加强政府部门、国企、央企对中小型科技企业具有倾向性的采购支持 | 科技创新
加强政府部门、国企、央企对中小型科技企业具有倾向性的采购支持，从政策上法律上消除对中小型科技企业的政策性和法律性的歧视。
材料科学加人工智能是下一个可能发生的类似Alphafold的重大变革
在传统的方法中，新材料是通过实验、理论或计算来发现的（也被称为第一、第二和第三范式，由左侧面板上方的三个图标象征）。在数据驱动的材料科学的第四范式中，可用的数据被收集在数据基础设施中，机器学习方法发现新材料。这些方法导致了借用机器学习模型，使人们能够纯粹根据过去的数据进行快速预测，而不是通过直接实验或明确解决基本方程的计算/模拟来实现。通常采用数据插值式预测，首先涉及到对材料的数字特征，然后遵循特征和感兴趣的属性之间的映射（通过学习算法建立）。从表面上看，当遇到新的情况或问题时，确定最佳决定或答案的 数据驱动方法似乎与基于基础科学的方法截然不同，后者通过解决支配相关现象的方程来进行预测。
MIT打造有效提升语言注意力的硬件系统
当开发一个更具有适用性的NLP算法时，注意力机制会以关键词为中心，而不是以同等重要性对待每一个词。因此，麻省理工学院的研究人员设计了一个软硬件结合的系统，被称为SpAtten，专门用来运行注意力机制。NLP模型需要极大的计算机能力负荷，这部分得益于注意力机制的高内存要求。当前所面临的一个挑战是缺乏运行NLP模型与注意力机制的专用硬件。而且随着NLP模型越来越复杂，这个问题会越来越严重，尤其是对于长句子，需要算法优化和专用硬件来处理不断增加的计算需求。MIT的研究人员为此开发了一个名为SpAtten的系统，以更高效地运行注意力机制。
杨磊
南京清湛人工智能研究院执行副院长，计算机科学博士。毕业于清华大学计算机系。曾经就职于INTEL、motorola、AMI等跨国性企业，并担任上市公司高管。主要研究兴趣人工智能技术、机器人技术。