Amazon DeepRacer的前世今生
早在20世纪初汽车问世之时,发明家们便已提出无人驾驶的设想。但即便是实现无人驾驶的初级阶段,也经历了足足百年时间。毕竟在复杂的城市路况下,机器若想像人一样实现感知、决策、控制等功能,必定面临各种复杂的现实挑战。但毋庸讳言,无人驾驶已经成为当今及未来前沿科技公司的重点研究方向。
云端赛车打开机器学习大门
如果说无人驾驶原本是仅存于科幻电影中的元素,那么Amazon DeepRacer则成功地将其投射进了现实世界。
作为全球云计算的创造者和引领者,亚马逊云科技在2018年11月发布了Amazon DeepRacer赛车,该赛车是由强化学习 -- Reinforcement learning(RL)、3D 赛车模拟器驱动的 1/18 比例的完全自动驾驶赛车。RL 是一种先进的机器学习技术,它不需要标记训练数据就可以学习非常复杂的行为,并且可以在优化长期目标的同时做出短期决策。Amazon DeepRacer通过模型来解决自动驾驶技术平台,开发人员可以在模拟器中训练、评估和调整 RL 模型,在基于云的 3D 赛车模拟器中进行比赛,还可以将模型部署到 Amazon DeepRacer上,从而获得现实世界的自动驾驶经验,随时随地感受速度与激情。
为确保赛车在场上发挥更加充分,在机器学习的道路上能够一马当先,亚马逊云科技特意为其搭载了 Intel Atom®处理器、四百万像素、1080p 分辨率摄像头、高速 (802.11ac) WiFi、和 Intel OpenVino计算机视觉工具套件等高端设备,让赛车从头到脚全面武装,在不断试错的过程中实现一个又一个突破。
同时,亚马逊云科技在2018年同步搭建了Amazon DeepRacer League 比赛(包括线上模拟赛和线下实体赛),旨在让世界各地的人都能轻松参与机器学习,体验自动驾驶的乐趣,这也是世界上第一个面向所有人开放的全球自动驾驶赛车联盟。
在Amazon DeepRacer平台,开发人员可以深入测试各类环境下的表现,通过数据调试和配件的选择来不断优化机器学习的效果,与世界各地的选手在比赛中找寻机器学习的未来。
多维升级带来全新体验
在Amazon DeepRacer发布不到一年的时间里,就已吸引全球成千上万的开发者参与现场及虚拟竞赛,并表现出了惊人的能量和创造力。为了满足开发者对速度的追求以及对机器学习的热情,2020年初,亚马逊云科技基于 Amazon DeepRacer推出了新一代Amazon DeepRacer Evo。与前代相比,全新的赛车在原有基础上配备了一个立体摄像机和一个激光探测与测量 (LIDAR) 传感器,以使其更加强大、更具感知力。有了新配置的帮助,Amazon DeepRacer在机器学习方面将带给开发者们更棒的体验。
伴随着赛车的配置更新, 联赛赛制也迎来了升级。2020年,亚马逊云科技在全球范围内增加了大型赛事的场次,并开放了更多的虚拟赛道和比赛形式。搭配全新升级的Amazon DeepRacer Evo,机器学习的效率获得了进一步提升。从个人到企业,再到整个地区,拥有自己的无人驾驶赛车,享受一场竞速比赛,俨然成为机器学习领域的“新风尚”。
代码开源拥抱更多可能
为了让机器学习爆发出更惊人的能量,2021年4月,亚马逊云科技正式开放了Amazon DeepRacer开源代码,让任何拥有基本 Linux 编码技能的开发者都可以尽情地改写自己的“DeepRacer”,对赛车进行新用途原型开发,创造出满足更多需求的“全能赛车”。
想在第一时间体验“全能赛车”?心动不如行动!
动动手指,赶快来加入我们!嗨爆现场的气氛,定让你不虚此行!
【2021年亚马逊云科技中国峰会】带你感受四驱兄弟时代!
此次峰会将在上海 · 北京 · 深圳三地隆重举行,携手众多业内领先技术践行者,围绕亚马逊云科技可靠的技术与服务,带来多维前瞻视角分享;并在展区内特别打造了 “ Amazon DeepRacer 驾驶赛车场“,让您能够亲临AI一线,深入机器学习发展前沿。
获取更多峰会信息请点击查看https://aws.amazon.com/cn/about-aws/events/summit2021/index_dev/
还在等什么?赶快报名来峰会现场加入这场马拉松,与Amazon DeepRacer 来一场疯狂刺激的自动赛车驾驶比赛吧! 让我们一起用AI致敬追逐的四驱少年!
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。