中奖结果公示感谢各位小伙伴参与本次活动，本次活动获奖名单如下：请各位获奖的伙伴在10月23日之前点击此处填写收货地址，如逾期未填写视为弃奖。再次感谢各位小伙伴参与本次活动，欢迎关注华为云DTSE Tech Talk 技术直播更多活动~直播简介【直播主题】华为云数字人赋能千行百业，共享AIGC新机遇【直播时间】2023年10月18日 16:30-18:00【直播专家】左雯 华为云媒体DTSE技术布道师【直播简介】数字人作为元宇宙中真人沉浸式体验的重要入口和AIGC的关键要素，伴随元宇宙和AIGC双轮产业进步，关注本期直播，告诉你数字人将如何带来千行百业的产业变革？直播链接：cid:link_1活动介绍【互动方式】直播前您可以在本帖留下您疑惑的问题，专家会在直播时为您解答。直播后您可以继续在本帖留言，与专家互动交流。我们会在全部活动结束后对参与互动的用户进行评选。【活动时间】即日起—2023年10月19日【奖励说明】评奖规则：活动1：直播期间在直播间提出与直播内容相关的问题，对专家评选为优质问题的开发者进行奖励。奖品：华为云定制U型按摩枕活动2：在本帖提出与直播内容相关的问题，由专家在所有互动贴中选出最优问题贴的开发者进行奖励。奖品：华为云定制POLO衫更多直播活动直播互动有礼：官网直播间发口令“华为云 DTSE”抽华为云定制短袖T恤、填写问卷抽华为云定制保温杯等好礼分享问卷有礼 ：邀请5位朋友以上完成问卷即可获得华为云定制棒球帽。老观众专属福利：连续报名并观看DTT直播3期以上抽送华为云DTT定制T恤。【注意事项】1、所有参与活动的问题，如发现为复用他人内容，则取消获奖资格。2、为保证您顺利领取活动奖品，请您在活动公示奖项后2个工作日内私信提前填写奖品收货信息，如您没有填写，视为自动放弃奖励。3、活动奖项公示时间截止2023年10月20日，如未反馈邮寄信息视为弃奖。本次活动奖品将于奖项公示后30个工作日内统一发出，请您耐心等待。4、活动期间同类子活动每个ID（同一姓名/电话/收货地址）只能获奖一次，若重复则中奖资格顺延至下一位合格开发者，仅一次顺延。5、如活动奖品出现没有库存的情况，华为云工作人员将会替换等价值的奖品，获奖者不同意此规则视为放弃奖品。6、其他事宜请参考【华为云社区常规活动规则】。

生成式人工智能AIGC（Artificial Intelligence Generated Content）是人工智能1.0时代进入2.0时代的重要标志。 GAN、CLIP、Transformer、Diffusion、预训练模型、多模态技术、生成算法等技术的累积融合，催生了AIGC的爆发。算法不断迭代创新、预训练模型引发AIGC技术能力质变，多模态推动AIGC内容多边形，使得AIGC具有更通用和更强的基础能力。 从计算智能、感知智能再到认知智能的进阶发展来看，AIGC已经为人类社会打开了认知智能的大门。通过单个大规模数据的学习训练，令AI具备了多个不同领域的知识，只需要对模型进行适当的调整修正，就能完成真实场景的任务。 AIGC对于人类社会、人工智能的意义是里程碑式的。短期来看AIGC改变了基础的生产力工具，中期来看会改变社会的生产关系，长期来看促使整个社会生产力发生质的突破，在这样的生产力工具、生产关系、生产力变革中，生产要素——数据价值被极度放大。 AIGC把数据要素提到时代核心资源的位置，在一定程度上加快了整个社会的数字化转型进程。生成式人工智能（Generative Artificial Intelligence）**1. 基本原理：生成式人工智能是指使用机器学习和深度学习技术，特别是生成对抗网络（GANs）和变分自动编码器（VAEs）等模型，来生成新的、具有一定创造性的内容。这些模型学习了真实世界数据的分布，然后可以生成与这些数据相似的新数据。生成对抗网络（GANs）： GANs由一个生成器网络和一个判别器网络组成。生成器尝试生成看起来真实的数据，而判别器则尝试区分真实数据和生成数据。这个过程是一个对抗的过程，最终生成器生成的数据越来越逼真。变分自动编码器（VAEs）： VAEs是一种用于学习数据分布的概率生成模型。它们通过学习输入数据的潜在变量表示来实现这一目标，这使得它们可以生成新的、与输入数据相似的样本。**2. 应用领域：生成式人工智能在多个领域都有广泛的应用：图像生成： 生成对抗网络被广泛用于生成逼真的图像。这种技术在图像合成、风格转换、图像修复等领域有着重要应用。文本生成： 自然语言处理领域的生成模型可以用于生成文本，包括文章、对话、故事等。音频生成： 类似的技术也可以用于生成逼真的音频，包括语音合成、音乐创作等应用。视频生成： 结合图像和音频生成技术，生成式人工智能也可以用于视频生成，包括视频合成、特效添加等。**3. 挑战与未来发展：逼真度与多样性： 生成模型在提高生成内容的逼真度和多样性方面面临挑战。逼真度指生成的内容与真实世界的相似度，多样性指生成内容的多样性和创造性。伦理和法律问题： 随着生成式人工智能技术的发展，社会将面临伦理和法律问题，包括内容的合法性、隐私问题等。增强学习和生成结合： 未来，生成式人工智能可能会与增强学习技术结合，实现更加智能和自主的内容生成。总的来说，生成式人工智能是一个非常活跃且具有挑战性的研究领域，它将持续推动着人工智能技术在内容创造领域的应用。如果"AIGC"在之后成为一个特定的产品或者标准，我建议您查阅最新的资料以获取详细信息。AIGC的主要特点：并行计算能力： AIGC通常拥有强大的并行计算能力，这对于深度学习中大规模矩阵运算等任务非常重要。特定硬件架构： 这些图形卡通常拥有专门为深度学习任务设计的硬件架构，例如NVIDIA的Tensor Cores，用于加速矩阵计算。高性能计算： AIGC通常具有高性能计算能力，能够在较短的时间内完成大量的计算任务，这对于大规模数据集和复杂模型的训练非常重要。深度学习框架的支持： 这些图形卡通常能够无缝集成到主流的深度学习框架中，如TensorFlow、PyTorch等，使得开发者可以方便地利用它们进行深度学习任务的开发。灵活性与定制性： 一些AIGC产品具有可编程性，可以根据特定任务进行定制，这使得它们可以适应各种不同的人工智能应用场景。节能和散热设计： 由于长时间高强度的计算会产生大量热量，AIGC通常具备节能和散热设计，以确保在高性能计算的同时保持稳定的工作温度。应用领域：AIGC广泛应用于各种人工智能应用，包括图像识别、语音识别、自然语言处理、推荐系统等。在这些领域，大规模的深度学习模型需要大量的计算资源，AIGC提供了一种高效的解决方案。

大家好，我是来自参赛队伍的“道”，本次比赛很荣幸获得第一名，以下是我比赛过程的思路分享。数据分析本赛道提供的数据均经过脱敏，包含Question和Answer两个字段：数据两个字段连接后最大长度526，有90%数据长度不超过200，存在少量的异常值，数据长度呈现长尾分布。在训练过程使用分桶训练以及开启混合精度可以数倍提升训练速度。下图统计不同长度的词频，数据中存在很多高频词，其中有一个长度为11的文本出现了1943次，针对此数据特点，本方案提出了基于BPE的Mask策略，用于脱敏文本分词，也是和其他队伍的区别的点，具体在后文介绍。数据特点总结：初赛阶段对比了BART、CPT和Pegasus三者实验，Pegasus效果最好，BART效果最差，猜测因为Pegasus针对摘要任务设计，有从较强的从原文总结答案的能力，本次赛题数据要求从给出的核型分析信息生成诊断结果，也需要从原文总结答案，任务上比较相似。预训练策略训练使用的是预训练微调的训练模式，将两个字段的文本连接后再mask，然后送到模型预训练，通过预训练阶段对齐脱敏文本和开源权重，可以提升微调模型效果，加快微调收敛。mask方式采用了两种策略：        第一种是ngram的Mask方式，以0.1:0.2:0.3:0.4的概率mask文本长度为4、3、2、1的连续字符。        第二种基于BPE的mask，其先利用BPE算法生成词表，然后对句子分词，最后以词的粒度mask。相对ngram的好处首先是BPE生成的单词语义信息更完整，可以缓解单个完整语义被分成多块的问题。其次不会导致词表爆炸。预训练损失函数是：LM Loss和MLM Loss的结合，LM Loss的目的是将预训练任务和微调任务对齐，使模型拥有预测下一个token的能力，MLM Loss使得模型集中理解被Mask部分的内容。检索增强：另外微调阶段尝试了检索增强方法，但线上单模掉了很多，猜测是因为检索增强本身是解决知识长尾问题的，本赛题数据量较少，模型很容易记住所有知识，遗忘现象不明显，增加检索策略后反而会引入噪音，影响模型的稳定性。最后是通过对不同策略训练的模型集成效果，基于BPE的Mask是在比赛尾声做的尝试，直接拿来做集成了，在最高成绩的基础上又提升了1.5个百分点，没来得及测单模，这一块好好调一调应该还有上分空间，后续还可以尝试拿来作为微调阶段的词表：预训练和微调阶段所使用到的Trick有：线性Warmup、FGM、RDrop、Cos学习率衰减、标签平滑、权重平均，此外在微调阶段对解码器的输入注入噪音缓解曝光偏差问题，EMA我用了掉分（可能是用了权重平均的缘故）。线上单模最高成绩1.3187，基础权重使用的是燃灯的Pegasus Base模型，用Large反而还会掉点。致谢        最后感谢主办方为我们提供了这次的比赛机会，让我们能够在医疗领域贡献自己的力量，探索人工智能的无限可能性。

前言 大家好，我是“智能网优”赛队的队长，这次是单人参赛，有幸拿下取得第二成绩，在此做个简单的分享。 分享 首先是简单的数据分析，本赛题根据金域提供的核型分析异常结果及其对应的解释文本数据，生成含有辅助诊断要素且便于意思理解的结果解释文本信息。需要注意的本次比赛数据均为脱敏处理数据，训练数据共7527条。在基本数据分析阶段主要包含三个工作，分析输入输出文本长度分布将模型文本长度定在256；根据脱敏后文本分布确定可用tokken长度大于616；丢弃异常数据。模型选择方面，先对比t5/bart/gpt/cpt选择t5，对比t5-pegasus的small与base版本选择small版本（large的我没有硬件算力），从huggingface上选择多种t5系列模型预训练权值进行对比，最后选定t5-pegasus-small，mt0-small,Randeng-T5-Char-57M-Chinese等系列融合。赛后交流有部分队伍说比如t5-copy效果很好，但是我对比的时候只选择了有small版本的模型，比如t5-copy没有small版本就不对比了。训练策略主要使用了预训练，EMA，FGM效果比较好：最后总结下亮点与不足，赛后与大部分队伍进行方案交流只有本方案使用了small版本，训练和推理速度肯定是领先的，但是在可以采集更多训练样本情况下，small将明显弱于base。针对这个问题和主办方交流的得知，该领域7527条训练样本还真的是现实生产情况，那small版本还有其意义吧，不过相信未来领域数据应该会越来越多，small版本潜力有限。感想 本人本职工作为通信行业，也是在传统行业耕耘10年以后才开始从零基础学习编程和算法。这次参加金域比赛收获颇多，受邀参观了国内最先进的医检实验室初步了解医检行业的同时也交流了AI在医检行业的应用，从现场专家坦诚的交流来看AI在医检行业的落地及困难与通信行业有诸多共通之处，感觉未来工作有很多借鉴思路。与这次接待的金域文瑛等专家的交流，也能感觉到金域众多工程师的工匠精神以及赛事总结梁董发言的复合型人才发展理念。感谢广州市科学技术局、金域医学以及华为云提供的这次机会，也希望有一天能看到医疗AI普惠到千万家庭中去。 

如何优雅地处理Java多线程编程中的共享资源问题，以确保线程安全和高性能？

AIGC和生成式AI有什么区别吗？