在美国,货物运输行业主要由卡车主导,每年运输的 202 亿吨货物中约有三分之二是通过卡车完成的。Parallel Systems 的创始人兼 CEO Matt Soule 希望通过为传统铁路系统注入现代自动驾驶和电气化技术来改变这一现状。
这家总部位于洛杉矶的公司正在开发一种电池驱动的自动货运技术,该技术可以与现有的货运车厢配合使用,并能够集成到现有的列车控制软件中。Soule 的主张是:Parallel 的系统可以让企业在短途运输中使用铁路而不是卡车,从而降低运输成本。
Soule 向 TechCrunch 解释说,传统上铁路运输未被充分利用的原因在于,列车通常由大型且昂贵的机车牵引数百节货运车厢进行长途运输。因此,企业在短途货运时往往会选择卡车。
Parallel Systems 开发的系统允许列车车厢自主连接和分离。这意味着企业可以使用 Parallel 的技术来处理不同规模的运输需求,同时避免人工手动连接和分离车厢这一危险过程。Soule 补充说,Parallel 的技术还能让货运车厢比现有列车具有更强的制动能力。
"我们采用了不同的物理架构,在小规模运输中实现与卡车具有竞争力的经济效益,而不是只在大规模运输中才有优势,"Soule 说。"我们的车辆可以与现有的铁路基础设施兼容,而且已经证明可以与传统铁路运营并行。我们并不是要用这项技术来取代现有的货运列车。"
Parallel 最近获得了联邦铁路管理局的批准,可以在佐治亚州开始试点这项技术。该项目将允许公司在萨凡纳港口到佐治亚州多个配送站之间的 160 英里路段上测试其技术驱动的列车。
Parallel 还最近完成了由 Anthos Capital 领投的 3800 万美元 B 轮融资,Collaborative Fund、Congruent Ventures 和 Riot Ventures 等机构参与其中。这使得 Parallel 的总融资额超过了 1 亿美元。新资金将用于商业化,公司希望在 2026 年实现首次商业化运营。
Collaborative Fund 的合伙人 Sophie Bakalar 表示,虽然 Parallel 并不完全符合其面向消费者的投资理念,但在通过其投资组合中的一位创始人介绍后,公司对其产生了浓厚兴趣。
Soule 并没有铁路领域的背景,但他在受监管的运输行业有着丰富的经验。他在航空航天领域工作了 20 年,其中 13 年在 SpaceX。
"我们一直在开发新技术,"Soule 说。"我从事航空电子设备工作,负责控制火箭的电子和软件系统,这让我对这些技术如何能够让其他可能缺乏创新的行业受益产生了极大的好奇心。"
他在 2020 年创立了公司,五年后的今天,Parallel 已经建立了完整的技术体系,现在正专注于商业化。
虽然让公司改变其运输和配送策略可能是一项艰巨的任务,但 Soule 表示需求是存在的。他补充说,他们已经收到来自全球的关注,但目前计划将重点放在美国和澳大利亚市场。
这一消息也正值美国处于关税不确定期。Bakalar 预测,如果关税最终实施,可能会刺激对 Parallel 这样的公司的需求,因为企业可能会寻求各种方式来削减成本。
"这是货运领域一次跨时代的创新,货运行业并不常见变革,"Soule 说。"但这项技术恰恰击中了关键点。"
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。