各个行业似乎都在高度关注人工智能技术,希望借此彻底颠覆原有游戏规则。房地产行业当然也不例外,一系列新兴技术公司正努力帮助买家以及租户快速找到符合心意的选项。
下面,我们将一同了解其中几家代表性企业。
总部位于蒙特利尔的Nobbas公司希望帮助目标租户与买家寻找房产,并允许室友或者好友通过协同搜索找到最适合各自需求的选择。
该公司产品设计师Sean Muir表示,“很多朋友都有过类似的经历,访问网站并不断看到重复的房产真的让人很烦躁。在这方面,AI能够为我们找到最合适的房产选项。”
该网站在美国拥有140万套待租或待售房产,同时提供类似于Tinder应用的界面,用户可以向左或向右滑动以快速表达自己对当前房产是否感兴趣。
此外,Nobbas还开发出一款交互式协作工具。
Muir表示,“每一位受邀伙伴都能看到您感兴趣的选项,您也能看到他们比较中意的房子。”
今年6月初,Nobbas公司还于苹果App Store以及Google Play商店上推出了一套代理平台,用于向客户分享房产信息。
注册于纽约市的房地产经纪人Ruth Shin在一年之前创立了PropertyNest。该网站采用专有算法,能够帮助纽约市民根据自己的信用评分以及最迫切的功能性需求租赁或者购买房屋。每套房屋的匹配流程都会与买家/租户的实际情况联系起来,包括审查其收入、信用评分、储蓄数额以及其它财务指标。
要获取这样一份推荐列表,我们需要输入自己的凭证性信息,包括信用评分、收入、担保人信息以及储蓄数额等。这样一旦您找到自己以的公寓,算法就会告诉您获得批准的可能性。
该网站还提供其它建议,可用于指导用户提高信用水平、解释租赁或销售流程如何进行、怎样申请抵押贷款以及如何以自由职业者身份申请房产等。此外,网站还会提供如何根据公寓数量判断社区质量以及租金水平等房地产行业内的专业知识。
Shin曾经担任EXR与Compass公司代理,目前亦身兼MyBankTracker.com个人理财网站的编辑。Shin表示,“大部分正在寻找待租房屋的租户,其实并没有做好充分的准备。我的目标是与他们进行交流,快速解决这些认知局限,以确保他们能租到/买到适合自己的房屋。”
代理商、管理公司以及房东可以签署三份合作计划,而Shin则负责努力提高网站的信息量与访问规模。
该网站于去年夏季推出,号称是“房产领域的Pinterest”,旨在利用AI技术帮助用户根据自己的风格喜好在全国范围内寻找新的待售房源。
买家们可以查看新房照片、视频与平面图,并可以将自己喜欢的房屋添加到收藏当中。共同所有人之间还可以相互协作,找到同时符合大家喜好的理想房产。
在买家确定了自己喜欢的风格之后,HomLuv就会创建一份个人资料,而后将其与不断增长的房产网络信息进行匹配。
HomLuv.com母公司Builders Digital Experience(BDX)首席执行官Tim Costello表示,“有67%的买家更希望购买新房,因此市场需求还没有得到充分满足。有研究表明,购房者对现有房地产网站的使用体验并不满意,这些网站无法满足新房购房者的要求。
HomLuv提供的前瞻性视觉设计方案,为买家与房地产开发商提供了一种顺畅的沟通渠道,消除了混乱不清的因素,简化选购流程并为双方带来了良好的使用体验。”
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。