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
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。