QuikBot Technologies与金融基础设施公司嵌入式金融集团控股有限公司(EFGH)合作,推出了直接嵌入物理AI系统基础设施中的实时保险模式。
随着自主机器人和末端配送系统在城市环境中变得更加普遍,各组织正在努力解决责任、安全和问责制方面的挑战。
传统的保险模式通常围绕静态资产构建,难以跟上与共享城市基础设施持续互动的动态系统的步伐,导致系统碎片化和互操作性差距,这可能增加这些技术的运营商和用户面临的风险和不确定性。
为解决这一问题,QuikBot将EFGH的保险能力原生集成到其环境许可平面中,这是一个旨在标准化机器人、建筑物和城市环境中身份、政策和执行的基础设施层。
这家新加坡深科技初创公司运营着一项末端配送服务,由一支机器人队伍提供支持,包括用于整合订单的大型机器人,以及使用机器视觉和激光雷达技术在人行道上导航的小型机器人。这些机器人可以连接到建筑管理系统来呼叫电梯和打开安全门禁。
"物理AI已经达到了一个关键点,信任而不仅仅是智能决定了系统能否扩展,"QuikBot Technologies创始人兼首席执行官Alan Ng说道。他补充说,通过将保险嵌入物理AI基础设施,每个实时操作而不仅仅是其静态状态都经过授权、负责任,并通过设计进行保险。
"这种保险覆盖包括网络风险、公共责任、人身伤害、产品缺陷、业务中断和货物运输,"他告诉Computer Weekly。"关键区别在于保险覆盖与每个行动相关联。当机器人移动、进入建筑物或完成任务时,该活动会被记录并在上下文中进行保险。这将使保险能够与机器一起移动。"
将保险直接嵌入机器人系统还改善了理赔流程。传统理赔依赖重建——在事故发生后回溯工作来弄清楚发生了什么——而QuikBot的平台维护着许可、位置和系统状态的完整实时记录。
"如果机器人进入建筑物并损坏财产,平台会保存那一刻的许可、位置、移动和系统状态的完整记录,"Ng说。"由于保险是嵌入式的,理赔可以直接从这些数据中触发和验证。因此,通常需要数天的过程可以缩减到几分钟,争议被最小化,因为双方都基于相同的真实数据来源工作。"
对于EFGH来说,这一合作伙伴关系标志着向"金融互联网"迈出的重要一步,这是一个专注于将金融服务、支付和保险嵌入日常生活和商业结构中的不断发展的概念。
"自主系统正在成为建筑物、物流网络和城市运营方式的决定性特征,引入了必须智能解决的新风险类别,"EFGH执行主席Dennis Ng说。"我们与QuikBot的合作伙伴关系使我们能够将保护直接嵌入管理这些系统的基础设施中。这是嵌入式金融与物理AI的融合,代表着一个强有力的转变。"
QuikBot的基础设施目前已部署在新加坡的主要开发项目中,包括南海滩和丰树商业城。计划在2026年5月在榜鹅数字区进行新的部署,同时在亚洲和中东地区包括迪拜进行持续扩张。
尽管机器人系统嵌入式保险具有潜力,但Alan Ng指出,该模式目前还无法复制到公共道路上的自动驾驶车辆,因为环境存在巨大差异。
"QuikBot在受控的、有许可的环境中运营,每一次交互都被跟踪。相反,自动驾驶车辆在开放系统中运营,监管、责任和数据标准仍在发展中,"他说。
为了将该模式扩展到更广泛的自主交通,Ng指出三个关键要素必须成熟:明确的监管和责任框架;可信的、标准化的实时数据;以及车辆、城市基础设施和保险系统之间深度的原生集成。
Q&A
Q1:QuikBot与EFGH合作推出的实时保险模式有什么特点?
A:这种实时保险模式直接嵌入物理AI系统基础设施中,保险覆盖与每个具体行动相关联。当机器人移动、进入建筑物或完成任务时,该活动会被实时记录并进行保险覆盖,包括网络风险、公共责任、人身伤害等多个方面。
Q2:嵌入式保险如何改善理赔流程?
A:传统理赔需要事后重建事故过程,而QuikBot平台维护着许可、位置和系统状态的完整实时记录。当发生事故时,理赔可以直接从这些数据中触发和验证,将通常需要数天的理赔过程缩减到几分钟,并最小化争议。
Q3:这种保险模式能否应用于自动驾驶车辆?
A:目前还不能。QuikBot在受控的、有许可的环境中运营,而自动驾驶车辆在开放系统中运营,监管、责任和数据标准仍在发展中。需要明确的监管框架、标准化实时数据和深度系统集成三个要素成熟后才能扩展应用。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。