5月13日,国汽智控在北京举办智能汽车数据安全ICVSEC2.5发布会暨媒体见面会,发布国内首个面向量产的车规级智能汽车数据安全产品ICVSEC2.5。该版本涵盖数据防护和隐私保护两项核心功能,包括硬件、软件、容器等三种形态,并在多家主机厂实现落地。
国汽智控于去年11月发布智能汽车基础脑iVBB(intelligent Vehicle Base Brain)产品家族新成员信息安全数据安全ICVSEC(Intelligent Connected Vehicle SECurity),这是相关监管政策发布以来业界首个专门针对智能汽车数据安全的可落地解决方案。ICVSEC2.5版本基于量产项目对产品进行了深化。
在数据防护方面,2.5版本可帮助主机厂实现自动驾驶数据的分类分级,针对150+智能驾驶业务场景需求,实现100%全量数据资产识别;基于分类分级后的自动驾驶数据,进一步实现人脸、车牌等数据脱敏,实现动态监测、实时检测、白名单管理、合规性校验等数据管控。
国汽智控总经理、首席技术官尚进博士表示,车辆在高速移动过程中会采集海量数据,数据在自动驾驶的感知、规划、控制等全生命周期内会被处理、变形、存储,产生新的数据,车辆逐渐成为移动的数据中心。基于此,ICVSEC2.5秉承“双周期”管控策略,即在车辆自动驾驶全生命周期和数据处理全生命周期的每个关键节点部署数据安全策略。
2.5版本支持智能汽车数据安全前置到传感器采集阶段,提供接口和工具,支持用户自定义重要敏感区域,配合地理围栏技术,利用目标物、GPS等信息进行场景融合识别,车辆经过相关区域可自动切换人工驾驶;针对行人的人脸数据实现轮廓保留前提下的人脸数据脱敏,在保障自动驾驶感知准确的同时实现行人个人隐私防护。
在隐私保护方面,ICVSEC2.5将常用隐私保护技术区块链技术应用到高实时、高安全、高可靠的自动驾驶操作系统中,一方面在车内配置云端区块链轻节点,将车内数据收集使用纳入到云端区块链体系,另一方面基于车内存在数据被多方应用的现状,在车内构建了完整的区块链隐私保护体系,保障数据可审计、可追踪、防篡改,便于查看数据调取流向、研判智能汽车事故。ICVSEC2.5隐私保护能够支撑数据共享、存证追溯、数据可信、事故研判、去中心化、安全存储、风险可控等特性。
自2020年以来,汽车数据安全成为行业关注热点。2021年8月20日,网信办、发改委、工信部等五部委联合发布《汽车数据安全管理若干规定(试行)》(第7号令),《规定》倡导汽车数据处理者在开展汽车数据处理活动中坚持“车内处理”、“默认不收集”、“精度范围适用”、“脱敏处理”等数据处理原则,明确汽车数据处理者应当履行个人信息保护责任,加强重要数据安全保护,做好汽车数据安全管理和保障工作。2021年10月29日,网信办发布《数据出境安全评估办法(征求意见稿)》,指出要防范数据出境安全风险,保障数据依法有序自由流动。相关政策不绝如缕,同时智能汽车数据安全行业仍然存在诸多技术难点和挑战,催生了数据资产清理、数据管控、隐私防护等需求,主机厂迫切需要可落地的产品和解决方案来应对强标和准入时间窗口。
尚进博士表示,计算基础平台拥有最复杂的软件,也是最容易受到攻击的地方,数据安全要与自动驾驶操作系统相耦合。国汽智控作为智能驾驶操作系统、智能驾驶计算基础平台的定义者和引领者,对于提供可量产落地的智能汽车数据安全产品责无旁贷。数据安全ICVSEC2.5作为国汽智控核心产品“智能汽车基础脑iVBB”重要组成部分,围绕OS功能软件中的数据流建立,能够帮助主机厂应对智能汽车数据安全强标和准入挑战,实现智能汽车数据安全监管落地。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。