CNET科技资讯网 7月27日 北京消息:高德集团总裁俞永福今天在未来交通峰会上宣布,高德地图一站式公共出行服务平台——高德易行平台正式上线,滴滴出行、神州专车、首汽约车、摩拜单车、飞猪等出行服务商,已作为首批合作伙伴接入该平台。
近几年,网约车和共享单车成为了影响城市拥堵情况的新变量。高德交通大数据显示,2015年随着网约车的盛行,一线城市拥堵明显加重,这种情况在2016年底网约车新政推行之后有所缓解。与之相对应的,2017年共享单车的涌现,改变了大家五公里内的近距离出行习惯,北京66%的地铁站周边拥堵出现了明显下降,但是遍布城市各个角落的共享单车也因为占道等问题,造成了新的城市公共资源矛盾。
“无论是网约车还是共享单车,今天我们看到的交通拥堵、共享经济资源占用等城市交通问题,本质上都是每个人、每辆车、每个企业在追求个体最优的时候,对于社会公共交通资源进行争夺而导致的矛盾。而这一矛盾,会随着新型交通工具的不断涌现和扩张而越发严峻。”俞永福表示。
俞永福所理解的交通出行产业,凝聚了三股力量——人、车、路。
人代表用户,中国13亿人口,每天出行需求旺盛。车代表企业,企业要满足用户的需求所以不断创新,也更细分,造车的、运营车的、提供用车服务的等等;交通工具也在不断创新,从两个轮子的单车到四个轮子的汽车,甚至飞行汽车。路代表交通部门和政府部门,他们一方面要考虑道路资源如何增长,现有的路如何提高使用效率;另一方面还要考虑什么是未来的路从平面到立体,有很大的创新空间,政府管理部门也面临着很大的挑战。
这时候问题来了,一个公共出行服务平台的打开方式是怎么样的?推动人、车和路三元素的连接、协同和进化,是高德地图努力创新的方向。
高德集团副总裁董振宁说:“高德希望通过人、车、路的连接,通过用户、企业、政府的协同,在出行需求和出行管理两端统一调度,通过政企合作的云端交通大脑,与基于端的一站式公共出行服务平台的有机结合,形成云和端的协调一致,最终实现全局道路资源和使用的最优。”
所谓高德“云+端公共出行服务平台”:在云上,未来高德将致力帮助政府有关部门,通过云端交通大脑对信号灯等公共交通设施,对公共交通管理系统进行统一的指挥调度;在端上,滴滴、摩拜等出行服务商可以基于高德易行平台,实现用户基础服务优化,激发新的用户需求;出行用户可以通过高德易行平台服务,自由选择从任意起点到终点的个性化规划,采用不同交通出行方式的组合,最终实现体验最优、规划最优和成本最优。
目前滴滴出行、神州专车和首汽约车等网约车服务商,摩拜单车等共享单车服务商,飞猪等火车票、客车票服务商作为首批合作伙伴已接入易行平台。
(从左至右:高德开放平台总经理童遥、摩拜单车CEO王晓峰、神州专车CEO王培强、高德集团总裁俞永福、高德集团副总裁董振宁、飞猪旅行副总裁胡臣杰)
高德易行平台囊括步行、骑行、公交、驾车、网约车、共享单车、火车、飞机等各类出行方式,开放了地图产品的出行入口,助力出行服务商扩展用户规模,目前用户已经可以通过高德地图的骑行、叫车、火车等路线规划入口使用易行平台服务。
接下来,高德易行平台打算接入更多出行服务商,覆盖汽车分时租赁等更多出行方式。
“将来,高德将通过对动态位置、交通拥堵状况、票务信息、班线时刻等出行相关数据的综合分析,为用户推荐最适合、最高效的个性化出行方案。”董振宁在启动仪式上说。
“不做私有平台,不做网约车,不做共享单车,不做自动驾驶平台,不与合作伙伴争利。”俞永福这样定位高德出行服务平台。
用户7亿,每月服务设备9亿部,高德地图一心专注在交通出行领域构建科技基础设施。董振宁所理解的出行行业科技基础设施,有3个关键词——数据、连接和智能:数据方面,位置、交通和生活等多元大数据可以捕捉真实世界变化;连接方面,高德地图连接用户、应用、汽车、城市管理者和出行服务商;智能则是在数据和连接的基础上,与政府合作,打造城市的交通大脑、智能交通中枢。
易行平台帮助合作伙伴的出行基础服务优化,可以分为几个层次:基于高德出行基础数据以及定位解决方案,从而为合作伙伴带来精准地图数据、POI信息和定位。
在基础数据方面,基于交通大数据平台的云运算能力,高德可以为合作伙伴提供实时数据、实时路况信息、最优的导航策略、以及ETA数据;然后,高德交通大脑将快速运算这些数据和信息,为伙伴提供资源配置和最优方案。
“高德可以预测未来30分钟在每一个6边形区域内的供需情况,可以针对早晚高峰的出行特点制定更加精准的车辆调度方案,还可以帮助合作伙伴实现运力的优化配置,实现运行效率最大化。”董振宁介绍。
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。