{"id":35225,"topic":"ai","source":"盖世汽车社区","title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","url":"https://i.gasgoo.com/news/70465582.html","url_hash":"58ce2d5786ef48e00ee6a04616834690bc2f78d7","author":"","summary":"<a href=\"https://news.google.com/rss/articles/CBMiUEFVX3lxTFBtNUZIMTRUemZiR0dHbG5MQUlIblg5T1BsM2RwaWhoRDJ3VGVfcHVwcjhBcDJkUzdpbnp0WnRCX2lKS1VrVkZtSVF3Nk9MSkRS?oc=5\" target=\"_blank\">萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力</a>&nbsp;&nbsp;<font color=\"#6f6f6f\">盖世汽车社区</font>","content":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","image_url":null,"lang":"zh","published_at":"2026-07-13T06:57:05+00:00","fetched_at":"2026-07-13T08:15:07+00:00","status":"read","starred":0,"extract_state":"ok","summary_auto":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","cluster_id":null,"extract_retries":0,"extract_error":null,"contract_version":"news_item.v1","format_contract_version":"news_item_formats.v1","dedup_url":"https://i.gasgoo.com/news/70465582.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}},"news_item":{"id":35225,"canonical_url":"https://i.gasgoo.com/news/70465582.html","source_url":"https://i.gasgoo.com/news/70465582.html","title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","source_name":"盖世汽车社区","author":null,"published_at":"2026-07-13T06:57:05+00:00","locale":"zh","topic":"ai","tags":[],"rss_summary":"<a href=\"https://news.google.com/rss/articles/CBMiUEFVX3lxTFBtNUZIMTRUemZiR0dHbG5MQUlIblg5T1BsM2RwaWhoRDJ3VGVfcHVwcjhBcDJkUzdpbnp0WnRCX2lKS1VrVkZtSVF3Nk9MSkRS?oc=5\" target=\"_blank\">萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力</a>&nbsp;&nbsp;<font color=\"#6f6f6f\">盖世汽车社区</font>","full_text":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","excerpt":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 996 characters.","diagnostics_url":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}}},"display_formats":["compact","card","full","digest_section","json"]},"daily_stack_record":{"title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","url":"https://i.gasgoo.com/news/70465582.html","summary":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","source":"盖世汽车社区","date":"2026-07-13T06:57:05+00:00","content":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 996 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}},"tags":[]},"fallback_formats":["markdown","json","html"],"actions":{"read":"/item/35225","export_markdown":"/api/items/35225/export?format=markdown","export_json":"/api/items/35225/export?format=json","diagnose":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html"},"formats":{"full":{"id":35225,"title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","url":"https://i.gasgoo.com/news/70465582.html","source":"盖世汽车社区","author":null,"published_at":"2026-07-13T06:57:05+00:00","locale":"zh","topic":"ai","tags":[],"excerpt":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","full_text":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","reading_time_min":1,"extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 996 characters.","diagnostics_url":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}}},"quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}},"actions":{"read":"/item/35225","export_markdown":"/api/items/35225/export?format=markdown","export_json":"/api/items/35225/export?format=json","diagnose":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html"}},"digest":{"id":35225,"title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","url":"https://i.gasgoo.com/news/70465582.html","source":"盖世汽车社区","topic":"ai","published_at":"2026-07-13T06:57:05+00:00","excerpt":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。 图片来源：萨斯喀彻温大学 “AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”…","quality_bucket":"high","quality_reason":"High confidence: full text extraction produced 996 characters.","reading_time_min":1,"cluster_id":null},"card":{"display_title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","subtitle":"盖世汽车社区 · 2026-07-13","summary":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。 图片来源：萨斯喀彻温大学 “AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling…","badges":["quality:high"],"links":{"read":"/item/35225","original":"https://i.gasgoo.com/news/70465582.html","diagnose":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html"},"quality_warning":null},"export":{"title":"萨斯喀彻温大学开发出人工智能新系统 提升计算机对世界的理解能力 - 盖世汽车社区","url":"https://i.gasgoo.com/news/70465582.html","summary":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","source":"盖世汽车社区","date":"2026-07-13T06:57:05+00:00","content":"盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。\n图片来源：萨斯喀彻温大学\n“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”\n相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。\n利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。\n人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。\n萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。\n“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。\n由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。\nRochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。\nLMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。\n“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”\n“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//i.gasgoo.com/news/70465582.html","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 996 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 996 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":996,"summary_length":996,"usable_text_length":996,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":996,"summary_length":996}},"tags":[],"format_contract_version":"news_item_formats.v1"}}}