
CNET科技资讯网 7月26日 北京消息(文/周雅):今日,高德地图开放平台宣布AMAP Inside战略,把开放平台的能力、服务以及技术接入更多移动应用。“AMAP Inside就是高德开放平台所提供的专业服务,包含地图、定位、导航、搜索、路径规划、室内地图等。通过各个第三方移动应用,高德的AMAP Inside每天为千千万万互联网用户提供服务。”高德地图副总裁田密介绍称,目前,高德开放平台已服务超过30万移动应用,包括新浪微博、神州租车等3万多家国内知名互联网厂商采用高德地图开放平台的服务来支持其互联网地图位置业务。
也就是说,除了可下载的高德地图应用,还有30多万个移动应用植入了高德地图的多种服务。
高德开放平台目前已经成为国内技术领先的LBS 服务提供商,日均处理定位请求及路径规划数百亿次,田密讲到,“AMAP Inside目标是要打造一个有价值的互联网世界底图,给产品一个‘商标认证’,把高德开放平台的能力和服务以及一流的技术支持‘烙’在产品上,给用户以相应的服务与体验。”
高德地图曾多次强调自己是目前市场上为数不多的具备完整基因的互联网地图厂商,在上半身“产品”和下半身“数据”两个赢取用户的决定性层面都极具竞争力。行业报告显示,在地图数据生产上,高德与四维图新是市场上绝对的双寡头,共同占据了 90% 以上的份额。
高德地图开放平台总经理童遥在发布会现场表示:“除了大家平时使用的高德地图之外,其实还有一个大家看不到的‘高德’,就是高德开放平台提供的服务。高德开放平台任务就是将高德地图最专业的定位、地图、导航等位置能力和LBS服务开放出来,供合作伙伴和开发者使用,也就是我们今天给大家介绍的AMAP Inside。这些能力加码到移动应用上,才能帮助应用为用户提供优秀的使用体验。比如,高德提供给社交应用精准的定位,帮助用户找到身边志同道合的朋友;高德提供给用车软件智能导航、路径规划和费用计算,帮助用户拥有安全舒心的出行体验;高德提供给O2O应用最优路径规划,帮助用户外卖早到5分钟。”
目前高德开放平台覆盖了硬件、出行、外卖、物流、社交、电商、资讯、运动等领域。根据高德现场给出的数据:在国内每 10 部智能手机就有 9 部在使用高德的位置服务;85% 的车行 App 使用高德的地图、导航和路径规划服务;还为 80% 的主流社交应用使用高德的位置功能以及地理围栏服务;超过 60% 的外卖 APP 使用高德的地图和定位服务。高德开放平台目前服务超过 30 万款移动应用。
在用车领域,AMAP Inside 为神州旗下租车、专车、拼车等提供地图及定位等调用服务,AMAP Inside 可为神州各业务线提供数据分析预测,实现智能用车资源分配。基于高德地图定位,神州旗下各产品客户端能够显示司机位置的变化,接单后能够自动为司机规划最优路线;神州租车还能对区域业务热度进行分析,清楚哪些区域用车需求较大但车辆较少,从而能调配其他区域车辆。
在移动资讯领域,AMAP Inside 可以为移动资讯 APP 提供热点位置的定位能力。比如网易新闻客户端,利用 AMAP Inside 的定位能力,将位置变化与用户的喜好相结合,根据不同的场景,为用户推送身边的一手新鲜资讯。
AMAP Inside不仅服务于互联网产业,还助力于公益事业。公安部刑事侦查局最近在阿里巴巴集团的技术支持下开发了“公安部儿童失踪信息紧急发布平台”。该平台正是利用了高德地图开放平台的LBS定位技术,根据地理围栏设置,向儿童失踪所在相应区域范围内的用户精准推送信息,并随着时间推移扩大地理围栏范围,以便组成一张全民搜索失踪儿童的大网,帮助追踪失踪儿童。
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。