موجز التقنية المُحدَّث تلقائيًا
يُعد التعلم المعزز (RL) مفتاحًا لمواءمة نماذج اللغة، من RLHF في مساعدي الذكاء الاصطناعي إلى تدفقات العمل الأحدث RLVR للمهام الاستدلالية والوكيلة، مما يمكّن وكلاء ذكاء اصطناعي أكثر دقة ومتخصصين في مجالات محددة.
تقدم NVIDIA مجموعة أدوات BioNeMo Agent Toolkit التي تمكّن العلماء الاصطناعيين من المساعدة في اكتشاف علوم الحياة من خلال قراءة الأوراق العلمية، توليد الفرضيات، كتابة الأكواد، واستدعاء واجهات برمجة التطبيقات في عملية علمية تكرارية.
تقدم NVIDIA نموذج Nemotron 3 Ultra الذي يستخدم تقنية NVFP4 للكمية العائمة ذات 4 بت مع Model Optimizer لنقل أوزان النماذج الكبيرة بكفاءة لدعم نوافذ سياق أطول.
NVIDIA Omniverse NuRec هو خط أنابيب لإعادة الإعمار العصبي يبني تمثيلات ثلاثية الأبعاد عالية الدقة للبيئات الحقيقية باستخدام بيانات متعددة الحساسات، مع تحسينات عبر أدوات تطوير NVIDIA Nsight.
يواجه تدريب نماذج اللغة الكبيرة (LLMs) على نطاق واسع تحديات بنيوية بسبب فترات التشغيل الطويلة وآلاف وحدات معالجة الرسومات. يساعد التوازي غير المنتظم للتنسور في التخفيف من تباطؤ الأداء الناجم عن عدم توفر الأجهزة وتقلبات الموارد.
طور باحثو NVIDIA طريقة فك تشفير Ising تقلل معدلات الأخطاء المنطقية في رموز الألوان الكمومية بأكثر من 300 مرة، مما يعزز الحوسبة الكمومية المقاومة للأخطاء.
يُعالج إطار عمل NeMo من NVIDIA قيود البيانات في معالجة اللغة الطبيعية المالية من خلال توليد بيانات اصطناعية لتحسين ضبط نماذج اللغة الكبيرة لأبحاث التداول، ونمذجة المخاطر، والمراقبة.
طور فريق في Beijing Institute of Technology نظارات للرؤية الليلية تقوم بتحويل أطوال موجات الأشعة تحت الحمراء إلى ألوان مرئية مميزة، مما يوفر تجربة بصرية أكثر طبيعية.
تعزز مجموعة أدوات NVIDIA BioNeMo Agent Toolkit سرعة وقابلية توسعة توقع هياكل الجزيئات الحيوية وعمليات الطي المشترك باستخدام OpenFold3، مما يفيد في اكتشاف الأدوية وتصميم البروتينات.
حققت نماذج الأساس في مجال الروبوتات تقدماً في اتباع تعليمات اللغة الطبيعية للتعامل مع الأجسام، لكن التقييم الدقيق لا يزال تحدياً رئيسياً. تستعرض هذه المقالة المشكلات الأساسية وطريقة لمعالجتها.
دراسة من جامعة نانجينغ تشير إلى أن إعادة التدوير قد تصبح المصدر الرئيسي للمواد الأساسية في تصنيع السيارات الكهربائية في الصين بحلول عام 2050، رغم التحديات الناتجة عن تطور كيميائيات البطاريات.
يناقش هذا المقال التوازن بين الدقة، ومعدل المعالجة، والتفاعلية في أداء الذكاء الاصطناعي، مع التركيز على كيفية تأثير اختيارات تصميم النماذج على معدل المعالجة والتفاعلية في النماذج اللغوية الكبيرة.