海洋的广阔使得政府、航运公司和保险机构难以实时掌握海上动态。更棘手的是,现代船舶往往缺乏先进技术设备,传感器背后也缺少合适的软件来有效分析数据。
位于弗吉尼亚州阿灵顿的初创公司Quartermaster正在开发一套名为"SmartMast"的解决方案。这是一套安装在船舶桅杆上的抗恶劣天气传感器组合,包括摄像头和无线电设备,能够实时传输海事数据。结合能够解读所有信息的分析平台,Quartermaster将其称为"连续分布式感知网络"——为数百万艘船舶打造的蜂群智能系统。
Quartermaster首席执行官兼创始人Neil Sobin表示,SmartMast远比目前的标准系统AIS(自动识别系统)先进。AIS功能非常基础,主要依靠位置信号传输,而且容易被攻破。Sobin称Quartermaster的技术更不易受到欺诈影响,这在公海上是个严重问题。
"在海事领域,AIS是一个完全失效的系统。它是自愿加入的,船主自行输入数据。如果你想在海上从事任何非法活动,从小规模走私到逃避制裁,都可以简单地退出系统或伪造信号,"他在接受TechCrunch独家采访时说道,"你可以轻易利用这个系统的脆弱性。"
Sobin最近几周一直在向投资者推介这一方案,最终获得了4300万美元的A轮融资。Quartermaster周三宣布的这笔投资由First Round Capital和Quiet Capital共同领投,后者是一家支持"从零开始的杰出创始人"的风投公司。
First Round合伙人Bill Trenchard曾在2010年领投Uber的种子轮,也是Flexport的投资人。他在声明中表示,Quartermaster正在"重塑海事运营商理解和应对全球海洋的方式"。
"大多数为海洋带来智能的尝试都遇到了同样的障碍:定制硬件的成本无法扩展到这个大部分被水覆盖的星球。Neil和他的团队解决了这个问题,"他说。
Quartermaster表示,目前已有超过600艘使用SmartMast的船舶覆盖了1000万平方英里的海域。其主要目标是为智能应用创建基础设施层——识别其他船舶、为研发海洋自主技术的公司收集训练数据、协助科学家和机器人专家,以及向政府提供数据和洞察。
在Sobin看来,Quartermaster系统的应用几乎没有限制,公司也在不断发现新的技术应用场景。例如,该公司表示配备SmartMast的船舶已经协助完成了"超过20次海上救援行动"。虽然这不是创收机会,但Sobin表示Quartermaster一直在思考如何改善海员的生活,因为这可能赢得更多客户。
"这是我们非常自豪的工作,但这些动态也帮助我们巩固网络,为海员创造与我们合作的动力,"他说,"我们的方法是支持海员,为海员创造激励,我认为很少有其他公司能像我们这样成功地运营这种模式。市场上有很多参与者试图向船舶或船队运营商销售传感器,但这些推销非常困难,因为船队运营是低利润业务。"
至于融资用途,Sobin表示大部分资金将用于招聘工程师,继续推进Quartermaster的技术发展。虽然资金会有帮助,但Sobin也认为这个机会对一些工程师来说实在太有吸引力了。
"海洋领域在计算机视觉任务上有太多容易实现的成果,"他说。对于社交媒体公司或AI实验室的工程师来说,"很难感受到所有努力的回报。在海洋领域,一个工程师就能在相对较短的时间内产生重大影响,仅仅因为之前没有人在这个领域工作过。"
Q&A
Q1:SmartMast是什么技术?
A:SmartMast是Quartermaster公司开发的船舶智能感知系统,由安装在船舶桅杆上的抗恶劣天气传感器组合(包括摄像头和无线电设备)构成,能够实时传输海事数据,并通过分析平台解读信息,形成连续分布式感知网络。
Q2:SmartMast相比传统AIS系统有什么优势?
A:传统AIS系统功能基础,主要依靠位置信号传输,且是自愿加入、自行输入数据,容易被退出或伪造信号。SmartMast技术更先进,更不易受到欺诈影响,能提供更可靠的海上监测数据。
Q3:Quartermaster获得了多少融资?资金将用于什么?
A:Quartermaster获得了4300万美元的A轮融资,由First Round Capital和Quiet Capital共同领投。大部分资金将用于招聘工程师,继续推进技术发展,扩展海洋智能感知网络的应用场景。
好文章,需要你的鼓励
据《华尔街日报》报道,在马斯克针对OpenAI的诉讼失败后,OpenAI正加速推进IPO计划。CEO萨姆·奥特曼希望公司最快于今年9月上市,目前已与高盛、摩根士丹利合作,并可能在数日或数周内秘密提交上市申请。与此同时,马斯克旗下SpaceX的IPO文件也预计近期公开。两家公司的上市竞争,标志着马斯克与奥特曼的博弈从法庭转移至资本市场。
KAIST团队提出策略助推方法,通过强制分配解题方向引导AI探索多样思路,仅用八份样本就超越了消耗八倍资源的传统方法。
调查显示,51%的专业人士认为AI生成的低质量内容(即"workslop")正在降低生产效率,45%的人因此对职场使用AI更加谨慎。这类内容表面精致却缺乏准确性和实质价值。专家建议两步应对:一是重塑AI生产力思维,推行"AI先行、人工复核"的工作模式;二是保持持续投入,深入掌握AI工具的有效用法。企业领导者强调,真正从AI中受益需要坚持与学习,而非浅尝辄止。
要理解这项研究,先得明白现在的AI是怎么"画"图的。 可以把AI生成图片的过程想象成一个特殊的厨房。当AI要学会画图时,它不会像人类画家那样一笔一画地描绘,而是采用一种叫做"自回归"的方式——简单说就是"一个食材接一个食材地添加"。但问题在于,AI厨房处理的"食材"不是真实的图像像素,而是一种被压缩过的"标准化食材包"。 这个压缩过程,叫做"离散分词",由一个叫"分词器"(tokenizer)的设备完成。打个比方,分词器就像一台高级的食材切片机,它把一整张图片切成很多小块,然后给每一小块贴上一个"编号标签",对应到一本"标签字典"(也就是研究者口中的"码本")里的某个条目。比如,标签001可能代表"蓝天的一小块",标签002代表"绿草的一小块"。 这种做法的好处是大幅简化了AI的工作量——它不用记住几百万个像素,只需要记住一串编号就行了。这就是为什么如今像Chameleon、Emu3这些大名鼎鼎的多模态AI模型都用这种技术。 但问题也恰恰出在这里。当切片机以16倍的压缩率工作时(也就是说原本256个像素被压缩成1个标签),很多细节就被无情地丢弃了。蓝天少一些云彩、草地少几根草尖,人眼几乎看不出来。可一旦切到了文字或人脸,灾难就发生了——一个英文字母"e"和"c"的差别可能就在那么几个像素,一张脸上眉眼的位置稍微挪一挪,整个人就变了样。 研究团队发现,认知科学研究早就指出,人类的视线会不自觉地被文字和人脸吸引,对这两类内容的细节扭曲特别敏感。换句话说,AI画其他东西糊一点没关系,但文字和脸糊了,用户立马就能察觉。 之前的研究者也意识到了这个问题,他们的解决思路通常是"加大切片机的容量"——比如把标签字典从1万6千条扩展到26万条,或者让每张图用更多的标签。但这就像为了切好一根胡萝卜而把整个厨房改造成大型工厂,成本高得离谱,而且效果也不见得好。 清华和微软的团队提出了一个完全不同的思路:与其让切片机变得更大,不如教它学会"看重点"。 二、给切片机装上"火眼金睛"