές επιδόσεις ενώ λειτουργούν εντός ακραίων περιορισμών πόρων.

Αναγνωρίσαμε ότι δεν είναι απαραίτητο για κάθε εφαρμογή AI να τρέχει σε τεράστια μοντέλα, αλλά ότι επίσης δεν θα ήταν κλιμακωτό να βασιστούμε σε μοντέλα αυτού του μεγέθους για όλα. Αντίθετα, εστιάσαμε στην βελτιστοποίηση των αλγορίθμων για να επιτύχουμε μέγιστη αποτελεσματικότητα διατηρώντας την ακρίβεια. Σχεδιάζοντας μοντέλα AI που προορίζονται για εφαρμογές περιφέρειας — είτε σε έξυπνες αισθητήρες, wearables, ή βιομηχανική αυτοματοποίηση — ενεργοποιούμε την AI να τρέχει σε μέρη όπου τα παραδοσιακά μοντέλα θα ήταν ακατάλληλα. Η προσέγγισή μας κάνει την AI πιο προσιτή, κλιμακωτή και ενεργειακά αποτελεσματική, ξεκλείδωνοντας νέες δυνατότητες για καινοτομία AI πέρα από τον συννεφά.

Η Aizip έχει βρεθεί στην πρώτη γραμμή της ανάπτυξης Μικρών Μοντέλων Γλώσσας (SLMs). Πώς βλέπετε τα SLMs να ανταγωνίζονται ή να συμπληρώνουν μεγαλύτερα μοντέλα όπως το GPT-4;

Τα SLMs και τα μεγαλύτερα μοντέλα όπως το GPT-4 δεν είναι απαραίτητα σε άμεση ανταγωνιστική σχέση, επειδή εξυπηρετούν διαφορετικές ανάγκες. Τα μεγαλύτερα μοντέλα είναι ισχυρά σε όρους γενίκευσης και βαθιάς σκέψης, αλλά απαιτούν σημαντικούς υπολογιστικούς πόρους. Τα SLMs σχεδιάζονται για αποτελεσματικότητα και ανάπτυξη σε χαμηλής ισχύος περιφερειακές συσκευές. Συμπληρώνουν τα μεγαλύτερα μοντέλα, ενεργοποιώντας ικανότητες AI σε πραγματικές εφαρμογές όπου η υπολογιστική ισχύς, η καθυστέρηση και το κόστος έχουν σημασία — όπως σε συσκευές IoT, wearables και βιομηχανική αυτοματοποίηση. Όσο η υιοθέτηση AI αυξάνεται, βλέπουμε μια υβριδική προσέγγιση να εμφανίζεται, όπου τα μεγαλύτερα, cloud-βασισμένα μοντέλα χειρίζονται σύνθετα ερωτήματα ενώ τα SLMs παρέχουν πραγματικό χρόνο, τοπική νοημοσύνη στην περιφέρεια.

Ποια είναι οι μεγαλύτερες τεχνικές προκλήσεις στην καθιστά τα μοντέλα AI αρκετά αποτελεσματικά για χαμηλής ισχύος περιφερειακές συσκευές;

Μια από τις θεμελιώδεις προκλήσεις είναι η έλλειψη μιας πλήρης θεωρητικής κατανόησης του πώς λειτουργούν τα μοντέλα AI. Χωρίς μια σαφή θεωρητική βάση, οι προσπάθειες βελτιστοποίησης είναι συχνά εμπειρικές, περιορίζοντας τις κερδισμένες αποτελεσματικότητας. Επιπλέον, η ανθρώπινη μάθηση συμβαίνει με διάφορους τρόπους που τα τρέχοντα παραδείγματα μάθησης μηχανής δεν καταφέρνουν πλήρως να ανταποκριθούν, καθιστώντας δύσκολο το σχεδιασμό μοντέλων που μιμούνται την ανθρώπινη αποτελεσματικότητα.

Από την πλευρά της μηχανικής, η ώθηση του AI να λειτουργήσει εντός ακραίων περιορισμών απαιτεί καινοτόμες λύσεις σε συμπίεση μοντέλων, κβαντοποίηση και σχεδιασμό αρχιτεκτονικής. Μια άλλη πρόκληση είναι η δημιουργία μοντέλων AI που μπορούν να προσαρμοστούν σε eine ποικιλία συσκευών και περιβαλλόντων ενώ διατηρούν την ρομποτική. Όσο η AI αλληλεπιδρά όλο και περισσότερο με τον φυσικό κόσμο μέσω IoT και αισθήσεων, η ανάγκη για φυσικές και αποτελεσματικές διεπαφές — όπως αναγνώριση φωνής και χειρονομιών και άλλες μη παραδοσιακές εισόδους — γίνεται κρίσιμη. Η AI στην περιφέρεια είναι για την αναedefinition του πώς οι χρήστες αλληλεπιδρούν με τον ψηφιακό κόσμο ομαλά.

Μπορείτε να μοιραστείτε κάποιες λεπτομέρειες για την συνεργασία της Aizip με εταιρείες όπως η Softbank;

Συνεργαστήκαμε πρόσφατα με την SoftBank σε ένα έργο α쿠ακουλτούρας που κέρδισε το βραβείο Καινοτομίας CES — ένα που είμαστε ιδιαίτερα υπερήφανοι. Αναπτύξαμε ένα αποτελεσματικό, περιφερειακό-βασισμένο μοντέλο AI για μια εφαρμογή μετρήματος ψαριών που μπορεί να χρησιμοποιηθεί από оперατορς α쿠ακουλτούρας για ψαρόφάρμα. Αυτή η λύση αντιμετωπίζει μια κρίσιμη πρόκληση στην α쿠ακουλτούρα που μπορεί να δημιουργήσει προβλήματα βιωσιμότητας, αποβλήτων τροφίμων και κερδών. Η βιομηχανία ήταν αργή να υιοθετήσει την AI ως λύση λόγω της αβεβαιότητας της ενέργειας και της σύνδεσης στη θάλασσα, καθιστώντας τις cloud-βασισμένες λύσεις AI ακατάλληλες.

Για να λύσουμε αυτό, αναπτύξαμε μια λύση βασισμένη στη συσκευή. Συνδυάσαμε τις προσομοιώσεις γραφικών υπολογιστών της SoftBank για δεδομένα εκπαίδευσης με τα συμπαγείς μοντέλα AI μας και δημιουργήσαμε ένα υψηλά ακριβές σύστημα που τρέχει σε smartphones. Σε υποβρύχιους πεδιακούς тест, έφτασε σε ποσοστό αναγνώρισης 95%, βελτιώνοντας δραματικά την ακρίβεια του μετρήματος ψαριών. Αυτό επέτρεψε στους αγρότες να βελτιστοποιήσουν τις συνθήκες αποθήκευσης, να καθορίσουν εάν τα ψάρια πρέπει να μεταφερθούν ζωντανά ή παγωμένα και να ανιχνεύσουν πιθανές ασθένειες ή άλλα προβλήματα υγείας στα ψάρια.

Αυτή η επέκταση βελτιώνει την αποτελεσματικότητα, μειώνει το κόστος και μειώνει την εξάρτηση από χειροκίνητο εργασία. Πιο ευρύτερα, δείχνει πώς η AI μπορεί να έχει μια ουσιαστική επίδραση σε πραγματικά προβλήματα.

Η Aizip έχει εισαγάγει την έννοια του “AI Nanofactory”. Μπορείτε να εξηγήσετε τι σημαίνει αυτό και πώς αυτοματοποιεί την ανάπτυξη μοντέλων AI;

Το AI Nanofactory είναι η εσωτερική μας πipeline αυτοματοποίησης σχεδιασμού AI, εμπνευσμένη από την Αυτοματοποίηση Σχεδιασμού Ηλεκτρονικής (EDA) στη βιομηχανία ημιαγωγών. Η πρώιμη ανάπτυξη σε οποιοδήποτε αναδυόμενο πεδίο τεχνολογίας περιλαμβάνει πολλή χειροκίνητη προσπάθεια, οπότε η αυτοματοποίηση γίνεται κλειδί για την επιτάχυνση της προόδου και την κλιμάκωση λύσεων καθώς το πεδίο ωριμάζει.

Αντί να χρησιμοποιούμε απλώς την AI για την επιτάχυνση άλλων βιομηχανιών, ρωτήσαμε, μπορεί η AI να επιταχύνει την δική της ανάπτυξη; Το AI Nanofactory αυτοματοποιεί κάθε στάδιο της ανάπτυξης μοντέλων AI, από την επεξεργασία δεδομένων έως τον σχεδιασμό αρχιτεκτονικής, την επιλογή μοντέλων, την εκπαίδευση, την κβαντοποίηση, την ανάπτυξη και την αντιμετώπιση σφαλμάτων. Χρησιμοποιώντας την AI για την βελτιστοποίηση του εαυτού της, καταφέραμε να μειώσουμε τον χρόνο ανάπτυξης για νέα μοντέλα κατά μέσο όρο με ένα παράγοντα 10. Σε ορισμένες περιπτώσεις, πάνω από 1.000 φορές. Αυτό σημαίνει ότι ένα μοντέλο που παλαιότερα χρειαζόταν πάνω από ένα χρόνο για ανάπτυξη, τώρα μπορεί να δημιουργηθεί σε λίγες ώρες.

Ένα άλλο πλεονέκτημα είναι ότι αυτή η αυτοματοποίηση επίσης εξασφαλίζει ότι οι λύσεις AI είναι οικονομικά βιώσιμες για eine ευρεία γκάμα εφαρμογών, καθιστώντας την ανάπτυξη AI σε πραγματικές εφαρμογές πιο προσιτή και κλιμακωτή.

Πώς βλέπετε το ρόλο της AI στην περιφέρεια να εξελίσσεται τα επόμενα πέντε χρόνια;

Η AI στην περιφέρεια υποσχέται να μεταμορφώσει τον τρόπο με τον οποίο αλληλεπιδρούμε με την τεχνολογία, παρόμοια με τον τρόπο που τα smartphones επαναέφεραν την πρόσβαση στο διαδίκτυο. Οι περισσότερες εφαρμογές AI σήμερα είναι cloud-βασισμένες, αλλά αυτό αρχίζει να αλλάζει καθώς η AI μετακινείται πιο κοντά στις αισθήσεις και τις συσκευές που αλληλεπιδρούν με τον φυσικό κόσμο. Αυτή η μετατόπιση τονίζει μια κρίσιμη ανάγκη για αποτελεσματική και πραγματικού χρόνου επεξεργασία στην περιφέρεια.

Τα επόμενα πέντε χρόνια, περιμένουμε την AI στην περιφέρεια να ενεργοποιήσει πιο φυσικές αλληλεπιδράσεις ανθρώπου-υπολογιστή, όπως αναγνώριση φωνής και χειρονομιών και άλλες διεπαφές που δεν βασίζονται σε παραδοσιακές μπάρες like πληκτρολόγια και οθόνες αφής. Η AI αναμένεται επίσης να γίνει πιο ενσωματωμένη σε καθημερινά περιβάλλοντα όπως έξυπνα σπίτια ή βιομηχανική αυτοματοποίηση, επιτρέποντας πραγματικό χρόνο λήψη αποφάσεων με ελάχιστη καθυστέρηση.

Ένας άλλος κρίσιμος тренд θα είναι η αυξανόμενη αυτονομία των συστημάτων AI στην περιφέρεια. Τα μοντέλα AI θα γίνουν πιο αυτο-βελτιστοποιημένα και προσαρμοζόμενα χάρη στις προόδους στην αυτοματοποίηση τύπου AI Nanofactory, οπότε θα μειώσουν την ανάγκη για ανθρώπινη παρέμβαση στην ανάπτυξη και τη συντήρηση. Αυτό θα ανοίξει νέες ευκαιρίες σε eine σειρά βιομηχανιών όπως η υγεία, η αυτοκινητοβιομηχανία και η γεωργία.

Τι είναι κάποια από τα επερχόμενα AI-δυναμωμένα συσκευές από την Aizip που είστε πιο ενθουσιασμένοι για;

Εργαζόμαστε για την επέκταση των μοντέλων μας σε νέες βιομηχανίες, και μια από αυτές είναι που είμαστε ιδιαίτερα ενθουσιασμένοι είναι ένας Πράκτορας AI για τον αυτοκινητοβιομηχανικό τομέα. Υπάρχει αυξανόμενη κίνηση, ιδιαίτερα μεταξύ των κινεζικών αυτοκινητοβιομηχανιών, για την ανάπτυξη βοηθών φωνής που βασίζονται σε μοντέλα γλώσσας που να feels σαν ChatGPT μέσα στην καμπίνα. Η πρόκληση είναι ότι οι meisten βοηθοί σήμερα εξακολουθούν να βασίζονται στο cloud, ιδιαίτερα για φυσική και ευέλικτη διάλογο. Chỉ οι βασικές εργασίες ελέγχου (όπως “ενεργοποίηση του κλιματισμού” ή “άνοιγμα του κοφτήρα”) τρέχουν τοπικά στο όχημα, και η αυστηρή φύση αυτών των εντολών μπορεί να γίνει μια αποσπάση για τους οδηγούς αν δεν τις έχουν απομνημονεύσει με απόλυτη ακρίβεια.

Για να λύσουμε αυτό, αναπτύξαμε μια σειρά υπερ-αποτελεσματικών, SLM-δυναμωμένων Πρακτόρων AI που ονομάζονται Gizmo, οι οποίοι χρησιμοποιούνται σε eine ποικιλία εφαρμογών για διαφορετικές βιομηχανίες. Εργαζόμαστε για να αναπτύξουμε αυτούς τους Πράκτορες ως συν-οδηγούς για οχήματα. Ο Gizmo έχει εκπαιδευτεί να κατανοήσει την πρόθεση με πιο νюανσировμένο τρόπο, και όταν υπηρετεί ως Πράκτορας AI του οχήματος, θα μπορούσε να εκτελέσει εντολές μέσω διαλόγου, ελεύθερης μορφής γλώσσας. Για παράδειγμα, ο Πράκτορας θα μπορούσε να điều chỉnh τη θερμοκρασία της καμπίνας αν ο οδηγός απλώς είπε, “Είμαι κρύος”, ή να απαντήσει σε μια ερώτηση όπως “Πάω στο Μπόστον αύριο, τι πρέπει να φορέσω;” ελέγχοντας το καιρό και προτείνοντας μια πρόταση.

Επειδή τρέχουν τοπικά και δεν εξαρτώνται από το cloud, αυτοί οι Πράκτορες συνεχίζουν να λειτουργούν σε νεκρές ζώνες ή περιοχές με κακή σύνδεση, όπως σήραγγες, βουνά ή αγροτικές περιοχές. Επίσης, βελτιώνουν την ασφάλεια δίνοντας στους οδηγούς πλήρη φωνητικό έλεγχο χωρίς να αποσπά την προσοχή τους από το δρόμο. Και, σε ένα ξεχωριστό και πιο ελαφρύ σημείο, σκέφτηκα ότι θα ήταν καλό να αναφέρω ότι εργαζόμαστε επίσης για την τοποθέτηση ενός AI-δυναμωμένου μοντέλου καραόκε για οχήματα και Bluetooth ηχεία σε παραγωγή, το οποίο τρέχει τοπικά όπως και ο συν-οδηγός. Βασικά, αυτό λαμβάνει οποιοδήποτε εισαγόμενο ήχο και αφαιρεί τις ανθρώπινες φωνές από αυτό, επιτρέποντας τη δημιουργία μιας εκδοχής καραόκε οποιουδήποτε τραγουδιού σε πραγματικό χρόνο. Έτσι, εκτός από το να βοηθά τους πελάτες να διαχειρίζονται με ασφάλεια τους ελέγχους στο αυτοκίνητο, ψάχνουμε επίσης τρόπους να κάνουμε την εμπειρία πιο διασκεδαστική.

Αυτού του είδους οι λύσεις, αυτές που κάνουν μια σημαντική διαφορά στη ζωή των ανθρώπων, είναι αυτές που είμαστε πιο υπερήφανοι.

Η Aizip αναπτύσσει υπερ-αποτελεσματικές λύσεις AI που έχουν βελτιστοποιηθεί για περιφερειακές συσκευές, προσφέροντας συμπαγείς μοντέλα για εφαρμογές όρασης, ήχου, χρονοσειρών, γλώσσας και συνδυασμού αισθήσεων. Τα προϊόντα της επιτρέπουν εργασίες όπως αναγνώριση προσώπου και αντικειμένου, ανίχνευση λέξεων-κλειδιών, ανάλυση ΕΚΓ/ΕΕΓ και chatbots σε συσκευές, όλα αυτά με τη δύναμη της TinyML. Μέσω της πλατφόρμας AI Nanofactory, Aizipline, η εταιρεία επιταχύνει την ανάπτυξη μοντέλων χρησιμοποιώντας θεμελιώδεις και γενετικές μοντέλα για να προωθήσει την πλήρη αυτοματοποίηση σχεδιασμού AI. Η σειρά Gizmo της Aizip, που αποτελείται από μικρά μοντέλα γλώσσας (300M–2B παραμέτρων), υποστηρίζει eine ευρεία γκάμα συσκευών, φέρνοντας νοητικές ικανότητες στην περιφέρεια.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Aizip.