通用汽车正与 Nvidia 展开深度合作,旨在将 AI 技术应用到实体世界中,这项扩展合作将涉及汽车制造商业务的方方面面,包括工厂、机器人和自动驾驶汽车。
Nvidia 创始人兼首席执行官黄仁勋在周二圣何塞 GTC 大会的主题演讲中宣布了这项合作,他表示自动驾驶汽车的时代已经到来。
"我们期待与通用汽车在三个领域共同构建 AI,"他在台上表示。"用于制造的 AI,以革新他们的制造方式;用于企业的 AI,以革新他们设计和模拟汽车的方式;以及用于车载的 AI。" 据黄仁勋透露,这项协议意味着 Nvidia 将为通用汽车提供 AI 基础设施(主要是 GPU),并协助该汽车制造商构建自己的 AI 系统。
Nvidia 与汽车和自动驾驶行业有着数十年的合作关系,为特斯拉、Wayve 和 Waymo 等公司提供 GPU,用于数据中心或车辆。Nvidia 还为汽车制造商开发了自动驾驶平台,包括名为 DriveOS 的操作系统,用于提供实时 AI 处理和高级驾驶及座舱功能的集成。丰田今年早些时候宣布计划在下一代车型中配备由 Nvidia Drive AGX Orin 超级计算机和注重安全的操作系统 DriveOS 驱动的自动驾驶功能。
"我们会根据汽车行业的需求与他们合作,"黄仁勋在主题演讲中说。"我们构建了三种计算机:训练计算机、模拟计算机和机器人计算机(自动驾驶汽车计算机)—以及其上的所有软件栈、模型和算法,就像我们为其他行业所做的那样。" 通用汽车计划与 Nvidia 合作,使用该科技巨头的多个产品构建定制 AI 系统。通用汽车没有透露交易的具体金额。
通用汽车将使用 Nvidia Omniverse 和 Cosmos 来训练 AI 制造模型,帮助其改进下一代工厂和机器人技术的建设。通过 Omniverse,通用汽车将能够构建其工厂的数字孪生体—甚至包括装配线,以虚拟方式测试新的生产流程,而不会影响现有的车辆生产。这项工作将包括训练通用汽车已在使用的机器人平台,用于物料处理和运输、精密焊接等操作。
该汽车制造商还将使用 Nvidia Drive AGX 作为未来高级驾驶辅助系统和增强型车内安全驾驶体验的车载硬件。通用汽车最近停止了对其商用机器人出租车开发业务的资金投入,转而将资源投向其免手动驾驶辅助系统 Super Cruise。通用汽车正在吸收其自动驾驶汽车子公司 Cruise,并将其与自身开发驾驶辅助功能的努力相结合—最终目标是开发完全自动驾驶的个人车辆。
通用汽车与 Nvidia 的关系并非新建。这家底特律汽车制造商一直使用 Nvidia GPU 来训练用于模拟和验证的 AI 模型。此次扩展合作现在包括使用 Nvidia AI 产品来改进汽车工厂设计和运营。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。