CNET科技资讯网 3月22日 北京消息:如何让城市交通更加顺畅、民众出行更加便捷?这个问题不仅在中国,在全球也是一个前沿研究课题。今天,在北京举行的第六届中国智能交通市场年会上,滴滴出行方面透露,包括智慧诱导屏、智慧公交、智慧代驾热力图、“互联网+信号灯”等在内的智慧交通项目已在全国多个城市落地,未来滴滴希望通过滴滴的大数据、高科技优势,携手更多的行业伙伴,帮助中国的智慧交通行业走在全球的前列。
(滴滴出行高级副总裁、智慧交通项目负责人 章文嵩)
滴滴智慧交通落地多个城市
滴滴出行高级副总裁、智慧交通项目负责人章文嵩介绍,目前,滴滴在深圳、贵阳、武汉等城市,落地了智慧诱导屏、智慧代驾热力图、智慧公交、智慧交通度量报告等多个智慧交通项目,已经取得了一定的成效。
在深圳,滴滴出行启动了“智慧交通+酒驾治理”新方式,与当地交警部门配合,在酒驾干预、酒驾执法等方面尝试新的有效治理措施。依托庞大的脱敏出行数据和高科技算法,滴滴出行开发出了全国首个代驾热力图实时查看工具。通过代驾热力图,深圳交警可以实时或者以任何时间周期为单位,查看以群组、区域为特征的代驾订单密度、订单流动规律等。
同时,滴滴还与深圳巴士集团合作,向用户提供公交信息实时查询服务,开展数据中心及智能调度管理平台业务、城市定制公交服务等业务,为市民打造新一代的智慧公交。
在贵阳,滴滴已经将交管局与滴滴出行收集的交通大数据融合,应用在城市道路的智慧交通诱导屏上。该诱导屏不仅可以实时显示前方道路的通行状况,还能通过滴滴的ETA(预估到达时间)技术预测去往前方路段所需时间,让城市交通诱导系统变得更加智慧。
此外,在武汉,滴滴已经开始利用海量的出行大数据与交管局数据结合,通过数据分析发布城市交通度量报告,实现对整体交通运行情况的清晰判断,帮助决策者制定相关交通策略。
智慧交通的“互联网+信号灯”项目,滴滴也已经在济南等多个城市开展落地尝试。与此前的信号灯相比,滴滴的“互联网+信号灯”依托海量数据和先进算法,可以实时反馈运行效果,通过不断的数据挖掘、机器学习,通过快速迭代提升城市信号灯的运行效率。
携手更多伙伴助推全球前沿课题
智慧交通体系是由滴滴与各地政府一起携手打造的,基于“互联网+交通大数据”的智慧出行、智慧监管、智慧运营、智慧决策的体系。该体系既有滴滴独有的、核心的大数据、高科技基础,又能很好地结合当地城市的交通大数据、路网特点、公众出行特征等。
作为一站式出行平台,滴滴出行每时每刻都在积累庞大的海量交通出行数据。以北京为例,在滴滴平台上每分钟有上万单需求,滴滴的轨迹数据每天覆盖北京道路平均300遍,交通变成了实时动态大数据。与此同时,滴滴大脑一直在学习城市出行需求,现在对15分钟后需求预测准确率超过了85%,平台还可以做到提前调度;每天有超过200万人次通过拼车上下班。
目前,滴滴平台上,高峰期每分钟接收超过2万乘客需求,每日定位轨迹数据有70TB+,相当于7万部电影;每日处理数据高达2000TB;每日路径规划请求超过90亿次,约相当于600万次/分钟。在交通领域,这样的大数据规模,目前只有滴滴具备,这也是滴滴在智慧交通领域最有话语权的重要原因。除了大数据优势之外,在分析、处理数据方面,滴滴也积累了大量的经验。
章文嵩表示,不管是在搭建大数据平台上,还是数据分析处理上,滴滴都乐于与更多的行业伙伴合作,在智慧交通的硬件、软件等各方面做出更多的探索。滴滴与合作伙伴共同打造的智慧交通互联网产品、应用,还可以直接应用于平台上的用户,真正让智慧交通服务于民、普惠大众。
业内人士分析,在全球范围内,智慧交通对于方便民众出行、缓解拥堵、提升环保等方面,都具有重要价值,属于前沿研究课题。此前,中国智慧交通行业主要以硬件为主,以滴滴为代表的互联网公司加入,带来了海量大数据、高科技算法,将有利于中国的智慧交通行业与全球接轨,走在全球前列。
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。