
借助司机助理系统,无人驾驶汽车依赖雷达、激光和摄像头看清道路,但所有信息还需要进行分析、领会。Nvidia在CES展上演示了其新款K1图形处理器如何识别街面信号、车道线与其他交通工具的全过程。
Nvidia在其展台进行了演示,安装有K1芯片的测试台记录了一段由一个摄像头拍摄到的路面行驶视频。借助图像识别资料库,K1图形芯片分析视频,将速度限制信号标为红色、其他交通工具标为蓝色,车道线标为绿色。
芯片不停地处理着视频,与现实世界并无两样。
Nvidia自动化主管丹尼·夏皮罗(Danny Shapiro)向CNET表示,早期的Tegra芯片无法达到演示中显示的K1处理水平,新款KI处理器能耗却与Tegra相似,仅为5-7瓦。
K1芯片是汽车的幕后“工作者”,分析大量传感器传来的实时数据,创建即时环境3D模型。汽车厂商负责适当的回应,通过刹车或方向盘进行控制或报警,对环境因素做出响应。
Nvidia演示时,K1芯片分析速度限制信号,并在显示屏上显示当前速度。
夏皮罗指出,Nvidia能够针对不同目标、街道标识和信号提供一个视觉识别模式基本资料库,但汽车厂商还需要通过广泛的现实世界测试细化识别模式。
奥迪、宝马和Tesla汽车目前均采用Nvidia芯片。奥迪在CES展上宣布未来一款汽车将使用Nvidia K1芯片。夏皮罗表示,Nvidia将在今年3月份举办的日内瓦车展上公布一个新客户——一家亚洲主流汽车厂商。
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。