
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
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。