在最近的沃尔沃汽车科技日上,沃尔沃汽车宣布下一代纯电动旗舰SUV将标配Luminar公司的激光雷达技术作为自动驾驶的基础硬件。
Luminar是一家总部在硅谷的激光雷达头部企业,2018年沃尔沃汽车科技基金就对当时还处于初创初期的Luminar进行了投资,后续也促成了沃尔沃汽车与Luminar激光雷达的研发、验证、量产的长期战略合作。
从Luminar的例子可以看出,沃尔沃汽车希望提供创新场景和用户需求,与更多的创业公司建立长期的合作关系。所以在亚马逊云科技中国峰会上,沃尔沃汽车也携手亚马逊云科技宣布正式启动“2021智能汽车共创加速计划”,以“数字驱动,拥抱创新”为主题,聚焦自动驾驶、智能座舱、客户体验、可持续发展等多个领域。
寻求创业创新的力量
围绕“新四化”,汽车产业从研发、创新、生产制造、市场销售、网联汽车、出行,整个产业链都在经历着变革和重塑。亚马逊云科技希望与产业链中的龙头企业一起塑造变革,在“新四化”的浪潮中获得市场先机。
该加速计划包括两个主题,第一是如何聚集新生代的创客力量,利用亚马逊云科技的经验以及沃尔沃的场景帮助他们进行实践,提升成功率;第二是重塑汽车产业的创新新时代,加速整个汽车行业“新四化”进程。
亚马逊云科技可以帮助创业公司理解汽车行业产业链在“新四化”变革中的机遇与挑战,提升底层技术和服务能力,并且连接产业链的客户群,加速创新成果的转化。
亚马逊云科技大中华区创新成长及新兴市场事业部总经理倪殿令表示,亚马逊云科技将从三个方向为初创公司提供支持,第一,专业团队,团队拥有在汽车行业的强大能力,包括自动驾驶等技术能力;第二,完整的赋能机制,包括云技术、企业文化等方面;第三,亚马逊云科技全球资源,通过亚马逊云科技Marketplace走向全球,服务全球市场。
亚马逊云科技大中华区创新成长及新兴市场事业部总经理倪殿令
双方将选出优胜的初创公司,通过场景化设计共同设计并验证概念产品(PoC),将解决方案和沃尔沃的场景需求进行对接,形成产品。
概念产品验证成功的初创企业,会在方案展示日参与评选,最终胜出的初创企业,有机会通过亚马逊云科技“云创计划”获得最高价值达17.5万元的云服务抵扣券,同时还有机会加入沃尔沃供应商体系,获得沃尔沃汽车科技基金(Volvo Cars Tech Fund)的战略投资。
沃尔沃汽车亚太创新中心和亚马逊云科技将共同为初创企业安排主题培训,包括战略、文化、技术、市场营销等。亚马逊云计算还将提供云计算技术支持以及云技术专家辅导,初创企业还有机会加入亚马逊云科技的“云创计划”。
从场景中来,到场景中去
沃尔沃汽车是一家成立于1927年的瑞典豪华汽车品牌,一直旨在为全球消费者提供个性化、可持续、和安全的出行方式。
沃尔沃汽车拥有悠久的创新传统,在上世纪50年代发明了三点式安全带,是汽车安全领域里程碑式的发明,沃尔沃汽车将这个专利贡献给全人类免费使用。1976年沃尔沃汽车还发明了带氧传感器的三元催化器,减低汽车尾气排放中90%以上的有害气体。目前这两项创新已经成为所有量产车的标配,为全球环境和汽车安全做出了重要的贡献。
沃尔沃汽车科技基金亚太区投资总监、沃尔沃汽车亚太区知识产权总监陈祎表示,与沃尔沃一脉相承的创新传统相辅相成,沃尔沃汽车也在不断地寻求外界的创新力量,包括与初创公司合作共同探索前瞻的汽车技术,以及未来出行方案。
沃尔沃汽车科技基金亚太区投资总监、沃尔沃汽车亚太区知识产权总监陈祎
2018年,沃尔沃汽车成立了沃尔沃汽车科技基金,帮助沃尔沃汽车在生态圈内寻求有潜力的科技创新企业进行股权投资。重点关注改变汽车行业的科技领域,特别是自动驾驶、电气化、可持续发展、数据安全、人工智能等。目标寻求有潜力能够成为沃尔沃汽车的供应商或长期合作伙伴,沃尔沃汽车科技基金成立三年以来,投资了11家初创企业,涉及了自动驾驶、AR、VR、区块链、AI等不同的领域。
2018年同年,沃尔沃汽车还成立了沃尔沃汽车亚太区产品及工业数字化创新中心,在公司内部开展各种工作坊和开放式培训,希望把精益创业、设计思维等创新的方法论和工具传播给所有部门和员工。
“创新中心需要帮助沃尔沃汽车建立一个开放式创新的生态。”沃尔沃汽车亚太区产品及工业数字化创新负责人王博说道,本次合作是与亚马逊云科技初创生态团队的首次合作,沃尔沃汽车也在内部收集了11个真实需求。
沃尔沃汽车亚太区产品及工业数字化创新负责人王博
“2021智能汽车共创加速计划”在9月9日正式启动,双方将招募国内优秀的初创企业,进行下一步的筛选。11月将在沃尔沃汽车亚太区总部举办启动日和工作坊,确定工作流程、合作范围等内容。明年3月进行最终路演展示。未来沃尔沃汽车也希望可以在更多场景可以展开持续的创新和合作。
好文章,需要你的鼓励
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。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。