CNET科技資訊網(wǎng) 6月20日 北京消息:滴滴研究院副院長&美國研究院負(fù)責(zé)人弓峰敏博士應(yīng)邀出席TechCrunch 國際創(chuàng)新峰會。在會上,弓峰敏向外界披露了滴滴在機器學(xué)習(xí)領(lǐng)域的成果,同時闡述了對人工智能以及智能駕駛技術(shù)未來發(fā)展的看法。
滴滴副總裁、美研負(fù)責(zé)人弓峰敏(右)
大數(shù)據(jù)是研究城市交通癥結(jié)的突破口
滴滴平臺每天接收、處理著全球最龐大也最復(fù)雜的路面交通數(shù)據(jù)。這些數(shù)據(jù)能幫助人們掌握每條小巷的路況,也能洞悉整座城市的流動規(guī)律。
弓峰敏介紹說,在數(shù)據(jù)利用方面,滴滴致力于在深度和廣度上有所突破。就深度而言,數(shù)據(jù)學(xué)習(xí)可以幫助我們更深入理解用戶需求,提供個性化服務(wù)。在廣度的層面上,滴滴在將每一次出行,納入整個城市交通的體系。 “要做到這一點,我們必須把大數(shù)據(jù)應(yīng)用技術(shù)有效無縫的與城市系統(tǒng)結(jié)合起來。將各種交通工具整合在一起,最終做到一鍵出行。”
對談中,弓峰敏提到了滴滴在智慧交通項目中一個具體的案例,“我們利用平臺車輛軌跡監(jiān)測交通狀況,以及每個紅綠燈擁擠程度,融合其他傳感設(shè)備,做了一個更準(zhǔn)確的交通流量預(yù)測。在此基礎(chǔ)上,滴滴設(shè)計了動態(tài)紅綠燈方案調(diào)解擁堵。” 這個項目在濟南經(jīng)十路落地兩個月后,車輛在高峰期經(jīng)過六個紅綠燈下等待時間下降了10%。他相信大數(shù)據(jù)研究是滴滴核心的技術(shù)優(yōu)勢,也是解決城市交通癥結(jié)的突破口
利用“智能機器”解決實際交通問題
業(yè)內(nèi)普遍認(rèn)為人工智能和大數(shù)據(jù)是密不可分的兩個概念。盡管,目前人們對人工智能和機器智能的定義有很多分歧,但在被譽為硅谷信息安全教父的弓峰敏看來,無論哪一種智能,最后落腳點都是智能的機器。
弓峰敏認(rèn)為,人工智能是一個比較早的概念。早期科學(xué)家希望打造近似人類智能的機器,隨著技術(shù)發(fā)展,機器在某些方面超越了人類的能力,出現(xiàn)了高于人工智能的機器智能。但機器智能發(fā)展方向不應(yīng)該是取代人類,而是應(yīng)該體現(xiàn)在智能的機器上,這正是滴滴的研究方向。
無論是滴滴APP中的“猜你去哪”,還是街頭的智能交通信號燈,再到滴滴目前正在研究的智能駕駛,都是弓峰敏口中的“智能機器”。作為在硅谷打拼30多年的科技元老,他始終堅信,“技術(shù)需要為人類服務(wù),幫助人類完成不可能完成的任務(wù)。
智能駕駛會改變未來,但過程并不簡單
自從滴滴表態(tài)投身于智能駕駛技術(shù)研究后,外界一直頻頻猜測研發(fā)進展。隨著近幾年相關(guān)技術(shù)的迅速發(fā)展,人們開始期待智能駕駛在不久會在現(xiàn)實生活中廣泛引用。弓峰敏十分認(rèn)同未來智能駕駛技術(shù)將提升道路安全、有利于城市發(fā)展,但也提到了智能駕駛發(fā)展過程中行業(yè)普遍面臨的挑戰(zhàn)。
弓峰敏認(rèn)為,智能駕駛核心的基本技術(shù),比如計算機圖象、深度學(xué)習(xí)、如何配置傳感器等只是第一個門檻。第二個挑戰(zhàn)是解決過渡期,行人、無人車、有人車以及自行車等各方混行的問題。第三個挑戰(zhàn),是將這項技術(shù)放在各種實際的場景下,有序的投入使用。弓峰敏強調(diào),滴滴一直非常重視安全,同時擅長分析、處理復(fù)雜的道路交通數(shù)據(jù),從而解決出難題。滴滴希望把這件事做好,讓技術(shù)服務(wù)于人類。
針對滴滴在智能駕駛領(lǐng)域的探索,弓峰敏透露,未來公司的研究團隊希望通過AI和AR技術(shù)結(jié)合,提供更精確的導(dǎo)航,提示駕駛員容易忽略的道路風(fēng)險,最終提升道路行駛安全。
好文章,需要你的鼓勵
浙江大學(xué)團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學(xué)研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問題。實驗顯示,該方法在數(shù)學(xué)競賽題上將模型準(zhǔn)確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓(xùn)練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學(xué)研究團隊發(fā)現(xiàn),通過讓AI模型學(xué)習(xí)解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學(xué)習(xí)方法訓(xùn)練多個AI模型。實驗結(jié)果顯示,幾何訓(xùn)練在四個空間智能測試基準(zhǔn)上都帶來顯著提升,其中最佳模型達到49.6%準(zhǔn)確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。