Editing 语言维基:人工智能技术研发公告

本站研发团队在人工智能、深度学习、自然语言处理等领域，进行广泛的前沿创新研究。部分研究处于世界领先水平，您可以在此了解部分项目的研发进展。您也可以与我们联系，咨询部分技术详细资料、合作和授权。
*语言处理方面的基础算法研发
**RNN和LSTM的升级和优化。我们掌握的深度学习模型与技术，优于现有biLSTM、注意力机制LSTM、Transformer等。语音识别、机器翻译应用潜能，优于百度、谷歌、讯飞的现有系统。
**研发下一代可解释AI核心技术
*世界首创顶尖语义学习算法研究
**优于目前计算语言学领域的语法分析、语义嵌入（word embedding）、GPT-3等前沿方法。研发出下一代的语义学习算法，可以更高效、稳定的处理自然语言语义。可以赋能机器人对话、自动翻译、自动问题回答、商业咨询等领域。
**包含丰富的模糊语义逻辑能力，可进行自然语言和世界知识级别的逻辑推理
*NLP技术开发和应用
**小语种语音、文字识别。运用最前沿技术，填补小语种处理的空白。正在研发满文文字识别（OCR）、满语和维吾尔语机器翻译、语音合成与识别等。
**汉字识别新算法
***正在研发优于CNN的汉字识别算法，取代第一代深度学习技术。
*超越深度学习的计算机视觉技术
**语言是对于外在世界和自身思想表达，我们提供与先进的语言技术匹配的计算机视觉技术。2012年兴起的深度学习的计算机视觉能力，并未与自然语言完美的连接，以至于很多视觉语言任务（例如图像转标题）都不能达到满意的准确率和实用性。但是，我们在视觉领域，极大的超越了深度学习的局限性，不但性能上要超越ResNet, EfficientDet, YoloV5和ViT，而且提供了视觉场景的丰富的语义分割和语义关系识别。
技术估值
*目前处于初创阶段。预期5年内估值目标价：1亿-100亿美金（对标百度、谷歌）。跨代技术可以取代现有语言处理类技术领航者，搜索引擎、对话系统等。

=== 2021年语言维基人工智能/机器学习基础算法 ===
{| class="wikitable"
!技术项目
!基础研究
!应用研究
!研究阶段
!性能
!性能预期
!公布日期
!对外授权
|-
|TrueNorm
|是
|
|可行性已验证
|专家组评审通过
|独家创新的深度神经网络归一化（normalization）算法，可以超越和取代 LayerNorm 和 BatchNorm
|3/1/2021
|基础研究不授权，应用可授权
|-
|TrueNB
|是
|
|可行性已验证
|专家组评审通过
|独家基于神经科学基础研究创新的CNN改进架构，可大幅提升各种计算机视觉、自然语言任务性能
|5/1/2021
|基础研究不授权，应用可授权
|-
|TrueNTM
|是
|
|研发中 V0.2
|专家组评审通过
|自研技术对标、超越谷歌 Neural Turing Machine、 Facebook 的 Memory Networks等神经图灵机模型。优化的神经图灵机可用于各类seq2seq任务、计算机数据结构操作、问题回答（QA）、语义判断等任务。
|6/1/2021
|基础研究不授权，应用可授权
|-
|TrueRNN: G2P
|是
|是
|研发完成
|高难度数据超过Transformer
|在复杂G2P任务中，超越 SOTA, Transformer
|9/14/2021
|基础研究不授权，应用可授权
|-
|TrueRNN: OCR
|是
|是
|可行性通过
|基准数据性能优异
|超越 SOTA
|9/25/2021
|基础研究不授权，应用可授权
|-
|TrueRNN: ASR
|是
|是
|可行性通过
|SOTA
|超越 SOTA
|10/3/2021
|基础研究不授权，应用可授权
|-
|TrueRNN: seq2seq
|是
|是
|研发中
|
|超越SOTA。一种新的、性能更好的代替 Transformer 的 seq2seq 底层技术。
|3/15/2022
|基础研究不授权，应用可授权
|-
|CuteNLU
|
|是
|研发中
|SOTA
|实现 SOTA。一种基于现有 NLU 算法的易用语言理解框架。
|
|可商业非商业授权
|-
|TrueSemantics
|是
|
|研发中
|
|语义相关任务（机器翻译、意图理解、问题回答）超越 LSA, BERT, GPT-3，实现通用人工智能的语义基础
|
|
|-
|NeoConvNet
|是
|
|研发中
|
|远超所有CNN变体SOTA，展示计算机视觉的最佳实践和精度
|11/28/2021
|基础研究不授权，应用可授权
|-
|NeuroArchV
|是
|是
|研发阶段 II
|Layer I 研发完成
|设计基于新型神经网络模型的第五代计算机架构、基本操作和基本运算和存储单元
|12/20/2021
|基础研究暂不授权，应用可授权
|-
|多模态语义推理机
|是
|
|研发中
|
|以正确的途径实现通用人工智能，超越 OpenCOG, OpenNARS 等框架
|
|
|-
|神经计算机ASIC设计
|
|是
|研发中
|
|保护人工智能算法产权、加速边缘计算、减少神经计算机能耗
|
|
|-
|NeoVisionArch
|是
|是
|研发中
|
|一种不同于 ConvNet 的深度神经视觉模型，采用新的 kernel 和基本运算，减少特征密度和提升学习性能。
|
|
|}
TrueRNN: 以 RNN, LSTM, GRU 为基础的新一代序列学习、预测、转换模型，在语音识别、语音合成、语言文本处理（陌生词发音、机器翻译、语言理解）等领域，通过对于特定领域数学模型的研发和创新，进一步提升当前 SOTA 性能。

NeoConvNet: 修正 ConvNet 自1980年 Fukushima 的原型以及 LeCun 的CNN一直存在的瓶颈，成为下一代深度学习视觉的主干。自动驾驶的下一代视觉技术，自动驾驶行业的拯救者。

多模态语义推理机：具有符号运算模态和神经运算模态的计算机，同时处理多个信息输入模态（视觉、语音、语义）等，同时具有传统计算机优势、神经计算机的学习和通用智能推理能力。