北京时间3月1日消息,据科技网站AppleInsider报道,谷歌无人驾驶汽车过去曾卷入多起交通事故,不过在这些交通事故中,其他车辆司机都负全责。但是,在本月早些时候发生在加利福尼亚州的一起交通事故中,谷歌无人驾驶汽车需要承担部分责任。
有媒体当地时间周一报道,向加利福尼亚州机动车辆管理局(以下简称“DMV”)提交的文件披露了这次交通事故。文件显示,一辆采用无人驾驶技术的雷克萨斯RX450h在山景城与一辆公交车相撞。
报告显示,当时,无人驾驶的雷克萨斯试图并入车道,并避开前方道路上的沙袋。它显然通过后视镜“看到”了公交车,并“断定”它会停车或减速,但公交车并未停车或减速。
好在当时两辆车速度都很慢,雷克萨斯时速仅为2英里,公交车时速为15英里。事故没有造成人员伤亡,报告只是称雷克萨斯受到损伤。
在有关这次交通事故的消息“触网”后,谷歌解释了原因,称“有人驾驶汽车每天都会发生类似事故。这是驾驶活动中协商的经典案例——我们尝试相互预测对方行为。在这次交通事故中,我们显然负有责任,因为如果我们的汽车不出现在那里,就不会造成两车相撞。随车测试人员认为公交车会停车或减速,使我们的汽车并入车道,并认为两车之间距离足够大”。
谷歌无人驾驶汽车示意图
谷歌无人驾驶汽车曾遭遇17起交通事故,但据称这些交通事故责任全在对方,使得发生在2月14日的这起事故,成为谷歌无人驾驶汽车负部分责任的首起交通事故。
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。