微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 滴滴美研新址占地36000平方英尺,将容纳数百位AI科学家

滴滴美研新址占地36000平方英尺,将容纳数百位AI科学家

2017-11-15 10:11
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2017-11-15 10:11 CNET科技行者

洛杉矶当地时间11月13日下午,滴滴出行美国研究院坐落于的硅谷山景城的新办公室,举行了简短的开幕活动。这座占地36000平方英尺(约为3340平方米)的独立建筑,未来将能容纳至少200名员工。

滴滴CTO张博、美研负责人弓峰敏、与中国旧金山总领馆王红霞领事、山景城市长Ken Rosenberg、苹果公司副总裁Adrian Perica、斯坦福教授Silvio Savarese以及合作伙伴共同在National Avenue 450号门前完成剪彩仪式。

滴滴美研新址占地36000平方英尺,将容纳数百位AI科学家

滴滴CTO张博(左四)山景城市长Rosenberg(左五)美研负责人弓峰敏(左六)旧金山总领馆王红霞领事(左七)

今年3月,滴滴宣布在加州硅谷成立滴滴美国研究院,以吸引顶尖科研人才。滴滴美研将研究重点放在大数据安全和智能驾驶两大核心领域。8个月的时间,美研迅速吸纳了众多优秀的科学家和工程师。公司决定搬到现在更大的办公地点,以容纳不断扩大的研究者队伍,并满足未来科研项目发展需求。

滴滴美研新址占地36000平方英尺,将容纳数百位AI科学家

滴滴美研员工在新办公区工作

美研新办公室的落成对于滴滴技术研发,以及布局全球人才网络有着重要意义。开幕活动上,滴滴技术线包括产品负责人俞军、智慧交通负责人章文嵩、大数据研究院副院长叶杰平在内的管理者悉数到齐。CTO张博表示:“优秀的科技公司除了可以解决世界级的问题,还应该让全世界优秀人才心向往之。目前公司有3000多的工程师和科学家。越来越多的顶尖科技人才加入了滴滴的产品设计、人工智能、信息安全、大规模实时交易系统等技术团队。他们每天的工作都会影响到全球成百上千万人的出行。硅谷是全球科技创新中心,滴滴希望通过在这里设立研究机构,与更多科技领导企业,技术人才,学术机构交流合作,一起推动交通变革。未来,滴滴仍将进一步加大在技术和人才的投入。”

滴滴美研新址占地36000平方英尺,将容纳数百位AI科学家

滴滴美研新办公室

美研负责人弓峰敏表示,除了吸引技术人才,美研未来还将成为滴滴在海外技术和文化交流中心。身处硅谷腹地的有利位置,美研将有助于进一步促成滴滴与其他科技企业以及国际学术机构的科研合作。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 奖励设计:让AI学会智能使用工具的关键
    2025-04-23 17:39

    奖励设计:让AI学会智能使用工具的关键

    想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。

  • ToolRL:奖励设计是工具学习所需的全部
    2025-04-23 17:34

    ToolRL:奖励设计是工具学习所需的全部

    想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。

  • X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御
    2025-04-23 14:08

    X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御

    想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。

  • "思考操纵":用外部思考让大型推理模型更高效
    2025-04-22 16:43

    "思考操纵":用外部思考让大型推理模型更高效

    想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-