至顶网软件频道消息:关于陆地与空中的无人驾驶设备引发不少讨论,但海洋又怎能缺席?随着劳斯莱斯与芬兰国有渡轮运营商Finferries之间合作的推进,全世界第一次见到了完全自主运行的渡船。不过在无人驾驶船舶全面覆盖世界各条水道之前,我们还有很多工作要做。
自主化水平
即使我们距离大多数船只实现自主行驶可能还有几年甚至几十年的时间,但目前也确实已经存在着能够实际起效的人工智能算法。完全自主化船舶可被视为能够在无需船员的情况下独立运行的船舶;远程船舶是指由来自岸上的人员进行远程操纵的船舶;而自动船舶则利用所运行的软件管理其运行情况。随着技术的发展成熟,未来将有更多类型的船舶从有人驾驶逐步转变为拥有一定程度的无人驾驶能力。无人驾驶船舶可能会被用于一部分应用场景,而且即使船舶的无人驾驶问题得到全面解决,某些用例中的船舶仍会配备有人类船员。
船舶自主化
正如我们在芬兰渡船上看到的情况一样,第一艘无人驾驶船舶被部署在简单的内陆或者沿海班轮应用场景下。这类水域较为平静、路线简单且交通流量不大。
另有一艘正在建设当中的内陆电动集装箱船Yara Birkeland,其预计将于2020年完工并在2022年完全实现无人驾驶运行。一些公司正在从零开始建造完全自主化船舶,也有部分初创企业着手开发半自主化系统以支撑船舶运行。当初劳斯莱斯将其无人驾驶海事部门出售给Kongsberg时,后者作为一家挪威公司迅速获得了在无人驾驶航运业成长为领导者的潜质。三星公司则是另一家参与厂商,其下辖的三星重工部门利用机器学习、增强现实以及分析等技术打造出智能运输平台。
凭借着来自旧金山的Shone等初创企业的努力,现有货船也有机会接受无人驾驶技术的发行。Shone的解决方案能够为机组人员提供驾驶辅助功能,同时检测并预测水道当中其它船只的运动轨迹。
无人驾驶船舶的优势
正如人工智能与自主化技术在其它应用领域所做出的承诺,预计未来的无人驾驶船舶将能够在安全性与效率方面实现显著提高,同时极大减轻这类重复性任务给人类造成的负担。
根据安联发布后项研究,目前75%至96%的海上事故是由人为错误所引起的。如果自主与半自主系统能够帮助减少由疲劳或错误判断所导致的人为错误,那么无人驾驶船舶最终将使我们的海洋更加安全。即使船员仍是船只的操纵者,经由船载传感器收集到的数据与人工智能算法相结合,也将帮助船员们做出更为明智的决策。
减少或消除船员,将极大减少航行过程中的人员与辅助性开销(例如船上设施与保险等)。通常,与船员相关的费用占运营预算的30%。此外,船员的减少或消除也让船舶在设计与燃料使用层面获得更高的运行效率。一项研究预计,每一艘无人驾驶船舶在25年的运行周期之内,通过燃油与船员用品/工资削减节省下来的资金可能超过700万美元。
克服障碍
由于存在严重的安全问题,特别是大多数船舶在拥护的水域中以规模化方式持续运作,因此在我们迎来完全无需船员的自动驾驶船舶之前,恐怕还要进行更多测试并对相关管理规则做出整理。更有可能的是,自主化技术将被用于减少机组人员并帮助船员们做出有效决策。除了确保船舶安全之外,自主化技术还需要解决我们对于共用水域的监管问题。现有国际公约的建立前提,在于整个过程都有船员的介入。而作为回应,国际海事组织(简称IMO)目前正在进行公约的评估与更新工作,以确保船长职务由AI而非人类担任之后,如何在现实场景下实现安全保障。
在行业对无人驾驶船舶进行快速跟踪研究、开发以及法规的更新工作全面完成之前,从业者们可能会继续从无人驾驶汽车领域的决策体系中学习,并将其逐步引入无人驾驶船舶。在未来几年内,无人驾驶汽车的逐步普及与接纳也有望给海上的同类解决方案带来发展动力。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。