至顶网CIO与CTO频道 05月29日 北京消息:当瑞士面临阿尔卑斯高速公路上数以万计的货运卡车所带来的拥堵和污染时,他们修建了一条世界上最长、最深的铁路隧道——戈特哈德隧道。这一现代工程的壮举对民用和商业都是一个巨大的福音,然而,在未来,如此巨大的工程建设将不再是我们改善运输和物流的唯一途径。
我们现在所处的世界竞争日益激烈,网络互联日益紧密,物流运输行业里只有29%的CEO有信心其公司的营收将在明年继续保持增长。于是,越来越多的物流运输企业转向新的、基于云的机器学习服务,希望可以提高效率,提升客户体验。
云和机器学习的融合催生了自动驾驶技术尤其是人们出行方式的广泛创新,正在改变整个行业的游戏规则。根据普华永道(PWC)的数据,68%的物流运输企业负责人认为,未来5年,提供物流运输服务的核心技术的改变将颠覆整个行业。
我们相信,机器学习将在四个方面带来物流运输业的革命:一是需求预测与路线优化;二是自动驾驶与地图绘制;三是机器人;四是异常检测。
让我们来看一个实际的案例。Convoy公司正在利用机器学习优化运输路线,这将颠覆8000 亿美元规模的美国卡车运输行业。在美国,卡车运输是一个由托运商及运输商构成的碎片化的网络,主要通过代理商和经纪人运行,效率低下,导致美国卡车司机每年950亿英里的行程中空驶的比例达到了40%。通过机器学习,Convoy 能够分析数以百万计的发货作业,从而创建了业内最有效的配载系统,有效减少空驶,增加利润,并减少排放。
但是,美国卡车运输业依然存在至少10万名司机的短缺。自动驾驶卡车也许就成为一个新的解决方案。图森科技 (TuSimple) 的技术团队部署了 100 多个基于云的 AI(人工智能) 模块,安全高效地完成了超过100英里的自动驾驶商业运输。即使载重卡车以65英里时速行驶,图森科技先进的机器学习算法也能区分出道路上的车辆类型,确定其速度,保持图森的卡车在车道内安全居中,误差只有+/-5 厘米。
自动驾驶公司Momenta由北京、苏州和德国斯图加特的团队组成。人工智能是Momenta的核心竞争力。在深度学习模型训练方面,Momenta将所有在车端采集的有效数据传回云端,云端根据这些数据产生更好的自动驾驶算法,再推至车端,车端更新之后,使得算法更加稳定、精确度更高,这就形成了一个闭环。相对于本地部署,云端的弹性扩展能力、强大的稳定性和超大的GPU,大大帮助Momenta加快了机器学习的速度。
在东南亚,顺风车公司Grab希望增强其实时按需配单和接单的算法。他们也转向用机器学习工具来处理实时的数据计算和数据流,以支持 150万次顺风车预订,最终将配单和接单的效率提高了30%。
AI 和机器学习对物流运输业产生积极影响的另一个例子是 Lyft,它使用了AI 驱动的时间序列分析解决方案。该技术能够自动识别那些可能导致较大业务问题的异常状况,及早发现异常事件以便进行检查。此外,由于采用了AI和机器学习技术,Lyft无需大量投资来建立公司自己的数据科学部门或人工检查业务运营状况,大大节省了成本。
预测的准确性对物流运输业企业至关重要。总部位于阿联酋的公司Aramex,主要提供国际和国内快递、货运代理和网上购物服务,它的实时中转业务每分钟处理数千个请求。通过部署基于云的、全托管的服务,Aramax的开发人员和数据科学家训练、构建和部署了机器学习模型,将中转时间预测的准确性提高了 74%,将货运相关的服务呼叫减少了40%。
基于云的机器学习工具也是亚马逊购物网站Amazon.com的核心。从客户下单到配送,亚马逊每年成功高效地投递数十亿个包裹。我们使用预测算法来预测客户可能订购什么,确保我们的库房有足够的库存供应。AWS 的AI和机器学习服务也支撑着亚马逊运营中心的机器人、支持着我们与物流伙伴之间的合作,甚至帮助优化配送路线。
过去几年的经验和教训显而易见:为了保持竞争力,物流运输企业正面临着前所未有的挑战,其盈利的唯一途径就是通过真正的技术驱动来提高效率。幸运的是,AI和机器学习领域的创新为这些企业提供了巨大的可能,赋予了他们解决重大问题、实现繁荣发展所需要的先进工具。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。