電動車制造商特斯拉今日發(fā)布截至6月30日的2015年第二季度財報。幾乎同一時間,谷歌安全工程師克里斯-埃文斯(Chris Evans)在Twitter上宣布加入特斯拉成為安全負責人。
截圖自克里斯-埃文斯(Chris Evans)的Twitter
埃文斯曾是oracle安全分析師,從2005年進入谷歌,十年里一直負責谷歌的安全領(lǐng)域。加入特斯拉之后,主要負責安全領(lǐng)域。
埃文斯離職后,由安全工程師本-霍克斯(Ben Hawkes)接管谷歌的互聯(lián)網(wǎng)安全團隊“Project Zero”,霍克斯曾在2013年發(fā)現(xiàn)存在于Adobe Flash及微軟Office中的大量漏洞。
截圖自克里斯-埃文斯(Chris Evans)的Twitter
“Project Zero”團隊主要由谷歌內(nèi)部頂尖安全工程師組成,他們的唯一使命就是發(fā)現(xiàn)、跟蹤和修補全球性的軟件安全漏洞。同時,“Project Zero”所處理的安全漏洞通常都屬于“零日漏洞”范疇,網(wǎng)絡(luò)黑客或者政府有組織的黑客團隊可以利用這些漏洞展開網(wǎng)絡(luò)監(jiān)聽等操作。
谷歌通過這種方式鼓勵相關(guān)公司與其聯(lián)手對付黑客。在找到漏洞后,“Project Zero”團隊首先會對該軟件開發(fā)商發(fā)出警告,然后給對方60-90天的時間來修補漏洞,之后谷歌便會在“Project Zero”的官方博客上公布這一漏洞。谷歌方面曾表示,為了避免這些漏洞被黑客利用,谷歌通常會向軟件開發(fā)商施壓,并催促其盡量在7天時間內(nèi)對漏洞進行修復(fù)。
可以預(yù)見,埃文斯加入特斯拉之后,將對特斯拉在車聯(lián)網(wǎng)的安全有所幫助。
過去20年,黑客們每年夏季都會到拉斯維加斯參加黑帽技術(shù)大會(Black Hat),展示攻擊計算機的技術(shù)。現(xiàn)在,他們的攻擊目標轉(zhuǎn)向了汽車。
消息稱,曾為美國國家安全局工作的一名Twitter工程師,計劃在黑帽技術(shù)大會上展示如何在筆記本上控制數(shù)英里之外的Jeep汽車。一家移動安全創(chuàng)業(yè)公司的一名高管,計劃展示與一名好友合作攻擊特斯拉電動汽車。另外一名研究人員計劃演示無線打開任何汽車車門的“絕技”。
此前還有報道指出,中國極客破解特斯拉系統(tǒng)Model S,可以用手機遠程控制特斯拉的行駛狀態(tài)。盡管次日特斯拉發(fā)表聲明稱那輛被“破解”的Model S很有可能之前遭到物理干預(yù),但這或多或少也讓特斯拉的安全受阻。埃文斯的加入反映出特斯拉對智能汽車安全上的重視。
財報顯示,特斯拉第二季度按照美國通用會計準則計量的營收為9.55億美元,不按照美國通用會計準則計量的經(jīng)調(diào)整的營收同比增長近40%、環(huán)比增長8.5%至12億美元;按照美國通用會計準則計量的凈虧損為1.84億美元,去年同期為凈虧損6190萬美元。
盡管特斯拉第二季度業(yè)績超過了市場分析師的預(yù)期,但由于特斯拉削減了全年汽車銷量預(yù)期,該公司當日盤后股價仍然大幅下跌。8月5日收盤,特斯拉股價下跌5.97%。
特斯拉第二季度Model S汽車銷售量為11532輛,符合公司今年7月預(yù)期的11507輛。但是,整個第二季度,特斯拉汽車產(chǎn)量共為12807輛,同比增長46%,環(huán)比增長15%,而且也超過公司此前預(yù)計的12500輛。
不按照美國通用會計準則計量的來自汽車的營收為11.2億美元,按照美國通用會計準則計量的汽車營收為8.78億美元。
按照美國通用會計準則計量的每股攤薄虧損為1.45美元,去年同期為每股攤薄虧損0.50美元。
特斯拉第二季度不按照美國通用會計準則計量的凈虧損為6100萬美元,去年同期此項凈利潤為1613萬美元;不按照美國通用會計準則計量的經(jīng)調(diào)整的每股攤薄虧損為0.48美元,去年同期此項攤薄利潤為0.13美元。
特斯拉聲稱,該公司如今預(yù)計今年的汽車出貨量(包括Model S和Model X兩款車型在內(nèi))將介于5萬輛到5.5萬輛之間,而此前的預(yù)期則是5.5萬輛。與此同時,特斯拉還預(yù)計,今年第三季度的汽車生產(chǎn)量為1.2萬輛,即同比增長60%,而銷售量預(yù)計將與今年第二季度持平。
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(xùn)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(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)學解題中,為AI訓(xùn)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(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。