
CNET科技资讯网 1月13日 北京消息:1月12日,北京东三环的多功能生活中心,在滴滴出行与财新传媒联合主办的“2017大数据与智慧城市论坛”上,滴滴出行高级副总裁兼工程技术委员会主席章文嵩透露,智慧交通综合解决方案已在多个城市落地。
在此次论坛上,章文嵩代表滴滴出行发表了“滴滴大数据与智慧交通”的主题演讲,详细介绍了滴滴出行在大数据领域的世界级挑战与“互联网+交通”切入点。
“超过2000万日峰值订单量、每日70TB定位轨迹数据和2000TB处理数据。”作为资深技术专家的章文嵩公布了滴滴近期的数据规模。他表示,“滴滴通过自身数据分析,不仅可以为公众提供全国最实时的路况,而且通过分析用户行为、司机驾驶行为与车辆数据等多个维度,实现精准的供需预测与路径规划。”
章文嵩介绍,挖掘海量司乘轨迹大数据,结合先进的人工智能算法,可以实时给出最优路径规划,降低人们出行时间成本。目前滴滴热力图可以动态预测未来15分钟的需求,提前引导司机开往需求密集区域,提升司机每小时成单量和乘客用户体验。
同样,大数据支撑的高效运力调度,不仅确保每一个需求都能被最大程度满足,而且进一步促成了智能拼车系统的运转。而滴滴依托平台海量数据,设置和优化虚拟站点,帮助拼车服务达到极致体验和拼车效率。
滴滴大数据在打车产品上的应用,在提升司机服务水平上更是开启了开创式的革新。2016年9月,滴滴宣布在全国百城上线服务信用体系,而该体系便是利用大数据识别和引导优秀的司机服务,提升司机收入水平。对此,章文嵩还表示,滴滴司机的“矩阵式服务分体系”上线后,优质司机的比重明显提升,服务评分高的司机收入更高。
除了打车效率的提升,滴滴智慧交通云还积极推动“互联网+交通”实施。过去一年,滴滴已经与多个地方政府合建交通大数据平台,实现了政企数据无缝对接。 目前滴滴数据支持的济南、贵阳等城市实时路况系统已经落地。据了解,未来双方还将通过滴滴智能交通云实现路网优化、信号灯智能控制,这将对整个城市的公共交通产生重要价值。
在接下来的分论坛上,章文嵩还与链家副总裁闫觅,饿了么副总裁郭光东等o2o业内精英就大数据应用展开讨论。
章文嵩表示,滴滴利用大数据技术不断提升出行体验。“我们对数据的应用体现在方方面面,比如挖掘出推荐上车点,猜你想去哪儿,做路况预测、路径规划、ETA计算和供需预测等,而智能调度是最为复杂的问题,这些优化目标是不断降低接驾时间,提高司机的效率和收入。”
谈到如何解决交通拥堵问题,他认为,“更多新能源的车对交通将更好,另外有效利用空置座位,提高车辆的使用效率,减少路上车辆,对治堵治霾都有极大作用。 ”
章文嵩还透露:“滴滴在武汉、济南和贵阳等城市与交管局合作,共建交通大数据云,将在上面做各式各样的应用。相信中国在这方面会做得很好,我们拥有更多的数据,中国的交通有很大优化空间。”
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。