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
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。