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
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。