临危不惧创奇迹 潜艇官兵讲述惊心动魄的180秒

在他看来，AI应该以人为本，无论做多么强大的AI，都是在为人类做有史以来最好的工具。

网版权文章，未经授权禁止转载在软件方面，腾讯云自研的TiTa网络协议，采用先进的拥塞控制和管理技术，能够实时监测并调整网络拥塞，满足大量服务器节点之间的通信需求，确保数据交换流畅、延时低，实现高负载下的零丢包，使集群通信效率达90%以上。

腾讯云副总裁王亚晨表示：星脉网络是为大模型而生。AIGC的爆发除了带来算力上的挑战，对网络的要求也达到了前所未有的高度。大集群不等于大算力，相反，GPU集群越大，产生的额外通信损耗越多。6月26日，腾讯云首次对外完整披露自研星脉高性能计算网络：星脉网络具备业界最高的3.2T通信带宽，能提升40%的GPU利用率，节省30%~60%的模型训练成本，为AI大模型带来10倍通信性能提升。在硬件方面，星脉网络基于腾讯的网络研发平台，采用全自研设备构建互联底座，实现自动化部署和配置。

历经三代技术演进，软硬一体深耕自研星脉网络全方位的升级背后，是腾讯数据中心网络历经三代技术演进的成果。随着大数据和云计算的兴起，服务器之间的东西向流量逐渐增多，云租户对网络产生了虚拟化和隔离的要求。会上，腾讯云联合22家客户正式启动行业大模型共建合作，并携手17家生态伙伴共同发起了腾讯云行业大模型生态计划，致力于共同推进大模型在产业领域的创新和落地。

此外，腾讯云即将推出向量数据库（Tencent Cloud VectorDB），源自腾讯集团每日处理千亿次检索的向量引擎（OLAMA），单索引支持10亿级向量规模，更适用于AI运算、检索，数据接入AI的效率也比传统方案提升10倍。当前，通用大语言模型在应对产业场景落地时存在一定的局限性。在行业大模型标准体系方面，中国信通院云计算与大数据研究所副所长魏凯，腾讯法务副总裁江波，腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声共同启动了行业大模型标准体系及能力架构研究，该研究涵盖模型行业能力、模型工程化性能、模型算力网络、模型安全可靠等方面，未来将为行业大模型的建设和应用提供完备的能力和标准体系。AI代码助手支持多种编程语言和主流开发框架、以及常用开发环境。

今天，我们再一次站在数字科技革命的奇点上，大模型只是开端，AI与产业的融合，将绽放出创造力的未来。大模型应用，产业场景已经成为最佳练兵场，选择具有一站式行业大模型服务能力的云厂商合作，或许是企业探索大模型应用实践的可行路径。

会后可以自动生成智能总结摘要，还能基于智能录制的能力，帮助用户高效回顾，提升用户开会和信息流转效率。汤道生表示，生态共建是AI发展的有效路径，在这个过程中，腾讯愿意贡献自己的能力，与行业伙伴携手，用智能照亮行业雷峰网(公众号：雷峰网)。这些创新将为客户的模型训练提供强大的支持和动力。此外，通用大语言模型的训练需要大量计算资源和漫长的训练周期，这对企业来说可能昂贵且耗时。

在配套服务和安全保障方面，腾讯云提供本地化的训练、落地及陪跑优化服务，为客户扫清落地障碍。在传统CV、NLP算法模型的基础上，新增了对大模型的训练和推理加速能力，通过异步调度优化、显存优化、计算优化等方式，相比行业常用方案性能提升30%+网版权文章，未经授权禁止转载网版权文章，未经授权禁止转载

网版权文章，未经授权禁止转载网版权文章，未经授权禁止转载

作为计算机视觉领域的全球顶会，CVPR举办了许多比赛，每次比赛都吸引了众多国内外企业、科研机构的顶尖团队参与角逐，此次也不例外。其中，Descriptor Track 和 Matching Track是视频拷贝检测工作中的两个重要的环节。

其次，使用HRNet-w18作为骨干网络，预测每帧的匹配关系。比赛中，微信视觉团队克服重重难点，成功登顶两个赛道榜单的榜首，并且在Matching Track赛道上，还研发出了一套更为精准、高效的解决方案。近日，CVPR 2023 Video Similarity Challenge比赛圆满结束，微信视觉团队凭借出色的表现，成功获得该比赛双赛道冠军。据了解，视频拷贝检测技术是用于检测一个视频是否拷贝了另外一个视频，包括完整拷贝、片段剪辑以及各种滤镜特效花边字幕等编辑对抗。在DescriptorTrack 赛道中，微信视觉团队经过数据分析后明确了任务难点，并基于此提出了一个两阶段检测方法来识别拷贝视频，该方法分为Frame-LevelEmbedding、VideoEditingDetection和FrameScenesDetection三个模块。其中，在Matching Track赛道上，微信视觉团队提出了新的解决方案，得分也远超其他参赛者。

作为内容记录与创作平台，微信视频号始终尊重并维护每位权利人的知识成果，通过首发内容保护机制、原创声明机制、线上+线下协同合作、电子侵权投诉系统、关联帐号打击等措施，优化用户体验，提升处理能效。此处主要的挑战是源视频和拷贝视频通常存在大量编辑，而且拷贝时长，位置也是完全随机的。

在比赛中，微信视觉团队表现出色，以0.8717和0.9153的成绩成功揽下双赛道冠军。对于拷贝片段的实际匹配关系，则一直是业界的难点，特别是对于时长较短的拷贝片段非常难做到准备的定位。

为推动视频拷贝检测领域的不断进步， Meta AI在 CVPR 2023 Workshop上发起Video Similarity Challenge。Descriptor Track最终榜单和Matching Track最终榜单微信视觉团队挑战CVPR 2023 Video Similarity Challenge，成功斩获双赛道冠军伴随着短视频平台的兴起，短视频搬运、抄袭等问题也日益严峻，视频原创保护意识和视频拷贝检测技术逐渐引起广泛关注与重视。

该方案在比赛评测数据上，uAP指标达到了惊人的0.9153，远超其他参赛者。未来，微信视觉团队也将不断加强在Video Similarity（视频相似性）方面的技术积累，将先进技术落地应用至产品场景，持之以恒地打击短视频拷贝、直播录播盗播等黑灰产，竭力打造繁荣健康的原创内容生态。目前，微信视觉团队在CVPR 2023 Video Similarity Challenge比赛中的相关技术方案已在视频号落地使用。最后Similar Segment Parsing阶段，经过连通分量算法和RANSAC回归算法的后处理，得到源视频和copy视频的copy片段匹配关系。

目前，相关技术论文《A Dual-level Detection Method for Video Copy Detection》、《 A Similarity Alignment Model for Video Copy Segment Matching》已发布于论文预印本网站arXiv。其中，Feature Extraction 基于Descriptor Track 方案，负责视频帧级别embedding提取。

这里需要高性能的视频特征，用于在巨大视频库中召回拷贝视频。在比赛中，微信视觉团队以深厚的技术实力成功夺得了Descriptor Track 和 Matching Track两个赛道的冠军，并在Matching Track赛道提出了创新性的解决方案，比赛指标远超其他参赛者。

Similar Segment Matching 则基于query视频和reference视频的帧级别embedding相似度矩阵为输入。在对3个模块进行深度训练学习后，最终在uAP指标上取得了0.8717的成绩，相比第2名的0.8514有明显提升。

其中，微信视觉团队也报名参加了此次比赛。微信视觉团队推出新方案，已部署应用于视频号据介绍，此次比赛难点在于不仅需要判断两个视频质检是否存在拷贝关系，还需要定位到两个视频拷贝片段具体位置。雷峰网(公众号：雷峰网)。因此， Video Similarity Challenge比赛将这个问题分为Descriptor Track 和 Matching Track两个赛道。

在Matching Track 赛道上，微信视觉团队提出的Matching Track 解决方案由Feature Extraction、Similar Segment Matching和Similar Segment Parsing三部分组成。首先，基于MobileNet-V3等分类器，从大量召回中筛选正样本，剔除大量简单负样本召回，减少Matching阶段计算开销。

基于此，本次比赛设立了Descriptor Track 和 Matching Track两个赛道在比赛中，微信视觉团队以深厚的技术实力成功夺得了Descriptor Track 和 Matching Track两个赛道的冠军，并在Matching Track赛道提出了创新性的解决方案，比赛指标远超其他参赛者。

作为内容记录与创作平台，微信视频号始终尊重并维护每位权利人的知识成果，通过首发内容保护机制、原创声明机制、线上+线下协同合作、电子侵权投诉系统、关联帐号打击等措施，优化用户体验，提升处理能效。其中，在Matching Track赛道上，微信视觉团队提出了新的解决方案，得分也远超其他参赛者。