
CNET科技资讯网 5月24日 北京消息:由国家发改委、工信部、商务部和网信办、贵州省人民政府主办的2016数博会将于明日在贵阳开幕,滴滴专车将在会议期间作为大会制定唯一专车合作服务伙伴,为参会嘉宾提供优质的出行服务。滴滴出行创始人、CEO程维将在明天的大会开幕上做主题发言,他在大会开幕前接受采访时表示,滴滴的本质就是一个智能的交通大数据引擎,智能化的把用户的需求跟所有的交通工具进行了高效连接。
据了解,滴滴打造了一个出行数据精准匹配的智能系统,这一个完整的系统包括了随区域、时间变动的定价、订单的高效匹配、根据供需预测之后的司机运力调度等。资料显示,滴滴出行平台每天新增数据超过50Tb以上,每天计算次数数十亿计,高峰时段,每分钟匹配就高达200万次。基于如此大的数据量,滴滴可以进行最大限度的数据挖掘,不断通过大数据和深度学习驱动的人工神经网络,实现精准的预测能力、智能的调配能力和动态的定价能力,以此来提高效率降低成本,实现最优的运力调度。
在程维看来,在工业时代,是机器代替人的体力,而到了互联网时代,机器会逐渐替代人的脑力,比如AlphaGo展现出来的就是一种大智能。程维同时指出,滴滴下一步最重要的事情就是不断地投入打造交通大数据引擎,希望未来一切的出行需求都是通过这个名为“潮汐”引擎来统一安排。“希望在未来三到五年时间里,滴滴能拥有一个世界顶级人工智能和机器学习的研究院,能够把滴滴的智能交通引擎建设成全世界领先的引擎”,程维说道。
此外,程维还表示,贵阳积极发展大数据产业极富远见。他说“未来3年就是通过大数据更好的驱动和服务用户,所以我觉得贵阳是占了一个未来的制高点,滴滴很愿意和贵阳开展合作。”
凭借强大的数据挖掘和分析能力,滴滴在中国400余座城市已为近3亿用户提供一站式出行服务,仅专快车日完成订单就已突破1000万。目前,滴滴已经占据中国网约专车市场88%以上的份额及99%以上的网约出租车市场份额,平台注册司机达1400多万。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。