10月22日,夏威夷——高通技術(shù)公司今日宣布與谷歌達成旨在推動汽車行業(yè)數(shù)字化轉(zhuǎn)型的多年技術(shù)合作?;陂L期合作關(guān)系,雙方將利用驍龍數(shù)字底盤™、Android™汽車OS和谷歌云三者互為補充的各類技術(shù),打造借助生成式AI(GenAI)開發(fā)座艙解決方案的全新標準化參考平臺。谷歌AI將支持交付該框架,助力打造生成式AI增強的車內(nèi)體驗,例如直觀語音助手、沉浸式地圖體驗和實時更新以預(yù)測駕駛員需求等。這些體驗由驍龍®異構(gòu)邊緣AI SoC和高通®AI Hub賦能,簡化了視覺、音頻和語音應(yīng)用的AI模型在座艙內(nèi)的部署。
高通技術(shù)公司汽車、行業(yè)解決方案和云事業(yè)群總經(jīng)理Nakul Duggal表示:“高通技術(shù)公司與谷歌的技術(shù)合作可推動創(chuàng)新并助力開發(fā)前沿生成式AI增強解決方案,是為汽車制造商和一級供應(yīng)商釋放全新潛能的重要里程碑,同時賦能行業(yè)打造安全的先進數(shù)字化體驗。我們期待擴展高通技術(shù)公司與谷歌的合作,進一步推動汽車創(chuàng)新并引領(lǐng)產(chǎn)品上市,支持客戶利用我們的合作伙伴生態(tài)系統(tǒng)賦能無縫開發(fā)體驗。”
谷歌公司工程技術(shù)副總裁Patrick Brady表示:“汽車行業(yè)即將迎來生成式AI、自動駕駛解決方案和整個平臺生命周期內(nèi)軟件特性更新能力各方面進步帶來的重大轉(zhuǎn)型。我們期待通過此項戰(zhàn)略合作延續(xù)谷歌與高通技術(shù)公司的長期合作關(guān)系,繼續(xù)面向軟件定義汽車開發(fā)創(chuàng)新解決方案,展示聯(lián)合創(chuàng)新推動未來交通運輸業(yè)發(fā)展的強大力量。”
技術(shù)合作關(guān)鍵要素包括:
生成式AI增強的數(shù)字座艙開發(fā)框架:
• 可升級的車規(guī)級框架,旨在提供可實時增強的前沿數(shù)字座艙體驗。
• 預(yù)集成Android汽車操作系統(tǒng)(AAOS)軟件和服務(wù),利用谷歌生成式AI實現(xiàn)可定制且快速響應(yīng)的語音用戶界面和駕駛員狀態(tài)實時更新,通過驍龍SoC進行邊緣側(cè)優(yōu)化。
統(tǒng)一SDV車對云框架:
• 基于雙方技術(shù)基礎(chǔ)打造的支持車對云基礎(chǔ)設(shè)施的統(tǒng)一SDV開發(fā)框架。
• 該框架支持面向驍龍平臺優(yōu)化谷歌云托管汽車軟件開發(fā),提高開發(fā)者效率,同時縮短AAOS平臺和服務(wù)的產(chǎn)品上市時間。
• 在谷歌云上運行驍龍網(wǎng)聯(lián)服務(wù)平臺,面向車載和非車載連接支持由API驅(qū)動的網(wǎng)聯(lián)服務(wù)模型和可升級服務(wù)基礎(chǔ)設(shè)施。
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。