今天下午,环境保护部宣传教育中心、阿里巴巴公益基金会、高德地图三方联合发布的“美丽中国,我是行动者”互联网公众参与平台——环境地图,在高德地图客户端正式上线。
通过环境地图,用户可以查看全国范围内的空气质量、水质、污染源等环境信息,有助于提前进行出行决策,为出行提供参考。同时,这也意味着高德地图开始更加深入地全面打造基于位置的立体化信息服务。
据了解,现在用户到高德地图客户端搜索“环境地图”,即可点击进入。通过环境地图,用户可查看到全国主要城市的空气、水体和企业排污等环境信息。诸如,在空气指数下,公众可以查看整个城市的空气质量指数和近4天的预测值,以及当下在全国364个城市的排名;可以查看城市的地表水水质等级,以及地表水使用建议;还可以查看城市排污企业的排污状况、类型,以及是否达标等。
据悉,环境地图的所有信息均来源于绿网环境保护服务中心(NGO)收集的各级环保部门公开监测数据。
高德集团总裁刘振飞表示,高德地图的使命是“连接真实世界,让出行更美好”。过去提供生活服务的O2O企业和提供旅游服务的OTA企业,只考虑了如何建立真实世界与商业世界的连接,实现商业变现,并未连接真正的真实世界。
“我们希望给用户提供基于位置的立体化信息服务,以此来连接真正的真实世界,让用户更了解真实世界全貌,让出行更美好”。他表示,“以往基于位置的单一的信息服务,并不能很好的满足用户需求。比如环境、旅游、气象这些信息都分散在不同的平台中,我们想要获取这些信息的门槛很高。”所以,我们需要给用户提供基于位置的立体化信息服务,即用地图连接真实世界基于位置的所有信息。
刘振飞还表示,基于位置的立体化信息服务不仅仅给用户提供立体化的信息呈现,同时还会将立体化的信息与用户的出行场景结合。“举两个例子,一是当用户不知道去哪个目的地时,高德地图可以做目的地推荐,帮助用户更好的进行出行决策;二是当我们给用户提供导航规划服务的时候,我们不仅仅会考虑躲避拥堵这一因素,还会考虑规避积水信息等等其他因素,从而为用户实现最佳出行服务。”
与权威部门合作 让基于位置的信息服务能上天能入地
刘振飞透露,打造基于位置的立体化信息服务,一是通过数据生产不断创新,二是需要持续打造数据生态。
他表示,首先数据生产要从静到动,随着高德的大数据众包能力不断增强,我们的地图数据生产正在变得越来越智能,越来越实时。
其次,数据生态要分为两个方向:一是建立“人人为我、我为人人”的数据众包模式,让用户提供数据信息,打造“用户众包”生态;二是与不同行业合作伙伴建立数据共享合作,打造不同行业数据生态。最终通过打造最丰富、最鲜活、最权威的数据生态,赋能基于位置的信息服务。
实际上,高德地图一直在做立体化信息服务的各种实践。在交通信息服务方面,高德地图已经与全国150家交通管理部门达成深度合作,在数据共享的同时,为各地交通管理部门赋能,提供大数据和产品、技术能力的支持。在旅游信息服务方面,今年1月份,在国家机构调整前,高德地图与国家旅游局联合发布了“全国全域旅游信息服务系统”,目前已经覆盖全国所有的5A、4A级景区,为游客提供了吃、住、行、游、娱、购等景区信息服务。
在气象天气信息服务方面,高德地图与中国气象局公共气象服务中心达成战略合作,接入了中国气象局的历史气象数据和实时气象数据,将天气信息与位置和出行路线紧密结合起来,让用户在出行前、中、后的出行全周期里,都能清楚地知道天气情况。此外,双方还借助大数据、人工智能等科技手段,联合发布了积水地图AI版,让用户在出行时及时避开相关积水路段。
此次最新上线的环境地图,是高德地图基于位置的立体化信息服务的新突破。 刘振飞表示,“环境地图,再次丰富了我们在环境方面的信息服务,让基于位置的信息服务,能上天、能入地。”
环保一直是阿里公益重点关注的领域。阿里巴巴公益基金会自2011年成立以来,就聚焦在中国环境尤其是水环境的保护。截至2017年3月底,阿里巴巴集团在环境领域共计投入2.2亿元,其中基金会资助1.43亿元,资助环保类项目127个,并已携手80家各地环保组织,在中国14个省市开展和推动了水环境保护协同治理工作。
“环境与我们息息相关,与生活息息相关,是我们美好生活非常重要的部分。希望大家通过环境地图,能够了解我们所生活的环境,重视环境保护,参与改善环境,让我们的真实世界更加美好。”刘振飞表示。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。