Microsoft рассматривает использование ядерной энергии для питания своих центров данных ИИ
Компания ищет "руководителя программ по атомной энергии" для оценки целесообразности использования ядерной энергии.
Основное внимание Microsoft направлено на использование микрореакторов и модульных реакторов, которые более экономичны.
Модели ИИ требуют большого количества вычислительной мощности, особенно модель OpenAI's ChatGPT.
Компания стремится к углеродно отрицательному, водо-позитивному и безотходному бизнесу к 2030 году.
https://www.businesstoday.in/technology/news/story/microsoft-reportedly-planning-to-use-nuclear-energy-to-power-its-ai-data-centers-399809-2023-09-26
Компания ищет "руководителя программ по атомной энергии" для оценки целесообразности использования ядерной энергии.
Основное внимание Microsoft направлено на использование микрореакторов и модульных реакторов, которые более экономичны.
Модели ИИ требуют большого количества вычислительной мощности, особенно модель OpenAI's ChatGPT.
Компания стремится к углеродно отрицательному, водо-позитивному и безотходному бизнесу к 2030 году.
https://www.businesstoday.in/technology/news/story/microsoft-reportedly-planning-to-use-nuclear-energy-to-power-its-ai-data-centers-399809-2023-09-26
Business Today
Microsoft reportedly planning to use nuclear energy to power its AI data centers
Microsoft has recently committed to accelerating its endeavours to power data centres with renewable energy sources and reduce emissions.
Forwarded from 42 секунды
FT: OpenAI и Джони Айв могут привлечь $1 млрд от SoftBank на создание ИИ-устройства
– Стороны обсуждают проект по созданию «iPhone с ИИ»
– SoftBank может выделить на проект $1 млрд инвестиций
– Разработать устройство OpenAI поможет LoveFrom Айва
– Они хотят создать интуитивно понятный интерфейс и др.
– Но пока все детали проекта находятся на ранней стадии
– На вывод нового ИИ-девайса на рынок могут уйти годы
@ftsec
– Стороны обсуждают проект по созданию «iPhone с ИИ»
– SoftBank может выделить на проект $1 млрд инвестиций
– Разработать устройство OpenAI поможет LoveFrom Айва
– Они хотят создать интуитивно понятный интерфейс и др.
– Но пока все детали проекта находятся на ранней стадии
– На вывод нового ИИ-девайса на рынок могут уйти годы
@ftsec
АНБ США открывает Центр ИИ безопасности
Руководитель Агентства национальной безопасности США генерал Пол М. Накасоне анонсировал создание нового органа - Центра безопасности ИИ.
Центр будет заниматься разработкой и интеграцией возможностей искусственного интеллекта в системы национальной безопасности США.
Он станет ключевым местом для создания методологии оценки, наилучших практик и системы рисков, связанных с ИИ.
Центр будет работать с американской промышленностью, национальными лабораториями и академией.
https://www.army.mil/article/270384/ai_security_center_to_open_at_national_security_agency
Руководитель Агентства национальной безопасности США генерал Пол М. Накасоне анонсировал создание нового органа - Центра безопасности ИИ.
Центр будет заниматься разработкой и интеграцией возможностей искусственного интеллекта в системы национальной безопасности США.
Он станет ключевым местом для создания методологии оценки, наилучших практик и системы рисков, связанных с ИИ.
Центр будет работать с американской промышленностью, национальными лабораториями и академией.
https://www.army.mil/article/270384/ai_security_center_to_open_at_national_security_agency
www.army.mil
AI Security Center to open at National Security Agency
WASHINGTON — National Security Agency Director Army Gen. Paul M. Nakasone today announced the creation of a new entity to oversee the development and in...
Forwarded from GPT/ChatGPT/AI Central Александра Горного
Как разговаривает ChatGPT
Некоторые пользователи приложения ChatGPT уже получили доступ к голосовым возможностям и сняли на видео, как это работает. OpenAI обещает что в ближайшие пару недель обновление доберется до всех платных подписчиков.
Источники видео:
https://twitter.com/CKonovalov/status/1707818777427988733
https://twitter.com/dmvaldman/status/1707881743892746381
—
@aioftheday — новости вокруг искусственного интеллекта
Некоторые пользователи приложения ChatGPT уже получили доступ к голосовым возможностям и сняли на видео, как это работает. OpenAI обещает что в ближайшие пару недель обновление доберется до всех платных подписчиков.
Источники видео:
https://twitter.com/CKonovalov/status/1707818777427988733
https://twitter.com/dmvaldman/status/1707881743892746381
—
@aioftheday — новости вокруг искусственного интеллекта
🔥1
NVIDIA RTX 4000 Ada Generation: Графическая карта нового поколения для профессионалов в 1 слотовом исполнении.
Дебют новейшей графической карты от NVIDIA - RTX 4000 Ada Generation.
Оснащена RT Cores, Tensor Cores и CUDA® cores, также имеет 20GB графической памяти.
Предоставляет профессиональную производительность для создания сложных инженерных проектов, городских пейзажей и цифровых развлечений.
Побиты рекорды скорости и эффективности энергопотребления.
Предлагает передовые технологии AI, графики и рендеринга в реальном времени.
Поддерживает кодирование AV1, обеспечивающее высокое качество стриминга и совещаний через видеоконференции.
https://www.nvidia.com/en-us/design-visualization/rtx-4000/
Дебют новейшей графической карты от NVIDIA - RTX 4000 Ada Generation.
Оснащена RT Cores, Tensor Cores и CUDA® cores, также имеет 20GB графической памяти.
Предоставляет профессиональную производительность для создания сложных инженерных проектов, городских пейзажей и цифровых развлечений.
Побиты рекорды скорости и эффективности энергопотребления.
Предлагает передовые технологии AI, графики и рендеринга в реальном времени.
Поддерживает кодирование AV1, обеспечивающее высокое качество стриминга и совещаний через видеоконференции.
https://www.nvidia.com/en-us/design-visualization/rtx-4000/
NVIDIA
NVIDIA RTX 4000 Ada Generation Graphics Card
Empowers professionals to create intricate product engineering, visionary cityscapes, and immersive entertainment experiences.
Forwarded from ml4se
Patterns for Building LLM-based Systems & Products:
- Evals: To measure performance
- RAG: To add recent, external knowledge
- Fine-tuning: To get better at specific tasks
- Caching: To reduce latency & cost
- Guardrails: To ensure output quality
- Defensive UX: To anticipate & manage errors gracefully
- Collect user feedback: To build our data flywheel
- Evals: To measure performance
- RAG: To add recent, external knowledge
- Fine-tuning: To get better at specific tasks
- Caching: To reduce latency & cost
- Guardrails: To ensure output quality
- Defensive UX: To anticipate & manage errors gracefully
- Collect user feedback: To build our data flywheel
Forwarded from G B ️
#AI #NLP #DL Stanford CS224N: Natural Language Processing with Deep Learning 2023-2024
В сентябре 2023 выложили свежий бесплатный курс по NLP от Стэнфордского университета
Там как и минимально достаточная теория AI/NLP, так и много практики.
Рассматривают постепенно, идут от первых CNN, RNN, LSTM к трансформерам.
Но добавили и много нового в области NLP, например PROMPT-инжиниринг, RLHF, мультимодальные агенты.
Из средств взяли Pytorch вместо TensorFlow (это вкусовщина😉)
Первое вводное - https://www.youtube.com/watch?v=rmVRLeJRkl4
Сам курс: https://www.youtube.com/playlist?list=PLoROMvodv4rMFqRtEuo6SGjY4XbRIVRd4
Подробно о курсе и преподавателях https://web.stanford.edu/class/cs224n/
В сентябре 2023 выложили свежий бесплатный курс по NLP от Стэнфордского университета
Там как и минимально достаточная теория AI/NLP, так и много практики.
Рассматривают постепенно, идут от первых CNN, RNN, LSTM к трансформерам.
Но добавили и много нового в области NLP, например PROMPT-инжиниринг, RLHF, мультимодальные агенты.
Из средств взяли Pytorch вместо TensorFlow (это вкусовщина😉)
Первое вводное - https://www.youtube.com/watch?v=rmVRLeJRkl4
Сам курс: https://www.youtube.com/playlist?list=PLoROMvodv4rMFqRtEuo6SGjY4XbRIVRd4
Подробно о курсе и преподавателях https://web.stanford.edu/class/cs224n/
YouTube
Stanford CS224N: NLP with Deep Learning | Winter 2021 | Lecture 1 - Intro & Word Vectors
For more information about Stanford's Artificial Intelligence professional and graduate programs visit: https://stanford.io/3w46jar
This lecture covers:
1. The course (10min)
2. Human language and word meaning (15 min)
3. Word2vec algorithm introduction…
This lecture covers:
1. The course (10min)
2. Human language and word meaning (15 min)
3. Word2vec algorithm introduction…
Интересный пост Филиппа Шмидта из HuggingFace:
На вопросы, специфичные для предметной области, ответить с помощью LLM сложно. 🧑🏫 Но исследователи создали новый тест «EXPERT QA» для оценки и тестирования LLM в различных системах, включая RAG по атрибуции и фактической правильности. 🔬
🛠 Реализация
1️⃣ 484 эксперта в 32 областях задали 2177 открытых технических вопросов, имеющих отношение к их области.
2️⃣ Для генерации ответов использовались 6 систем LLM или «RAG»: GPT-4, RAG (поиск Google) + GPT-4 с, RAG (корпус Sphere) + GPT-4, последующий поиск с помощью Google и Sphere и Bing Chat.
3️⃣ Для каждого ответа эксперты отметили информативность, фактичность, ценность цитирования, достоверность доказательства и надежность источника доказательств.
4️⃣ Эксперты проверили утверждения, чтобы обеспечить их достоверность и правильную атрибуцию.
💡Выводы
🔍 Системы «получить и прочитать» часто генерируют полную атрибуцию, но с трудом обеспечивают цитирование всех достойных цитирования утверждений.
🧠 Источник поиска существенно влияет на атрибуцию и актуальность. Результаты поиска Google дают более полезные и фактически достоверные ответы.
🩺 В таких областях, как медицина и право, много неполных атрибуций (35% и 31%) и атрибуции ненадежных источников (51%).
🤖 Метрики автоматической атрибуции и оценки фактичности плохо коррелируют с экспертными, но точная настройка повышает производительность.
🔚 При последующем поиске часто возникают проблемы с атрибуцией и цитированием по сравнению с пред-поиском.
Если мы предоставим правильный контекст, LLM могут быть достаточно хороши, чтобы ответить на сложные и специфичные для предметной области вопросы в системах RAG.
Улучшение методов поиска и ранжирования для обеспечения надежных источников доказательств может иметь больший эффект, чем улучшение LLM.
Исследование: https://arxiv.org/abs/2309.07852
Набор данных: https://github.com/chaitanyamalaviya/ExpertQA/tree/main
На вопросы, специфичные для предметной области, ответить с помощью LLM сложно. 🧑🏫 Но исследователи создали новый тест «EXPERT QA» для оценки и тестирования LLM в различных системах, включая RAG по атрибуции и фактической правильности. 🔬
🛠 Реализация
1️⃣ 484 эксперта в 32 областях задали 2177 открытых технических вопросов, имеющих отношение к их области.
2️⃣ Для генерации ответов использовались 6 систем LLM или «RAG»: GPT-4, RAG (поиск Google) + GPT-4 с, RAG (корпус Sphere) + GPT-4, последующий поиск с помощью Google и Sphere и Bing Chat.
3️⃣ Для каждого ответа эксперты отметили информативность, фактичность, ценность цитирования, достоверность доказательства и надежность источника доказательств.
4️⃣ Эксперты проверили утверждения, чтобы обеспечить их достоверность и правильную атрибуцию.
💡Выводы
🔍 Системы «получить и прочитать» часто генерируют полную атрибуцию, но с трудом обеспечивают цитирование всех достойных цитирования утверждений.
🧠 Источник поиска существенно влияет на атрибуцию и актуальность. Результаты поиска Google дают более полезные и фактически достоверные ответы.
🩺 В таких областях, как медицина и право, много неполных атрибуций (35% и 31%) и атрибуции ненадежных источников (51%).
🤖 Метрики автоматической атрибуции и оценки фактичности плохо коррелируют с экспертными, но точная настройка повышает производительность.
🔚 При последующем поиске часто возникают проблемы с атрибуцией и цитированием по сравнению с пред-поиском.
Если мы предоставим правильный контекст, LLM могут быть достаточно хороши, чтобы ответить на сложные и специфичные для предметной области вопросы в системах RAG.
Улучшение методов поиска и ранжирования для обеспечения надежных источников доказательств может иметь больший эффект, чем улучшение LLM.
Исследование: https://arxiv.org/abs/2309.07852
Набор данных: https://github.com/chaitanyamalaviya/ExpertQA/tree/main
Forwarded from GPT/ChatGPT/AI Central Александра Горного
Anthropic открыла доступ к API Claude 2
Цены на API для Claude 2 с контекстным окном на 100 тысяч токенов:
$11 за миллион токенов в промтах,
$32 за миллион токенов генерации.
Цены на GPT4-32k для сравнения:
$60 за миллион токенов в промтах,
$120 за миллион токенов генерации.
https://www.anthropic.com/index/amazon-bedrock-general-availability
—
@aioftheday — новости вокруг искусственного интеллекта
Цены на API для Claude 2 с контекстным окном на 100 тысяч токенов:
$11 за миллион токенов в промтах,
$32 за миллион токенов генерации.
Цены на GPT4-32k для сравнения:
$60 за миллион токенов в промтах,
$120 за миллион токенов генерации.
https://www.anthropic.com/index/amazon-bedrock-general-availability
—
@aioftheday — новости вокруг искусственного интеллекта
дайджест сентября.xlsx
22 KB
Новости канала за Сентябрь 2023.
63 новости всего. Может кому полезно будет для подготовки актуальных обзоров.
63 новости всего. Может кому полезно будет для подготовки актуальных обзоров.
Forwarded from e/acc
Интернет всполошился. Вчера вышел 166-страничный репорт о возможностях GPT-4V. Оказалось, что GPT не только помножил на ноль почти все продукты в области NLP за последние годы, но и с ноги ворвался в Computer Vision, где сидели бородатые завсегдатаи, пили пиво и были уверены что "уж нас-то ваши эти трансформеры не тронут" (с).
Оказалось, что помимо простого "опиши что на картинке" GPT имеет глубокое понимание визуального и текстового контекста. Умеет определять темпоральный контекст. Знает как распознать и корректно идентифицировать эмоции людей. Прекрасно решает взиуальные логические задачи. Ставит корректные диагнозы по КТ и МРТ снимкам. Может дообучаться, в том числе на few-shot примерах прямо в промте. Анализирует графики. Распознает ингредиенты в блюде. Распознает конкретных людей. Понимает схемы, диаграммы, формулы, в том числе нарисованные от руки. Умеет выполнять навигацию по графическим элементам дизайна. Умеет принимать решения о навигации робота в реальном мире по двухмерной фотографии.
Но, главное, это вообще не какая-то другая модель. Это часть GPT-4 и, соотвественно, все что уже работает внутри GPT (промтинг, RAG, агенты) автоматически работает и для GPT-4V.
Для меня этот пейпер звучит как дикая фантастика 20-летней перспективы. Если бы OpenAI не анонсировал, что продукт будет доступен всем через месяц. А многие в твиттере уже имеют к нему доступ.
Вот тут Леша из Ai Happens рассказывает о примерах для бизнеса, а Сергей из Метаверсище и ИИще про кейсы в психологии и эмоциальном интеллекте.
Оказалось, что помимо простого "опиши что на картинке" GPT имеет глубокое понимание визуального и текстового контекста. Умеет определять темпоральный контекст. Знает как распознать и корректно идентифицировать эмоции людей. Прекрасно решает взиуальные логические задачи. Ставит корректные диагнозы по КТ и МРТ снимкам. Может дообучаться, в том числе на few-shot примерах прямо в промте. Анализирует графики. Распознает ингредиенты в блюде. Распознает конкретных людей. Понимает схемы, диаграммы, формулы, в том числе нарисованные от руки. Умеет выполнять навигацию по графическим элементам дизайна. Умеет принимать решения о навигации робота в реальном мире по двухмерной фотографии.
Но, главное, это вообще не какая-то другая модель. Это часть GPT-4 и, соотвественно, все что уже работает внутри GPT (промтинг, RAG, агенты) автоматически работает и для GPT-4V.
Для меня этот пейпер звучит как дикая фантастика 20-летней перспективы. Если бы OpenAI не анонсировал, что продукт будет доступен всем через месяц. А многие в твиттере уже имеют к нему доступ.
Вот тут Леша из Ai Happens рассказывает о примерах для бизнеса, а Сергей из Метаверсище и ИИще про кейсы в психологии и эмоциальном интеллекте.
RT-X: универсальные высокопроизводительные модели для робототехники
Ученые создали всеобъемлющую модель обучения по подкреплению RT-X для роботов, успешно применяющуюся в разных сферах и на различных роботах. Она обучена на глобальном наборе данных, собранных из 60 существующих наборов данных робототехники от 34 исследовательских лабораторий. Они также представили Open X-Embodiment Dataset, самый большой открытый набор реальных данных робототехники, содержащий более миллиона траекторий реального робота через 22 среды роботов.
https://robotics-transformer-x.github.io/
Ученые создали всеобъемлющую модель обучения по подкреплению RT-X для роботов, успешно применяющуюся в разных сферах и на различных роботах. Она обучена на глобальном наборе данных, собранных из 60 существующих наборов данных робототехники от 34 исследовательских лабораторий. Они также представили Open X-Embodiment Dataset, самый большой открытый набор реальных данных робототехники, содержащий более миллиона траекторий реального робота через 22 среды роботов.
https://robotics-transformer-x.github.io/
Forwarded from Сиолошная
Representation Engineering: A Top-Down Approach to AI Transparency
Собрались как-то более 20 исследователей со всех уголков LLM-мира, от Berkeley до Center for AI Safety, и решили написать статью с описанием новой области: инженерии представлений (representation engineering, RepE). Это не первая работа в подобном ключе, но авторы именно что проводят описательную работу, а также устанавливают несколько бейзлайнов.
Итак, о чём речь? В нейросетях есть "скрытые представления" (hidden states), но на самом деле они не скрытые — мы все их можем пощупать, поменять, посмотреть (если есть доступ к весам модели). Но это не то же самое, что параметры — это "активации", то есть "реакция" сети на какой-то вход (в случае LLM - текст). Берем веса модели, подаём текст на вход, и считываем скрытые представления. В отличие от человеческого мозга, мы можем это делать перед каждой итерацией, для любого текста, и для всей нейросети одновременно.
Проводя аналогию с мозгом, авторы отмечают, что можно сделать аналог когнитивной науки, где мы анализируем эти активации. В теории, как было показано в разных исследованиях, они несут определенный смысл. Есть нейроны, отвечающие за всё, что связано с Канадой, есть нейроны, которые характеризуют честность, и так далее.
Идея: давайте придумаем, как влиять на активации нейронов так, чтобы "сдвигать" модель в желаемом направлении. Например, можно выявить направление "честности" (оно будет задано вектором), и по идее если модель подвинуть в ту сторону — то в среднем она должна меньше врать. Именно это происходило в предыдущей работе: Inference-Time Intervention: Eliciting Truthful Answers from a Language Model. И вы не поверите, работало!
В текущей же работе производится анализ ещё нескольких направлений, в том числе морали, эмоциональности, безобидности, запоминания. В качестве решения предлагается обучать LoRRA (Low-Rank Representation Adaptation) с помощью маленькой размеченной выборки (порядка 100 примеров), где для каждого примера указано, что он, например, лживый (хотя есть альтернатива с помощью промпта).
Результат — LLAMA-2-70B обходит GPT-4 на бенчмарке TruthfulQA почти на ДЕСЯТЬ ПРОЦЕНТОВ (59% и +-69%). А ещё приложили много примеров с изменением характера ответов модели в том или ином направлении — приложу в следующем сообщении.
В общем, альтернативный способ Alignment, и в то же время интерпретации модели и её контроля. Очень перспективное направление, ждём развития.
Сайт с примерами: https://www.ai-transparency.org/
Собрались как-то более 20 исследователей со всех уголков LLM-мира, от Berkeley до Center for AI Safety, и решили написать статью с описанием новой области: инженерии представлений (representation engineering, RepE). Это не первая работа в подобном ключе, но авторы именно что проводят описательную работу, а также устанавливают несколько бейзлайнов.
Итак, о чём речь? В нейросетях есть "скрытые представления" (hidden states), но на самом деле они не скрытые — мы все их можем пощупать, поменять, посмотреть (если есть доступ к весам модели). Но это не то же самое, что параметры — это "активации", то есть "реакция" сети на какой-то вход (в случае LLM - текст). Берем веса модели, подаём текст на вход, и считываем скрытые представления. В отличие от человеческого мозга, мы можем это делать перед каждой итерацией, для любого текста, и для всей нейросети одновременно.
Проводя аналогию с мозгом, авторы отмечают, что можно сделать аналог когнитивной науки, где мы анализируем эти активации. В теории, как было показано в разных исследованиях, они несут определенный смысл. Есть нейроны, отвечающие за всё, что связано с Канадой, есть нейроны, которые характеризуют честность, и так далее.
Идея: давайте придумаем, как влиять на активации нейронов так, чтобы "сдвигать" модель в желаемом направлении. Например, можно выявить направление "честности" (оно будет задано вектором), и по идее если модель подвинуть в ту сторону — то в среднем она должна меньше врать. Именно это происходило в предыдущей работе: Inference-Time Intervention: Eliciting Truthful Answers from a Language Model. И вы не поверите, работало!
В текущей же работе производится анализ ещё нескольких направлений, в том числе морали, эмоциональности, безобидности, запоминания. В качестве решения предлагается обучать LoRRA (Low-Rank Representation Adaptation) с помощью маленькой размеченной выборки (порядка 100 примеров), где для каждого примера указано, что он, например, лживый (хотя есть альтернатива с помощью промпта).
Результат — LLAMA-2-70B обходит GPT-4 на бенчмарке TruthfulQA почти на ДЕСЯТЬ ПРОЦЕНТОВ (59% и +-69%). А ещё приложили много примеров с изменением характера ответов модели в том или ином направлении — приложу в следующем сообщении.
В общем, альтернативный способ Alignment, и в то же время интерпретации модели и её контроля. Очень перспективное направление, ждём развития.
Сайт с примерами: https://www.ai-transparency.org/
Forwarded from Innovation & Research
Администрация Пекина опубликовала план обеспечения технологического лидерства города
Столица Китая объявила новые цели развития до 2035 года. Бюджет не раскрывается, но в подобные проекты мэрия Пекина уже инвестировала свыше $10 млрд только в части инновационной и венчурной деятельности, не считая поддержку университетов и промышленности.
Шесть основных областей и источников будущих отраслей:
▫️(1) Будущая информация
1. Общий искусственный интеллект (AGI).
2. Шестое поколение мобильной связи.
3. Метавселенная.
4. Квантовая информация.
5. Оптоэлектроника.
▫️(2) Будущее здоровье
6. Генные технологии.
7. Клеточная терапия и регенеративная медицина.
8. Наука о мозге и интерфейс мозг-компьютер.
9. Синтетическая биология.
▫️(3) Будущее производство
10. Роботы-гуманоиды.
11. Умный транспорт (роботомобили/дороги).
▫️(4) Энергия будущего
12. Водородная энергетика.
13. Новые энергии.
14. Улавливание, хранение и утилизация углерода.
▫️(5) Будущие материалы
15. Графеновые материалы.
16. Сверхпроводящие материалы.
17. Сверхширокозонные полупроводниковые материалы.
18. Новое поколение биомедицинских материалов.
▫️(6) Пространство будущего
19. Коммерческая авиакосмическая промышленность.
20.Спутниковая сеть.
Восемь основных действий по созданию будущей экосистемы промышленных инноваций и развития:
(1) Ориентация на оригинальные научные достижения
(2) Ускорение пилотной инкубации
(3) Стимулирование взаимодействия науки и бизнеса
(4) Объединение усилий инновационных партнеров
(5) Построение сценариев промышленного применения и внедрения технологий
(6) Расширение технологических и финансовых возможностей
(7) Отбор и привлечение зарубежных талантов, а также выращивание собственных
(8) Международный обмен и сотрудничество
#Китай #экосистема #город
https://www.beijing.gov.cn/zhengce/zhengcefagui/202309/t20230908_3255227.html
Столица Китая объявила новые цели развития до 2035 года. Бюджет не раскрывается, но в подобные проекты мэрия Пекина уже инвестировала свыше $10 млрд только в части инновационной и венчурной деятельности, не считая поддержку университетов и промышленности.
Шесть основных областей и источников будущих отраслей:
▫️(1) Будущая информация
1. Общий искусственный интеллект (AGI).
2. Шестое поколение мобильной связи.
3. Метавселенная.
4. Квантовая информация.
5. Оптоэлектроника.
▫️(2) Будущее здоровье
6. Генные технологии.
7. Клеточная терапия и регенеративная медицина.
8. Наука о мозге и интерфейс мозг-компьютер.
9. Синтетическая биология.
▫️(3) Будущее производство
10. Роботы-гуманоиды.
11. Умный транспорт (роботомобили/дороги).
▫️(4) Энергия будущего
12. Водородная энергетика.
13. Новые энергии.
14. Улавливание, хранение и утилизация углерода.
▫️(5) Будущие материалы
15. Графеновые материалы.
16. Сверхпроводящие материалы.
17. Сверхширокозонные полупроводниковые материалы.
18. Новое поколение биомедицинских материалов.
▫️(6) Пространство будущего
19. Коммерческая авиакосмическая промышленность.
20.Спутниковая сеть.
Восемь основных действий по созданию будущей экосистемы промышленных инноваций и развития:
(1) Ориентация на оригинальные научные достижения
(2) Ускорение пилотной инкубации
(3) Стимулирование взаимодействия науки и бизнеса
(4) Объединение усилий инновационных партнеров
(5) Построение сценариев промышленного применения и внедрения технологий
(6) Расширение технологических и финансовых возможностей
(7) Отбор и привлечение зарубежных талантов, а также выращивание собственных
(8) Международный обмен и сотрудничество
#Китай #экосистема #город
https://www.beijing.gov.cn/zhengce/zhengcefagui/202309/t20230908_3255227.html