DataWorks年度发布：智能化湖仓一体数据开发与治理平台的演进
阿里云在过去15年中持续为268集团提供数据服务，积累了丰富的实践经验，并连续三年在IDC中国数据治理市场份额中排名第一。新一代智能数据开发平台DateWorks推出了全新的DateStudio IDE，支持湖仓一体化开发，新增Flink计算引擎和全面适配locs，优化工作流程系统和数据目录管理。同时，阿里云正式推出个人开发环境模式和个人Notebook，提升开发者体验和效率。此外，DateWorks Copilot通过自然语言生成SQL、代码补全等功能，显著提升了数据开发与分析的效率，已累计帮助开发者生成超过3200万行代码。
基于OpenLake的大模型训练及RAG应用
本文介绍了OpenLake在大数据与AI融合方面的应用，重点探讨了如何通过OpenLake打通数据到应用的各个环节。首先，阐述了自然语言处理（NLP）从非结构化数据向结构化数据的转变，并强调了高质量数据对AI模型训练的重要性。接着，详细介绍了OpenLake+PAI平台如何实现大数据与AI的一体化开发，包括数据预处理、多模态数据管理、智能标注及优化推理效率等。最后，结合OpenSearch，展示了RAG（检索增强生成）技术在企业级应用中的挑战与解决方案，如构建稳定高效的检索系统，确保数据安全与准确性。整体方案旨在提升AI模型的效果和安全性，推动各行业的智能化转型。
数据+AI融合趋势洞察暨阿里云OpenLake解决方案发布
Forrester是全球领先的市场研究与咨询机构，专注于新兴技术在各领域的应用。本文探讨如何加速现代数据管理，推动人工智能与客户业务的融合创新。面对数据标准缺乏、多云环境复杂性、新兴业务场景及过多数据平台等挑战，Forrester提出构建AI就绪的数据管理基石，通过互联智能框架、全局数据管理和DataOps、端到端数据管理能力、AI赋能的数据管理以及用例驱动的策略，帮助企业实现数据和AI的深度融合，提升业务价值并降低管理成本。
自学记录鸿蒙API 13:Calendar Kit日历功能从学习到实践
本文介绍了使用HarmonyOS的Calendar Kit开发日程管理应用的过程。通过API 13版本，不仅实现了创建、查询、更新和删除日程等基础功能，还深入探索了权限请求、日历配置、事件添加及查询筛选等功能。实战项目中，开发了一个智能日程管理工具，具备可视化管理、模糊查询和智能提醒等特性。最终，作者总结了模块化开发的优势，并展望了未来加入语音助手和AI推荐功能的计划。
MaxCompute Data + AI：构建 Data + AI 的一体化数智融合
本次分享将分为四个部分讲解：第一部分探讨AI时代数据开发范式的演变，特别是MaxCompute自研大数据平台在客户工作负载和任务类型变化下的影响。第二部分介绍MaxCompute在资源大数据平台上构建的Data + AI核心能力，提供一站式开发体验和流程。第三部分展示MaxCompute Data + AI的一站式开发体验，涵盖多模态数据管理、交互式开发环境及模型训练与部署。第四部分分享成功落地的客户案例及其收益，包括互联网公司和大模型训练客户的实践，展示了MaxFrame带来的显著性能提升和开发效率改进。
UCLA、MIT数学家推翻39年经典数学猜想！AI证明卡在99.99%，人类最终证伪
近日，加州大学洛杉矶分校和麻省理工学院的数学家团队成功推翻了存在39年的“上下铺猜想”（Bunkbed Conjecture），该猜想由1985年提出，涉及图论中顶点路径问题。尽管AI在研究中发挥了重要作用，但最终未能完成证明。人类数学家通过深入分析与创新思维，找到了推翻猜想的关键证据，展示了人类智慧在数学证明中的不可替代性。成果发表于arXiv，引发了关于AI在数学领域作用的广泛讨论。
NeurIPS 2024 (Oral)：如何量化与提升思维链的推理能力边界？
论文提出推理边界框架（RBF），通过定义推理边界（RB）及其组合定律，提供了一种量化CoT上限的新方法，并提出了三种类别的RB及优化策略。该研究在27个模型和5个任务上进行了广泛实验，验证了RBF的有效性，为理解与优化LLMs的推理能力提供了新见解。
此外，MIT的一项研究探讨了完全微调和低秩适配（LoRA）的差异。尽管两者在模型准确性上相似，但它们在谱结构、泛化行为和参数空间访问方面存在显著不同。完全微调保留了预训练模型的大部分谱结构，而LoRA引入了“入侵维度”，导致在多任务学习中的泛化能力较差。研究还提出了一些减少入侵维度影响的方法，以改善LoRA模型的表现。
当视觉大模型陷入认知失调，马里兰大学构建了一个幻觉自动生成框架
马里兰大学研究人员提出AutoHallusion框架，旨在通过自动化生成幻觉图像和问题对，深入研究大型视觉语言模型（LVLMs）中的幻觉现象。幻觉指LVLMs生成与图像内容不符的描述，限制其广泛应用。AutoHallusion通过异常对象插入、配对对象插入和相关对象删除三种策略，揭示LVLMs在处理视觉信息时的弱点。实验结果显示，该框架能在多种SOTA模型上以高成功率引发幻觉，为改进模型提供宝贵线索。未来将提升图像质量和扩展问题设计范围。论文链接：https://arxiv.org/pdf/2406.10900