
拼车业务一直面临着巨大的政府监管压力,Uber不久前不得不暂停了其在法国的UberPop服务。近日,谷歌收购的以色列公司Waze也展开了拼车服务试点,不过其试图以严苛的运营政策,来减少监管压力。
Waze是谷歌在2013年以超过10亿美金价格收购的,该公司利用用户智能手机上的卫星信号来提供实时交通信息。 Waze近日在以色列推出了拼车软件RideWith,通过Waze的导航系统了解驾车者最经常走的路线,并为之匹配同一条路线上有拼车需求的人。
谷歌这一服务一开始会在以色列特拉维夫等三个城市铺开。如果试运营比较成功,这一服务会在更多的以色列城市铺开。但Waze的发言人表示,服务何时正式上线,还没有具体的时间表。
这次实验性质的业务,引起关注不仅因为这是谷歌首次在移动出现领域推出自己的产品,也因为这个拼车服务有着极其严格的运营政策。Waze规定,每天每个司机最多能接两单生意,目的是分摊汽车燃油消耗和车辆保养开支,司机本人不能依靠这个作为职业或是赚钱。
另外,谷歌不仅不会给司机补贴,还会从每单生意中抽百分之十五的佣金。RideWith还会利用Waze的数据库来对司机的轨迹与乘客的轨迹进行对比,以防司机违规。
一天仅限两次拼车的规定,或许能使RideWith避免遭遇Uber在许多国家所面临的抵制,毕竟这将降低对传统出租车行业的冲击,监管起来也更容易。
此前谷歌在移动出行领域一直没有推出自己的产品,而是对Uber进行了投资,谷歌地图等产品也对Uber的出行服务提供了支持。但此次谷歌在拼车业务上小试牛刀,也意味着将来与Uber可能有更多业务上的冲突。
谷歌在研究无人驾驶技术,不久前Uber也与美国卡耐基梅隆大学合作开始了无人驾驶技术研究。若谷歌的无人驾驶应用到移动出行上,其将成为Uber的直接竞争对手。
好文章,需要你的鼓励
论文提出CAST框架,通过多智能体系统把任务成败的粗略反馈转化为逐步动作的详细批评理由,训练出更懂节制的批评模型,再用它优化执行策略,让8B小模型在可靠性指标上反超120B大模型,提升智能体在真实动态环境中的稳定表现。
论文提出NavMCP框架,用意图、观察、记忆三条通道把VLM推理与导航基础模型NFM结合,解决具身问答中长距离探索问题,在多个基准和真实机器狗测试中均取得最优效果。
研究发现教师模型批改学生生成内容时噪声率高达50%,但学生依然能进步。作者发现真正起作用的是压制学生自己低概率词,据此提出无需外部监督的OPSA方法,在AIME24等数学测试上带来最高307%的提升。
PaperGym提出一套把科研论文转化为AI训练环境的方法,解决科研计划生成缺乏可验证奖励的难题,通过问题答案分离降低评分标准泄露,结合自蒸馏与强化学习两阶段训练,让小模型在多个基准上超越更大规模的商业模型。