北京時間8月3日上午消息,英國《衛(wèi)報》獲得的文件顯示,谷歌已經(jīng)悄然創(chuàng)辦了一家谷歌汽車有限責任公司,希望借此推進無人駕駛汽車的開發(fā)工作。
谷歌汽車公司由谷歌無人駕駛汽車項目負責人克里斯·厄姆森(Chris Urmson)領(lǐng)導。厄姆森在今年1月的北美國際車展上宣布,谷歌正在與通用汽車、福特、豐田、戴姆勒和大眾展開談判。他今年3月還對《今日美國報》說:“生產(chǎn)汽車非常困難,汽車廠商對此很在行。所以我認為應該尋找合作伙伴。”
但目前為止,谷歌尚未與任何廠商確立合作關(guān)系。這可能是因為谷歌已經(jīng)擁有了自己的谷歌汽車公司。該公司將這項業(yè)務(wù)注冊為一家乘用車制造商,文件顯示,谷歌汽車公司2011年末就已經(jīng)成立。谷歌最初利用這家公司改裝和測試了多輛雷克薩斯SUV無人駕駛汽車,之前還曾經(jīng)改裝了首批普銳斯無人駕駛汽車。谷歌在加州機動車管理部門注冊的全部23輛雷克薩斯無人駕駛汽車都隸屬于谷歌汽車公司,其中一些車輛最近還卷入了一些輕微交通事故。
雖然這些交通事故并未引發(fā)任何官司,但華盛頓大學法學副教授阿妮塔·克魯格(Anita Krug)表示,在嘗試可能存在風險的新業(yè)務(wù)時,很多企業(yè)都會設(shè)立子公司來專門從事這類業(yè)務(wù)。“當你設(shè)立一家獨立實體時,責任通常也會獨立。”她說,“也就是說,倘若子公司遭遇財務(wù)困境,債權(quán)人無法向母公司追償。”
但隨著谷歌的無人駕駛汽車野心不斷膨脹,谷歌汽車公司的作用也在加大。去年5月末,厄姆森被任命為谷歌汽車公司的總經(jīng)理,負責該公司的日常運營工作。第二天,谷歌就宣布要開發(fā)100輛無人駕駛原型車,這些產(chǎn)品均沒有配置方向盤、油門和剎車踏板。
負責申請申請國際汽車識別號(VIN)的也是谷歌汽車公司。谷歌無人駕駛汽車還與美國國家公路交通安全局建立了合作關(guān)系,在加州展開了排放測試。為了逃避嚴格的安全要求和碰撞測試,谷歌汽車公司專門設(shè)計成了輕型低速汽車,最高時速僅為25英里/小時。
谷歌汽車公司提交給美國國家公路交通安全局的文件顯示,這些汽車都采用后輪驅(qū)動設(shè)計,每個車輪都配有自己的剎車系統(tǒng)。這些汽車由20-30千瓦的電動馬達驅(qū)動,由鋰電池供電。這些汽車目前都由谷歌的生產(chǎn)合作伙伴Roush公司在底特律郊外組裝。
厄姆森曾經(jīng)對監(jiān)管部門表示,谷歌汽車公司尚未銷售任何低速汽車,目前也沒有制定銷售計劃。但這并不意味著谷歌今后不會面向公眾直接銷售無人駕駛汽車。事實上,谷歌無人駕駛汽車項目發(fā)起人塞巴斯蒂安·特龍(Sebastian Thrun)曾經(jīng)說過:“谷歌的野心一直都是通過研發(fā)來推出實際產(chǎn)品。”
谷歌之前從來沒有為Google X部門的硬件項目成立過專門的公司??唆敻裾J為,這表明谷歌對該公司的成功很有信心,倘若果真成功,該公司甚至可能將其分拆。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(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,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。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)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(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)合深度學習和數(shù)學優(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。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓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練效率,已在多個任務(wù)上驗證有效性。