青平：新质生产力激发网络视听活力

-loading-

听音频 🔊 . 看视频 🎦

... 2024-05-10 19:40 .. 使网络视听作品既具高度和温度，亦具深度和态度，引发情感共鸣，做到以优质视听内容提升主流价值影响力。
    从PGC、UGC到AIGC，中华优秀传统文化与网络视听紧密相连，坚持多元融合，推动创造性转化和创新性发展，不断创作出高质量精品内容，成为网络视听坚持以人民为中心创作导向，凝心铸魂、聚焦主题主线的现实需求。
    AI+科技创新，强化网络视听技术引领力。
    广播电视和网络视听只有不断培育和发展新质生产力，才能跟进新时代步伐，保持生命力和活力。
    近年来，、生成式人工智能等技术体系取得突破性进展，极大提高创作效率、突破传统局限，为网络视听创作提供前所未有的新机遇。
    如央视网正在积极探索的生成式AI大语言模型，将打造传媒行业专属大模型，将大大提高内容生产效率；快手AI团队自主研发了大语言模型“快意”和文生图大模型“可图”等，使AI+新质生产力技术不断拓宽。
    而基于中国移动算力网络和云原生 .. UfqiNews ↓ 1

... 10-11 15:17 , 217 , 221 ..
5 循环神经网络循环神经网络也被称为时间递归神经网络（Recurrent neural network）在前面讨论的卷积神经网络，无法利用历史数据的时间依赖关系，来分析数据特征，对于二维图像来讲，我们已经知道局部感受视野这种空间信息是识别问题的核心，在另外一些与时间相关的问题中，输入的数据是基于时间的序列，卷积网络就无能为力了.
    这时候，核心问题是需要了解数据的时间序列关系，实际上，RNN最早是由Hopfiled网络启发变种而来，因此有些类似Hopfiled的联想记忆功能.例如，如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么？利用前面输入的一连串的历史信息：“天空飞过一只”，我们就能大致猜出最后一个词可能是某种具有飞行功能的事物，历史(时间信息)对于我们推测未来，是极有帮助的，不可轻易抛弃.
    而RNN的核心诉求之一，就是能将以往的信息连接到当前任务之中.
    RNN模型有比较多的变种，一种主流的RNN模型结构如 ... 理解计算：从根号2到AlphaGo -23: 第8季深度学习发展简史-4 ⟶

... 10-11 15:11 , 216 , 216 ..
4 卷积神经网络1980年，一位法国的大学生Yann LeCun通过《Perceptron》接触到了神经元模型，这种看起来具有智慧的机器让他十分着迷，可是他发现关于神经网络的资料简直少的可怜，实际上，就像我们前面所提到的那样，在60年代已经出现的一个关于多层神经网络如何训练这个重要问题，几乎没多少人研究，更别说解决问题了.
    那个时候，大多数关于神经网络的研究成果都是日本人做出来的，因为西方人已经几乎抛弃了这个领域了.
    在法国，由于Hopfield的振奋人心的作用，依然有一些人坚守这神经网路的研究阵地，Yann LeCun通过这些人的推荐，看到了Geoffrey Hinton 和 Terrence Sejnowski关于玻尔兹曼机的研究论文，这让他们的相遇几乎成为必然.
     在一次学术会议上，Yann LeCun结识了Terrence, Terrence立即告诉Hinton，一个法国的小孩也在做与他们几乎相同的研究.
    他们都意识到了求导（ ... 理解计算：从根号2到AlphaGo -22: 第8季深度学习发展简史-3 ⟶