6月1日,滴滴快的正式推出了定位于“共享出行”的“滴滴順風(fēng)車”產(chǎn)品。
“順風(fēng)車”是滴滴快的兩公司合并后,繼“便捷出行”的快車產(chǎn)品后推出的第二款產(chǎn)品。官方數(shù)據(jù)顯示,目前滴滴快的這一平臺日訂單接近600萬,更是在上個周一取得了單天215萬快車訂單的強勁成績,遙遙領(lǐng)先中國移動出行市場的所有同行。易觀數(shù)據(jù)顯示,滴滴快的的專車市場份額已超過80%。
據(jù)滴滴順風(fēng)車事業(yè)部總經(jīng)理黃潔莉透露,僅僅一個多月的時間,順風(fēng)車已經(jīng)在全國招募到了超過100萬愿意“共享出行”的愛心車主。據(jù)了解,本月內(nèi)滴滴順風(fēng)車將在國內(nèi)26個城市上線。目前北京已經(jīng)上線,隨著業(yè)務(wù)的推進,上海、深圳、杭州、廣州、天津、武漢、青島、南京、成都、濟南、沈陽、合肥、西安、大連、蘇州、重慶、長沙、鄭州、石家莊、廈門、寧波、無錫、常州、福州、哈爾濱的用戶,也將在本月內(nèi)陸續(xù)通過滴滴打車APP內(nèi)嵌的“順風(fēng)車”實現(xiàn)拼車出行。
滴滴順風(fēng)車定位于城市“共享出行”,利用大數(shù)據(jù)算法和先進的匹配技術(shù),一對一連接每一位愿意結(jié)伴同行的車主和乘客。車主可通過產(chǎn)品選項,預(yù)設(shè)好路線;乘客亦可APP輸入自己上下車的地點;順風(fēng)車產(chǎn)品將會根據(jù)雙方的路線自行匹配車主和乘客,從而實現(xiàn)順路同行的目的。
公安部交管局?jǐn)?shù)據(jù)顯示,截至2014年底,我國汽車保有量達1.54億輛,汽車駕駛?cè)藛T超過2.46億人。私家車數(shù)量在上下班高峰期對城市交通帶來巨大的擁堵壓力。清華大學(xué)媒介調(diào)查實驗室發(fā)布的《2014年移動出行白皮書》調(diào)查顯示,無論是專業(yè)的出租車司機還是私家車車主,都對拼車表現(xiàn)出了積極的意愿,更有85.5%的乘客表示在節(jié)約打車費、降低等候時間的前提下愿意通過打車軟件進行拼車。
據(jù)滴滴順風(fēng)車官方預(yù)計,一個月內(nèi),順風(fēng)車訂單量將達到10萬單,年內(nèi)將過100萬單。艾瑞咨詢研究院副院長金乃麗認為,隨著汽車共享經(jīng)濟的愈發(fā)普及,滴滴順風(fēng)車很可能是一個每天產(chǎn)生幾百萬單,甚至過千萬單的海量出行市場,其容量和潛力遠大于目前的出租車和專車領(lǐng)域。
黃潔莉?qū)⒌蔚雾橈L(fēng)車的運營邏輯概括為“大規(guī)模連接出行人群,高精準(zhǔn)匹配出行人群”。
據(jù)了解,滴滴順風(fēng)車采取所有車型統(tǒng)一價格和分城市計價的模式,起步價、里程費和最高限額等計價規(guī)則設(shè)定。具體來說,滴滴順風(fēng)車的計價規(guī)則是10元起步價,再加上每公里1元的里程費,99元封頂。采取預(yù)約方式,限定只能預(yù)約20分鐘之后的訂單。
而且,為了解決共乘的安全問題,滴滴順風(fēng)車對乘客開展了微信授權(quán)登錄和和微信支付的驗證,對車主有駕駛證行駛證的嚴(yán)格審核流程,同時為每一單購買了50萬元的保險。
在上線當(dāng)天,滴滴順風(fēng)車同時還與北京市海淀區(qū)文明辦共同發(fā)出綠色出行倡議,提倡大家積極采取、并喜愛上拼車這一出行方式,為節(jié)能減排出力。
業(yè)內(nèi)人士分析,隨著順風(fēng)車的上線,也意味著滴滴快的綜合性的一站式移動出行平臺轉(zhuǎn)變棋到中局,正逐步建立起一個涵蓋出租車、商務(wù)專車、代駕、合乘拼車和城市物流等綜合性的城市交通服務(wù)平臺。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(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。
同濟大學(xué)團隊開發(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)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(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。