
CNET科技资讯网 3月9日 北京消息:滴滴出行今日宣布在硅谷成立滴滴美国研究院,主攻大数据安全和智能驾驶等先进技术研发。研究院落户加利福尼亚硅谷山景城(Mountain View),距离苹果的两个Cupertino园区不到10英里,这也是滴滴出行在海外建立的第一个实验室。
美国研究院由滴滴研究院副院长弓峰敏领导,目前已有数十位杰出的数据工程师和研究人员加盟,包括世界顶级安全专家查理·米勒(Charlie Miller)负责智能驾驶安全项目。预计今年滴滴美研团队规模将有大幅提升。
查理·米勒被业界誉为 “全球最杰出的安全专家”。公开资料显示,他曾就职于苹果、Twitter、Uber等公司,还撰写了三本信息安全有关书籍,四次获得CanSecWest Pwn2Own大赛冠军。在2015年,查理成功对吉普切诺基车型进行了远程控制实验,一度震动汽车界,从此被认为是最有可能改变汽车历史的安全工程师。
美国时间3月8日凌晨,查理对外发声,称“非常兴奋能加入滴滴美国研究院,负责保障智能驾驶的安全性,不断升级优化,抵挡来自外部的威胁。在加利福尼亚,我们有很多杰出的科学家正在一起工作,也欢迎更多的人才加入。”
查理将在滴滴美国研究院主要负责核心前沿业务,如保障智能驾驶的安全性,保护车辆上的代码不受侵犯,让开发、测试、审核过的代码高效安全地为车主和司机服务等。而在谈及为何加入滴滴时,他本人表示,当前智能驾驶领域并未有明确的单一的领先者,这还是一个开放的赛场:“滴滴完全有能力成为人工智能、智能驾驶等领域的主要参与者”。
据官方信息称,滴滴美国研究院将以云安全、 深度学习、人机交互、计算机视觉及图像学、智能驾驶等领域的技术开发及应用为主要课题,并持续把研究成果转化为生产力,为更多城市打造整体出行方案。
由此,滴滴也将构建一个全球创新网络,吸引科研人才。据悉,此前2015年5月,滴滴就正式成立机器学习研究院,将机器学习大规模应用在出行领域;去年4月,滴滴机器学习研究院升级为滴滴研究院, 试图通过机器学习理论和方法,最大化利用交通运力,缓解城市拥堵。
对于滴滴的国际化布局,滴滴出行创始人、董事长兼CEO程维表示,滴滴的国际化战略不仅着眼于为全球更广泛的社群提供出行服务,也包括构建跨境科研网络,“当前,全球交通和汽车产业正面临变革,滴滴已经投资于全球五大共享出行领袖。基于出行数据,滴滴正在迅速驱动人工智能技术的迭代升级,与城市管理者共建智慧交通体系,创造未来出行新生态。”
也是在今天,滴滴出行CTO张博在硅谷出席全球首个智能驾驶车开源项目——“滴滴-UDACITY无人驾驶大挑战”启动式时表示,未来十年,滴滴将利用全世界最丰富的出行数据,在三个层面实现创新突破:改变人与汽车之间拥有和使用的关系,引领新能源汽车和新智能驾驶安全技术的应用,并将大数据能力系统地应用于交通基础设施的优化。
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。