2020年12月30日,北京——长城汽车股份有限公司(“长城汽车”)与高通技术公司今日宣布双方在自动驾驶领域达成合作,长城汽车将率先采用高通Snapdragon Ride™平台,打造先进的高算力智能驾驶系统——长城汽车咖啡智驾系统,并在2022年量产的长城汽车高端车型中采用。长城汽车是国内首批采用高通Snapdragon Ride平台的整车厂商,双方不断扩展的合作关系将助力加速自动驾驶商用落地,并打造满足未来智慧出行场景的全新驾乘体验。
长城汽车与高通公司合作签约(左:长城汽车智能驾驶负责人张凯,右:高通销售及业务拓展副总裁羡磊)
Snapdragon Ride平台是汽车行业最先进且可扩展的开放自动驾驶解决方案之一,旨在面向不同级别的自动驾驶(AD)和先进驾驶辅助系统(ADAS)应用场景的复杂需求,通过兼具高性能和高能效的硬件、领先的AI技术及开创性的自动驾驶软件栈,为多层级车型带来颇具经济效益且高能效的完整系统级解决方案。Snapdragon Ride平台采用可扩展且模块化的高性能异构多核CPU、高能效AI与计算机视觉引擎,以及先进的GPU,可支持多个等级自动驾驶场景并提供领先的散热效率。
基于Snapdragon Ride平台开发的长城汽车全新咖啡智驾系统将通过其卓越的计算能力和业界领先的能效带来先进的计算性能。长城汽车咖啡智驾系统可支持多个高清摄像头,借助多源异构传感器为用户提供L2+级别和L3级别的智能驾驶功能。此外,通过搭配两个标准大算力平台的升级方案,该智能驾驶平台算力可达700+TOPS,为实现L4/L5级别或更复杂的全场景自动驾驶能力预留充足的硬件能力和算力冗余。
高通销售及业务拓展副总裁羡磊表示:“长城汽车与高通技术公司在多个技术领域拥有长期深入的合作关系。Snapdragon Ride平台集成了高通在计算、人工智能、连接和安全等多个领域的深厚技术积累,并面向严格的汽车安全而设计。我们非常高兴能够通过该解决方案支持长城汽车的技术创新,打造面向多级别自动驾驶场景的下一代高端车型。”
长城汽车智能驾驶负责人张凯表示:“AI时代数据的爆发带来了对数据处理吞吐率及计算力的巨大需求,得益于Snapdragon Ride平台带来的强大运算能力和可扩展性,长城汽车将在未来车型上实现辅助驾驶到高级自动驾驶的全功能、多场景的覆盖,通过先进的自动驾驶技术,充分赋能长城汽车从汽车制造商到‘全球化科技出行公司’的转型。”
关于长城汽车
长城汽车股份有限公司是全球知名的汽车制造企业,旗下拥有哈弗、WEY、欧拉和长城皮卡四个品牌,产品涵盖SUV、轿车、皮卡三大品类,具备发动机、变速器等核心零部件的自主配套能力。长城汽车于2003年、2011年分别在香港H股和国内A股上市,截至2019年底资产总计达1130.96亿元,下属控股子公司100余家,员工6万余人。2016-2019年,长城汽车连续四年销量突破100万辆。
关于高通公司
高通公司是全球领先的无线科技创新者,也是5G研发、商用与实现规模化的推动力量。把手机连接到互联网,我们的发明开启了移动互联时代。今天,我们基础科技赋能了整个移动生态系统,每一台3G、4G和5G智能手机中都有我们的发明。我们将移动技术的优势带到汽车、物联网、计算等全新行业,开创人与万物能够顺畅沟通和互动的全新世界。高通公司包括技术许可业务(QTL)和我们绝大部分的专利组合。
高通技术公司(QTI)是高通公司的全资子公司,与其子公司一起运营我们所有的工程、研发活动以及所有产品和服务业务,其中包括半导体业务QCT。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。