
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Snowflake AI Research发表的研究挑战了传统语言学对大型语言模型的批评,通过引入波兰语言学家Mańczak的理论框架,论证了LLM的成功实际上验证了"频率驱动语言"的观点。研究认为语言本质上是文本总和而非抽象系统,频率是其核心驱动力,为重新理解AI语言能力提供了新视角。
freephdlabor是耶鲁大学团队开发的开源多智能体科研自动化框架,通过创建专业化AI研究团队替代传统单一AI助手的固化工作模式。该框架实现了动态工作流程调整、无损信息传递的工作空间机制,以及人机协作的质量控制系统,能够自主完成从研究构思到论文发表的全流程科研工作,为科研民主化和效率提升提供了革命性解决方案。
德国马普智能系统研究所团队开发出专家混合模型的"即时重新布线"技术,让AI能在使用过程中动态调整专家选择策略。这种方法无需外部数据,仅通过自我分析就能优化性能,在代码生成等任务上提升显著。该技术具有即插即用特性,计算效率高,适应性强,为AI的自我进化能力提供了新思路。
Algoverse AI研究团队提出ERGO系统,通过监测AI对话时的熵值变化来检测模型困惑程度,当不确定性突然升高时自动重置对话内容。该方法在五种主流AI模型的测试中平均性能提升56.6%,显著改善了多轮对话中AI容易"迷路"的问题,为构建更可靠的AI助手提供了新思路。