亚马逊获得的一份题为“预期发货的系统和方法”专利文件显示,未来亚马逊将通过大数据对用户购买行为进行分析,实现在他们购物尚未下单前,提前发出包裹,以节约网购时间。
此前,亚马逊曾暗示,公司将很快利用无人机向用户发送网购家居用品。而目前亚马逊最新专利暗示的技术则更为离奇:在用户为购买之前,亚马逊将根据数据分析、熟悉用户偏好,提前将物品运往离你不远的货运中心。一旦用户下单、购买,亚马逊将在最短时间内将订购物品送达。
亚马逊在专利文档中表示,从下单到收货之间的时间延迟可能会降低人们的购物意愿,进一步阻碍了用户的网上购物活动。
亚马逊利用大数据,从用户之前的购买行为中,分析并预测用户接下来会觊觎什么电子产品或美容产品,而后在他们实际购物前,将包裹发出,而这些包裹通常会暂存在离用户不远的大仓库里。但亚马逊并在专利中,并未透露这项新技术可能缩短的配送时间。
该专利甚至建议,亚马逊可能向用户免费送出一些小礼品,即使用户没有点击购买。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。