当地时间本周二,美国专利商标局(US Patent and Trademark Office)批准苹果“根据检测到的停车情况做出路线选择”专利(Routing based on detected stops),为众包导航概念向前推进一步。
图:苹果最新专利显示,导航系统能够根据红灯、停车标志和沿途障碍物数量进行导航。
当前众包导航产品如Waze整合大量司机提供的交通数据,为用户到达目的地提供捷径。大众信息较通过标准导航应用如Google Maps和苹果Maps应用获得的信息更准确、及时,但目前众包系统仅仅是考虑用户沿途上可能存在的造成停车或减速的各个事件,能够真正找到最佳路线的更智能系统将是每位司机的福音。
在苹果专利中,该智能导航系统通过用户移动设备上的GPS收集检测到的汽车停车次数,判断每次停车持续时间。我们甚至能够通过分析信息甄别出红灯与停车标志。数据本身被发送至一台远程服务器上,然后交通工具通过Google Maps或苹果Maps常规导航应用接入该系统后,实现共享。
司机利用导航信息判定到达目的地的最快路线,还能够根据数据准确估算行程时间,甚至在不迟到的情况下决定出行的最佳时间。
随着时间推移,服务器还能够收集并整理数据,根据红灯位置、每日时间段及其他因素预测出明确的交通模式。
一般情况下,即使是一项获准专利也不意味着该技术能够进入现实生活,但司机对新专利充满期待。
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。