汽车行业是全球最高科技行业之一——所以本周发表的一份报告,从表面上看,有点令人意外。
Capgemini这份题为《加速汽车行业人工智能转型》的报告显示,2018年汽车行业中“大规模”部署了人工智能的企业数量仅仅增长了3%。
只有10%的受访者表示,2018年他们的企业组织在“全公司的范围和规模上”部署了人工智能驱动的项目,相比之下,2017年这一比例仅为7%。
该报告总结说,相对缓慢的增长速度证明,“自2017年以来,汽车行业在人工智能转型方面并没有取得重大进展”,而鉴于行业领导者所显示出的投资规模和热情,这一结果实在令人意外。
该报告的作者之一Ingo Finck表示,“在某种程度上,这确实让人觉得惊讶,因为我们看到绝大多数——超过80%——的企业都在他们的核心战略中提到了人工智能。”
“对他们来说,这显然是一个重要的战略因素,所以……我们也对相对缓慢的采用率感到有些意外。”
在深入研究采用率缓慢增长的各种潜在原因之前,有一点值得注意,这个结果是存在地区差异的:在中国,采用人工智能的车企数量几乎翻了一番,从5%增加到9%。
中国人工智能巨头采取相对“开放”的策略在一定程度上解释了这一现象,例如百度开发的Apollo开源平台,有超过130家企业及组织合作伙伴。
Finck解释说,其他地区增长缓慢可能是因为企业组织正在采取更为成熟的人工智能部署方法,而不是“全部都尝试一遍,看看哪些方法奏效”,他们更专注可以经过验证的用例,然后再大规模运用。
而从计划增加人工智能部署的企业的规模大小来看,另一个差异也十分明显。
“我们可以看到,小型企业在采用人工智能方面更犹豫一些,而规模较大的企业[收入超过100亿美元]采用率会更高一些。”
“小型企业的复杂性与大型企业几乎相同——不管是小企业还是大企业,采用人工智能所面临的困难都是相同的。”
实际上,正如预期的那样,投资金额与企业组织部署人工智能的规模之间存在着明显的相关性,这对于小型企业来说显然是一个限制因素。
在大规模成功部署了人工智能的企业中,有80%的企业在人工智能上的花费超过2亿美元。而对于那些认为自己没能成功部署人工智能的企业中,只有20%的企业花了这么多钱。
虽然自动驾驶汽车经常被视为汽车人工智能最主要的一个使用场景,但实际上,提高传统手动驾驶汽车的效率和附加值的主要方法是使用认知学习算法。
该报告强调了一些重要的人工智能部署,主要是在较大的OEM企业组织内,包括:
- 原型设计:通用汽车在其产品设计操作中使用机器学习
- 建模和模拟:德国大陆集团通过建模和模拟技术,每小时收集5000英里虚拟车辆测试数据
- 销售和营销:大众汽车利用机器学习技术,通过经济、政治和气象等数据,预测120个国家250种车型的销售情况
- 质量控制:奥迪使用配备计算机视觉的摄像头,来检测制造过程中金属板上无法被人眼识别出来的微小裂缝。
Capgemini将这些企业定义为“规模冠军”——他们已经成功地大规模部署了人工智能,并且都显示出了各种特征,例如专注于高效益用例、良好的人工智能治理、高水平的投资,以及更为重要的是,显示出了提升员工技能的愿意。
“我们知道,当人类与机器组合在一起的时候,人工智能是最高效的,”Finck这样表示。
“就像你提高AI的能力一样,你也需要提升员工的技能,这不仅仅是指要培训或者雇用更多的数据科学家,而是关于训练企业组织内的其他人——他们是AI的临时用户。”
所有这些挑战,都在一定程度上解释了为什么汽车行业采用人工智能的速度要低于预期。 有一点是Finck坚信的,同时也是该报告证实了的一点:未来人工智能将在汽车行业发挥关键作用。
他说:“我认为企业都明白,人工智能并不是一项‘插件’技术——它是企业必须采用的核心技术——就像是引擎,或者信息技术。他们面临的挑战不仅仅是产品、还有服务、乃至整个企业都拥抱人工智能。”
好文章,需要你的鼓励
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。