今年是中国明确提出碳达峰、碳中和目标的第三年。为了实现这一承诺,全国各行各业都在践行绿色发展,作出了巨大努力。
作为车辆生命周期管理软件即服务的全球领导者,Solera积极探索碳减排路径,在汽车售后行业需求和政策支持的双驱动下,推出业内首个碳足迹计算工具Sustainable Estimatics,成为首个也是唯一一家定义、创建和标准化汽车保险行业碳排放算法的公司,助力企业监测车险理赔碳足迹,参与绿色发展。
Solera ESG委员会执行主席Jing Liao表示:“保险和汽车行业对环境友好型实践的需求正在大幅增长。保险公司正逐步认识到这一趋势,但是,仅有美好愿景是不够的。”她强调,“如果一开始就不了解碳排放,那么要减少碳排放就是纸上谈兵。显然,全球的保险公司都需要行之有效的解决方案,更好地管理理赔数据并减少排放。”
赋能保险公司监测温室气体范围3排放
可持续发展指标监测难度最大的之一是范围3排放,其中就包括企业价值链中的间接排放——例如,车险中车辆维修所产生的排放。研究显示,目前全球仅有略多于一半(53%)的汽车保险公司对范围3内的排放进行测量。
Solera亚太区董事总经理Chris Iacovou表示:“Sustainable Estimatics的亮点之一是它能够有效地解决难以测量的范围3内的排放问题。Sustainable Estimatics 正在通过协助保险公司测量和减少这些排放助力于创造一个更加绿色的未来。”
苏黎世保险集团首席理赔官Ian Thompson对Solera的研究表示支持:“具备衡量每一笔理赔的温室气体排放量的能力将是公司未来发展的基本要求。实现真正的可持续发展是苏黎世全球理赔管理背后的关键驱动力之一。我们不仅要进行理赔处理,更要将可持续的思维模式贯穿其中;以环保的方式确保我们客户的利益,以可持续发展为共同目标与合作伙伴携手共进。”
业内首创工具
Sustainable Estimatics通过Solera独家开发的算法,为保险公司提供了准确监测汽车理赔过程中碳排放的能力。这一算法已获得ISO 14064标准认证,进一步证明了Solera解决方案所提供的碳排放数据的可靠性。
特别值得注意的是,面对最难监测的范围3内的排放,Sustainable Estimatics 是全球首个为汽车保险行业提供标准化碳排放算法的产品。
在实践中,保险公司可通过Sustainable Estimatics来评估理赔过程中的二氧化碳排放量,从而在减少碳足迹方面做出数据驱动的决策。例如,保险公司可以通过比较维修与更换汽车零部件所产生的不同碳足迹来做出相应的决策。
Solera亚太区董事总经理Chris Iacovou强调:“Sustainable Estimatics是Solera在数据驱动创新和理赔领先行业方面的重要里程碑。在我们的产品组合中,还有其他与可持续发展相关的解决方案和服务,使企业能够做出更环保的决策。例如,Solera通过可视化人工智能工具和各种车队及维修解决方案,提倡使用环保部件,鼓励以维修代替更换,减少不必要的排放。”
作为世界领先的汽车数据专家和地球公民,Solera积极将数据融入汽车理赔的每个环节。基于庞大的数据基础和领先的算法能力,Solera希望在推动理赔智能化、精准化、高效化的同时,推动汽车售后行业的碳足迹核算进步。
发展近六十年来,Solera始终以身作则,坚持绿色发展路线,积极践行企业社会责任。Solera承诺到2040年,将实现碳中和及净零排放目标,比中国2060碳中和目标提前20年。同时, Solera希望积极推动汽车售后行业共同坚守可持续运营路线,兼顾经济效益和社会效益。Solera的可持续发展愿景是帮助客户监测并减少其汽车理赔流程中的范围3碳排放,以实现碳中和及净零排放目标。
Solera大中华区总经理盛晨表示:“一直以来,Solera致力于推动自身可持续运营。作为全球汽车售后市场数据与软件的领先供应商,我们始终以前瞻视野,带动整个行业共同探索行业的发展方向。Sustainable Estimatics解决方案的发布,为汽车售后和理赔环节带来了前所未有的机会,使每张保单都可以成为企业碳足迹的‘成绩单’,我们希望联合更多客户和合作伙伴,一起将碳足迹监测落实到汽车售后环节中,推动整个行业的低碳发展和可持续未来。”
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。