在今年的國際學(xué)習(xí)表征大會（ICLR）上，NVIDIA 發(fā)表了 70 余篇論文，其內(nèi)容涵蓋醫(yī)療、機器人、自動駕駛汽車以及大語言模型等領(lǐng)域。

推動 AI 進步需要采用全棧式方法，這依賴于包括加速處理器和網(wǎng)絡(luò)技術(shù)在內(nèi)的強大計算基礎(chǔ)設(shè)施，并將其與優(yōu)化的編譯器、算法及應(yīng)用程序相連接。

NVIDIA Research 正在該領(lǐng)域進行全方位的創(chuàng)新，并在此過程中為幾乎所有行業(yè)提供支持。在近日舉行的國際學(xué)習(xí)表征大會（ICLR）上，NVIDIA 提交了 70 余篇論文，展示了 AI 在自動駕駛汽車、醫(yī)療、多模態(tài)內(nèi)容創(chuàng)作、機器人等領(lǐng)域的應(yīng)用進展。

NVIDIA 應(yīng)用深度學(xué)習(xí)研究副總裁 Bryan Catanzaro 表示：“ICLR 是全球最具影響力的 AI 會議之一，研究人員在此發(fā)布推動各行各業(yè)進步的關(guān)鍵技術(shù)創(chuàng)新。NVIDIA 今年提交的研究成果旨在加速計算堆棧的各個層級，從而增強 AI 在各行業(yè)的影響力和實用性?！?/p>

解決現(xiàn)實世界挑戰(zhàn)的研究工作

NVIDIA 在 ICLR 上提交的多篇論文聚焦多模態(tài)生成式 AI 領(lǐng)域的突破性進展，以及 AI 訓(xùn)練和合成數(shù)據(jù)生成的新方法，具體包括：

Fugatto：Fugatto 是世界上最靈活的音頻生成式 AI 模型。根據(jù)輸入的文本提示和音頻文件，它能夠生成或修改包含任意的音樂、人聲和聲音組合的作品。在 ICLR 上展示的其他 NVIDIA 模型對音頻大語言模型（LLM）進行了改進，以使其更好地理解語音。

HAMSTER：這篇論文提出了一種視覺-語言-動作模型的分層設(shè)計方案，它可以更好地從域外微調(diào)數(shù)據(jù)（即無需在真實機器人硬件上收集的低成本數(shù)據(jù)）中遷移知識，進而提升機器人在測試場景中的技能水平。

Hymba：這個小語言模型家族采用混合模型架構(gòu)，由此創(chuàng)造的 LLM 融合了 Transformer 模型和狀態(tài)空間模型的優(yōu)勢，實現(xiàn)了高分辨率記憶檢索、高效的上下文總結(jié)以及常識推理任務(wù)。借助這種混合模型架構(gòu)，Hymba 在保持性能的前提下將吞吐量提升了 3 倍，緩存減少至約1/4。

LongVILA：該訓(xùn)練流程實現(xiàn)了高效的視覺語言模型訓(xùn)練與推理，以支持長視頻理解。使用長視頻訓(xùn)練 AI 模型時，需要大量算力和密集內(nèi)存，而這篇論文提出的系統(tǒng)可以高效地并行處理長視頻的訓(xùn)練和推理，在 256 塊 GPU 上進行訓(xùn)練時可擴展到多達 200 萬個 token。LongVILA 在 9 個主流視頻基準測試中均達到當(dāng)前最優(yōu)性能。

LLaMaFlex：這篇論文提出了一種全新的零樣本生成技術(shù)，可從單個大型模型來構(gòu)建一系列壓縮 LLM 家族。研究人員發(fā)現(xiàn)，LLaMaFlex 生成的壓縮模型在精度上媲美或優(yōu)于現(xiàn)有剪枝、彈性架構(gòu)及從頭訓(xùn)練的模型。相比剪枝和知識蒸餾等技術(shù)，這種能力能夠顯著降低訓(xùn)練模型家族的成本。

Proteina：該模型可以生成多樣且可設(shè)計的蛋白質(zhì)骨架，即維持蛋白質(zhì)結(jié)構(gòu)的框架。它采用 Transformer 模型架構(gòu)，參數(shù)數(shù)量是此前模型的 5 倍。

SRSA：這個框架解決了使用現(xiàn)有技能庫教會機器人執(zhí)行新任務(wù)的難題。這意味著機器人無需從頭學(xué)習(xí)，而是能夠?qū)F(xiàn)有技能應(yīng)用并適配到新任務(wù)中。研究人員開發(fā)了預(yù)測最相關(guān)預(yù)置技能的框架，使機器人在執(zhí)行未知任務(wù)時的零樣本成功率提高了 19%。

STORM：通過僅需少量快照即可推斷出精確的 3D 表示，該模型能夠重建動態(tài)戶外場景，比如行駛的汽車或隨風(fēng)搖曳的樹木。該模型能夠在 200 毫秒內(nèi)重建大規(guī)模戶外場景，在自動駕駛開發(fā)中具有應(yīng)用潛力。