大眾汽車集團(tuán)(中國)大中華區(qū)和東盟地區(qū)首席營銷官胡波表示,“處在‘互聯(lián)網(wǎng)+’時代的中國汽車市場,正在經(jīng)歷一場重要的變革。大眾汽車作為汽車行業(yè)的領(lǐng)導(dǎo)品牌,提出‘汽車+’理念,致力于成為人們?nèi)粘I町?dāng)中不可或缺的‘數(shù)字化出行服務(wù)提供商’ ”。
大賽以“駕數(shù)據(jù)•領(lǐng)未來”為主題,由大眾汽車集團(tuán)(中國)主辦,“大眾汽車數(shù)據(jù)創(chuàng)新實驗室”承辦,參賽者將在規(guī)定的28小時內(nèi)找到對于消費(fèi)者需求的精準(zhǔn)洞察、完成原形設(shè)計或者呈現(xiàn)出具有創(chuàng)意的數(shù)字化時代出行方案,將從團(tuán)隊綜合表現(xiàn)、商業(yè)前景、創(chuàng)新與創(chuàng)意以及技術(shù)執(zhí)行四個方面考察選手的綜合實力。
比賽最終結(jié)果由大數(shù)據(jù)行業(yè)處理專家、高校著名教授,以及大眾汽車集團(tuán)(中國)市場部和信息技術(shù)部負(fù)責(zé)人共同組成的專業(yè)評委會評選產(chǎn)生。最終優(yōu)勝隊伍將前往德國大眾汽車總部參加大數(shù)據(jù)體驗之旅,大賽中涌現(xiàn)的高質(zhì)量創(chuàng)新研發(fā)成果還將有望用于未來的產(chǎn)品和服務(wù)中。本次大賽獲得了天睿公司(Teradata),四維圖新和清華X-Lab的合作支持。
大賽報名程序已經(jīng)正式啟動,報名截止時間為2015年6月25日。
同樣在今日“亞洲消費(fèi)電子展”上,大眾汽車與華為宣布,雙方將在車聯(lián)網(wǎng)領(lǐng)域展開全球范圍合作,提供更好的智能聯(lián)接體驗。展會上,華為與大眾汽車聯(lián)合演示了支持國際車聯(lián)網(wǎng)盟(Car Connectivity Consortium) MirrorLink開放標(biāo)準(zhǔn)的一系列車聯(lián)應(yīng)用,涵蓋以智能手機(jī)為中心的通話、短信、導(dǎo)航、多媒體、支付等多項車載服務(wù)。
作為車載智能手機(jī)連接行業(yè)標(biāo)準(zhǔn),MirrorLink旨在規(guī)范智能手機(jī)和車載系統(tǒng)的有效連接,在各種智能手機(jī)和汽車之間實現(xiàn)最大的互操作性。
據(jù)悉,大眾汽車首款搭載MirrorLink的國產(chǎn)車型是凌渡,后續(xù)包括國產(chǎn)第七代高爾夫在內(nèi)的更多車型。值得一提的是,從2016年型開始,所有的大眾進(jìn)口汽車都將具備MirrorLink。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強(qiáng)于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。