没有什么比在瑞士建设铁路更艰巨了,因为瑞士几乎都是山地,大部分山地现在都建有桥梁并且布满了山洞,就像是当地著名的奶酪一样,千疮百孔。
瑞士的铁路路网也是欧洲最密集的,以至于无法再进行扩展,因为所有必要的区域都已被充分利用。在二月份的“Hamburg IT Strategy Days”上,Jochen Decker表示:“我们只能优化。”这项工作非常迫切,因为瑞士联邦铁路(SSB)预计2034年的乘客人数将比现在增加30%到40%。这将给不变的铁路路网带来巨大的压力。因此,Decker来到汉堡,报告如何实现这一目标,并展示人工智能将发挥的核心作用。
前所未有的机遇
和德国铁路公司不同,SBB是一家集客运、货运、基础设施和房地产于一体的综合集团,这为规划实施投资和创新提供了便利。该集团每年的IT预算高达8.5亿欧元,约占销售额的7%。
几年前,SBB制定了三项优化计划,到2027年将耗资约10亿欧元。在交通管理方面,目标是更好地利用线路,特别是缩短列车之间的距离。在生产规划方面,则希望提高人员和材料的利用率,确保列车尽可能少地停滞,并确保列车司机将尽可能多的工作时间用于驾驶而非其他工作上。该计划的第三部分是资产管理,旨在减少材料损耗,更好地利用车间。
然而,在针对这三项计划的10亿欧元拨款中,分给人工智能的只有2000万欧元。在SBB从事该领域工作已有五年的Decker表示:“然而,这为我们带来了前所未有的机遇。”
人工智能实现预测性维护
人工智能让德克尔着迷的地方不仅在于它的可能性,还在于它的低成本,比如在轮对和轨道管理方面。借助摄像头和传感器对车轮磨损情况的持续监控,以及对在此过程中获得的结果进行评估,他可以通过数据非常准确地预测车轮何时需要更换。如果将这一预测与维修车间的使用数据相匹配,就能实现真正的预测性维护,因为车轮的更换既不会太早也不会太晚,而且维修车间有时间也有能力立即进行更换。Decker表示:“这样做的前提是要有高质量的数据”,但这并不需要花很多钱,至少对人工智能来说是这样。在这个例子中,使用人工智能的费用不到30万欧元。
SBB 在轨道维护方面也采取了非常类似的方法。他们使用了测量车,让其以120公里/小时的速度在轨道上行驶,对轨道状况进行评估。他表示:“如果在测量过程中发现裂缝,那么问题总是:这是我们前一天发现的同一条裂缝还是相距只有5厘米的一条新裂缝?”人工智能可以帮助区分这两种情况。
SBB使用人工智能的另一个例子是运营管理,即优化列车路径利用率。毕竟,哪一列火车在哪里运行,这个问题的答案非常复杂。如果你想横穿瑞士,你可以在无数条路线中进行选择。当然,使用人工智能进行规划的成本要比建造新的隧道和轨道低得多,因为后者已经不再是一个可行的选择。
保持简单
Decker还坚信,如今使用人工智能比两三年前要容易得多,因为 ChatGPT 等流行应用为人工智能打开了大门,包括企业董事会的大门。然而,对技术的痴迷有时会导致过度复杂化。他表示:“在某些情况下,数据科学家们发明出了客户根本不存在的问题,仅仅是因为数据允许这样做。”
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。