视觉图像

汤晓鸥总能在他演讲的前两分钟把听众逗笑。在2018年的一次MIT组织的演讲里他这样开篇：我知道今天观众很多是说国语的中国人，所以我决定说英语。在某一年的云栖大会上他说，我听组委会跟我说有一千万人在看，我非常紧张，所以我做了一百页的ppt，十万人一页，组委会很紧张，问我会不会超时，我就保证说，一定会的。他是商汤科技的创始

微软研究人员在预印本网站 arXiv 发表论文，介绍了它的多模大语言模型 Kosmos-1，能理解图像内容，解决视觉难题，执行视觉文本识别，通过视觉 IQ 测试，理解自然语言指令。研究人员认为，集成文本、音频、图像和视频等不同输入模式的多模 AI 模型是构建通用 AI（AGI）的关键一步。研究人员称，作为智能的基本组成

对人类来说，识别场景中的物品就像看它们这么简单。但对于人工智能和计算机视觉系统来说，开发出对周围环境的高保真理解需要更多的努力。如果我们具体一点的话，需要大约 800 小时的手动标记训练图片工作。为了帮助机器更好地了解人们的做法，MIT CSAIL 的一组研究人员与康奈尔大学和微软合作开发了STEGO，一

据报道，Facebook正在与一些组织开展合作，利用卫星图像、计算机视觉、人口普查数据和Facebook专有数据支持的实时地图来防治疾病。早在2016年，这家社交网络巨头就已经开始着手绘制人口分布图。该公司透露，它正在将自有的计算机视觉智能应用于卫星图像分析技术，用来识别人造建筑，并准确显示大约20个国家的人口居住地。