CNET科技资讯网 1月20日 北京消息:1月19日,滴滴出行与密歇根大学宣布达成战略合作,双方将围绕“智慧交通”进行前沿技术的学术研究、成果转化以及科研人才的培养。这是滴滴出行首次与国外高校进行深度合作。
左:滴滴出行联合创始人兼CTO张博;右:密歇根大学科研副校长胡仕新(S.Jack Hu)
根据双方计划,滴滴出行将与密歇根大学土木与环境工程系、电子工程与计算机系下属的实验室和研究所,在合作的三年内,围绕基于机器学习和大数据的应用,将对多个智能交通技术热点课题展开研究,具体方向包括智能交通、拼车优化算法和驾驶安全等。这些科研成果若能落地,将会改善城市交通出行,提升交通系统的运行效率。
双方合作的内容还包括联合人才培养。通过设立奖学金和项目竞赛,让有潜力的研究生在掌握基础科研技能的同时,有机会在真实的工业场景中进行实践,提升其解决实际问题的能力。此外,双方还将不定期在相关合作领域开展学术交流活动,促进科研成果的孵化,提速智慧交通的进程。
作为世界顶级学府,密歇根大学在交通工程、机器学习和大数据等领域享有盛名,是美国研究人工智能的顶级科研机构之一,其专业研发领域涉及交通领域的人工智能、自动驾驶、车联网、大数据、机械与电子工程、经济学、公共政策,以及未来交通管理系统等相关单元。密歇根大学的交通研究所(UMTRI)聚集了交通安全、智慧交通系统和工业自动化等多个领域顶级专家。
滴滴出行作为一站式出行平台,拥有大量的出行大数据:日峰值订单量超过2000万,每日定位轨迹数据达到70TB,每日数据处理达到2000TB,覆盖交通路况、司机驾驶行为及车辆数据等多个维度。
滴滴出行联合创始人兼CTO张博表示:“密歇根大学是全球未来交通体系研究的领先者,其多个交通相关研究机构致力于优化驾驶、推进交通科技创新,在全球范围内实现安全、可持续的交通系统。这次双方合作后,将在机器学习领域展开深入探讨,研发先进的算法,帮助解决出行智能匹配这一世界难题,并通过优秀的算法模型来规范司机安全驾驶,保障用户出行安全,而在社会层面,双方将在智慧交通领域合作,探索提升城市整体交通效率的技术方案。我们希望运用云计算、大数据和人工智能等前沿技术,来提升人们的出行效率,也让整个城市的交通环境变得更美好。”
密歇根大学科研副校长胡仕新(S.Jack Hu)表示: "滴滴出行是一家值得被尊敬的科技创新企业,它拥有巨大的出行数据,短短四年时间,已经在机器学习和智慧交通领域处在全球领先水平。我们很高兴这次和滴滴出行达成为期三年的战略合作,双方将围绕‘智慧交通’进行前沿技术的学术研究、成果转化,以及机器学习和大数据人才的培养。我们期待与滴滴出行通过紧密合作,让科研成果运用在滴滴出行真实大数据中为城市创造更美好的出行体验,共同培养全球化的科技创新人才。”
当前,滴滴出行在智慧交通、机器学习、数据挖掘和大数据等领域开发出许多业界领先的技术成果:例如成为国内首家把机器学习成功应用到ETA的公司,解决“订单高效匹配”和“司机运力调度”问题;已经上线的“目的地预测”和“推荐上车地点”两大功能极大方便了司乘双方;对未来的出行需求进行预测,15分钟后供需预测的准确度达到了85%;通过构建交通云计算平台,实现区域热力图、城市运力分析、城市交通出行预测等,帮助城市交通建设及公众出行作决策。
张博亦表示,滴滴正致力于建设世界级科技公司,愿意与全球高校、科研机构合作,开放部分脱敏数据和计算基础设施,一起探索交通前沿科技的边界,并尝试将尖端科技应用到改变交通的实际中。
分析认为,滴滴与密歇根大学的合作显示出极其开放的对外合作姿态,此前滴滴方面也在多个场合表示,愿意开放脱敏数据给第三方进行相关研究,而与全球科研机构以及高校合作也意味着滴滴的人才走向国际化,未来或将有越来越多的国际一流技术人才加盟。滴滴正在通过全球化的开放合作为前沿科学探索加码。
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。