交通运输行业一直是社会中必不可少的组成部分,直接给教育、工作、业务(特别是食品等日常必需品)、娱乐乃至医学有着极为重大的影响。与该项技术直接相关的则是能源输送与供电基础设施等需要大量投资的基建硬件。最后,这些运输技术对于当下人们高度关注的可持续性议题同样影响深远。
本文认为,从历史角度来看,可持续性问题往往能够通过技术的进步与升级得到解决。因此,建议政府将关注重点放在加速技术应用当中,而非单纯对旧有技术实施更严格的监管政策。其中的理由非常简单:新兴技术拥有更大的内在优势,这些优势将在私营市场上为变革创造更自然的驱动力,足以消除陈旧技术使用方作为既得利益者在面对严格法规之下产生的冲突与阻力。
我们的运输行业诞生于马匹时代。但马匹提供的运输距离有限,这一基本物理学现实影响了房地产开发的密度与覆盖范围。换言之,一切日常服务必须在本地提供。于是,当时最大的可持续性问题就是马匹的产量。1894年爆发的“马粪危机”令城市管理者意识到原有秩序已经无以为继。事实上,包括诞生于波士顿的T型车等公共交通系统都在尝试引入无马新方案以解决原有问题。
作为现代环境解决方案,汽车技术为人们带来了更舒适的出行便利性,同时也颠覆了以马匹为基础的基本社会运作流程。随着时间推移,汽车提供的强大移动能力令房地产的发展更加灵活,位于市郊的社区开始诞生。通过广泛的道路网络、停车场以及信号基础设施,整个社会格局发生了变化。实际上,汽车带来了一种全新的生活方式,意味着空间距离的缩短已经成为生活中的基本要素。如今,人们完全可以在郊区购买房产、上下班、上学或购物。
这种生活方式层面的解放,让社会的整体生产效率快速提升,并提高了全球数十亿人的生活水平。然而,围绕汽车展开的社会结构也带来了新的可持续性挑战,特别是气候变化问题。具体包括:
那么,有没有什么新兴技术能够从根本上改善现有可持续性态势? 幸运的是,答案似乎是肯定的。
目前,技术层面最大的趋势就是电子系统的出现。对于交通运输而言,电子产品已经成为虚拟化、电气化以及智能基础设施等基本流程的关键推动力。下面一起来看这几项因素的定义及其影响。
虚拟化: 虚拟化由先进的通信技术培训加边缘计算(笔记本电脑、平板电脑、手机等)支持,使通信双方能够进行有意义的互动,而无需进行任何物理接触。此外,虚拟化在某些场景下还可作为终端运输技术起效。包括教育(在线教育)、就业(居家办公)、购物(电子商务)、医疗保健(远程医疗)以及娱乐(流媒体)在内的众多基础经济部门正经历一场颠覆。今年COVID-19疫情的爆发大大加快了各领域虚拟化的潜在发展速度。从可持续角度来看,虚拟化能够将能源与相关碳排放的需求减少达一个数量级。与物理出行(汽车、飞机等)相比,移动信息所需要的能量要少得多。最后,通信与云资源基础设施能够集中部署,因此更适合对接具备碳平衡优势的可再生能源。
在可能的情况下,虚拟化无疑是最好的选择,但确实有不少任务并不适合这种模式。在此类场景中,运输电气化则能够极大提高能源效率(并改善碳排放量)。
电气化: 随着半导体技术的进步,太阳能越来越多地成为公共事业实现规模发电的可行来源。此外,电池的改进也让汽车逐步迈向电气化,清洁燃料源(例如氢气)也有望成为一种理想的运输用燃料。从可持续性角度来看,这种组合创造了一种无排放运输选项,其效率要远远超过传统的石化+内燃机方案组合。
此外,人工智能的改进也在以各种形式增强自动载具的能力,包括汽车、卡车、公交车辆甚至是步行机器人等。从可持续性角度来看,自动化技术能够在货运负载恒定的前提下打造出尺寸更合理的运输车辆。例如,我们完全可以使用体积更小巧的快递机器人代替重达数吨的汽车来递送批萨。这类最后一英里解决方案能够显著减少配送错误,同时极大提升便利性。
虚拟化与电气化给可持续性带来有力支持,但农业工业化仍是一个悬而未决的问题。是否有可能建立更具经济可行性的粮食生产系统,消除人类农业对大面积烧荒行为的依赖?智能基础设施也许正是答案。
智能基础设施: 传感器与人工智能系统相结合,创造出新型智能基础设施。这些功能可以降低工业能源消耗,增加产量,同时也有利于工业制造、仓储以及其他商业问题的解决。对于农业而言,自动化生产有望减少食品生产所需要的占地面积及能源。水培法等技术则带来了在特定区域内建设高效粮食生产系统的能力。
总之,虚拟化、电气化与智能基础设施的强大组合,正帮助我们解决气候变化这一棘手难题。历史教训告诉我们,消除障碍、激励创新才是加快技术应用并最终驱动重大变革的有效方法。各国政府也应考虑加快技术采用(或者至少是消除进步道路上的障碍),借此作为应对气候变化的核心思路。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。