今天百科互动给各位分享微软把大模型商业化到哪里去了？的知识，其中也会对微软模型2020进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录：
- 1、什么是机器人，并说说它的发展经历了几代？
- 2、AI大模型扎堆上线，你觉得谁能强势出圈？
- 3、毫末发布自动驾驶生成式大模型DriveGPT 中文名"雪湖·海若"
- 4、智能语音产业观察：微软小冰建半开放生态 AI创造与商业化已至？
什么是机器人，并说说它的发展经历了几代？
什么是机器人，并说说它的发展经历了几代？
机器人（Robot）是自动执行工作的机器装置。它既可以接受人类指挥，又可以执行预先编排的程式，也可以根据以人工智慧技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。
智慧型机器人是最复杂的机器人，也是人类最渴望能够早日制造出来的机器朋友。然而要制造出一台智慧机器人并不容易，仅仅是让机器模拟人类的行走动作，科学家们就要付出了数十甚至上百年的努力。
索尼公司QRIO机器人
1910年 捷克斯洛伐克作家卡雷物前搭尔·恰佩克在他的科幻小说中，根据Robota（捷克文，原意为“劳役、苦工”）和Robotnik（波兰文，原意为“工人”），创造出“机器人”这个词。
1911年 美国纽约世博会上展出了西屋电气公司制造的家用机器人Elektro。它由电缆控制，可以行走，会说77个字，甚至可以抽菸，不过离真正干家务活还差得远。但它让人们对家用机器人的憧憬变得更加具体。
1912年 美国科幻巨匠阿西莫夫提出“机器人三定律”。虽然这只是科幻小说里的创造，但后来成为学术界预设的研发原则。
1913年 诺伯特·维纳出版《控制论——关于在动物和机中控制和通讯的科学》，阐述了机器中的通讯和控制机能与人的神经、感觉机能的共同规律，率先提出以计算机为核心的自动化工厂。
1914年 美国人乔治·德沃尔制造出世界上第一台可程式设计的机器人（即世界上第一台真正的机器人），并注册了专利。这种机械手能按照不同的程式从事不同的工作，因此具有通用性和灵活性。
1915年 在达特茅斯会议上，马文·明斯基提出了他对智慧机器的看法：智慧机器“能够建立周围环境的抽象模型，如果遇到问题，能够从抽象模型中寻罩拿找解决方法”。这个定义影响到以后30年智慧机器人的研究方向。
1959年 德沃尔与美国发明家约瑟夫·英格伯格联手制造出第一台工业机器人。随后，成立了世界上第一家机器人制造工厂——Unimation公司。由于英格伯格对工业机器人的研发和宣传，他也被称为“工业机器人之父”。
索尼公司AIBO机器人
1962年 美国AMF公司生产出“VERSTRAN”（意思是万能搬运），与Unimation公司生产的Unimate一样成为真正商业化的工业机器人，并出口到世界各国，掀起了全世界对机器人和机器人研究的热潮。
1962年-1963年 感测器的应用提高了机器人的可操作性。人们试着在机器人上安装各种各样的感测器，包括1961年恩斯特采用的触觉感测器，托莫维奇和博尼1962年在世界上最早的“灵巧手”上用到了压力感测器，而麦卡锡1963年则开始在机器人中加入视觉感测系统，并在1964年，帮助MIT推出了世界上第一个带有视觉感测器，能识别并定位积木的机器人系统。
1965年 约翰·霍普金斯大学应用物理实验室研制出Beast机器人。Beast已经能通过声呐系统、光电管等装置，根据环境校正自己的位置。20世纪60年代中期开始，美国麻省理工学院、斯坦福大学、英国爱丁堡大学等陆续成立了机器人实验室。美国兴起研究第二代带感测器、“有感觉”的机器人，并向人工智慧进发。
1968年 美国斯坦福研究所公布他们研发成功的机器人Shakey。它带有视觉感测器，能根据人的指令发现并抓取积木，不过控制它的计算机有一个房间那么大。Shakey可以算是世界第一台智慧机器人，拉开了第三代机器人研发的序幕。
1969年 日本早稻田大学加藤一郎实验室研发出第一台以双脚走路的机器人。加藤一郎长期致力于研究仿人机器人，被誉为“仿人机器人之父”。日本专家一向以研发仿人机器人和娱乐机器人的技术见长，后来更进一步，催生出本田公司的ASIMO和索尼公司的QRIO。
1973年 世界上第一次机器人和小型计算机携手合作，就诞生了美国Cincinnati Milacron公司的机器人T3。
1978年 美国Unimation公司推出通用工业机器人PUMA，这标志著工业机器人技术已经完全成熟。PUMA至今仍然工作在工厂第一线。
1984年 英格伯格再推机器人Helpmate，这种机器人能在医院里为病人送饭、送药、送邮件。同年，他还预言：“我要让机器人擦地板，悔雹做饭，出去帮我洗车，检查安全”。
模拟交际机器人
1990年 中国著名学者周海中教授在《论机器人》一文中预言：到二十一世纪中叶，奈米机器人将彻底改变人类的劳动和生活方式。
1998年 丹麦乐高公司推出机器人（Mind-storms）套件，让机器人制造变得跟搭积木一样，相对简单又能任意拼装，使机器人开始走入个人世界。
1999年 日本索尼公司推出犬型机器人爱宝（AIBO），当即销售一空，从此娱乐机器人成为机器人迈进普通家庭的途径之一。
2002年 美国iRobot公司推出了吸尘器机器人Roomba，它能避开障碍，自动设计行进路线，还能在电量不足时，自动驶向充电座。Roomba是目前世界上销量最大、最商业化的家用机器人。iRobot公司北京区授权代理商：北京微网智巨集科技有限公司。
2006年 6月，微软公司推出Microsoft Robotics Studio，机器人模组化、平台统一化的趋势越来越明显，比尔·盖茨预言，家用机器人很快将席卷全球。
打火机的发展经历了几代
1按燃料：打火机经历了火绒、火绳、硫磺、磷（红磷、白磷）、石蜡、煤油、酒精/香水、氢气、甲烷、煤气到汽油、丁烷:
2按材料原理：火石钢轮、压电陶瓷、磁感应、电池、太阳能、微电脑、液态气体、气态
3按装置方法：后混式、前混式、一次性、可重复充气、充电、充能、充油
4按火力调节：可调节、不可调节、可自动调节、自我熄灭、非自我熄灭
5按声音：有声、无声
。。。。。。。。。。。
你可以度娘：打火机
打火机中的化学
打火机的历史
cpu的发展经历了哪几代
很多代 说不清
打火机发展经历了几代
打火机主要部件是发火机构和贮气箱，发火机构动作时，迸发出火花射向燃气区，将燃气引燃。发火机构是打火机演变中最活跃的部分，也是结构较复杂的部分。根据发火机构的特点，打火机可分为火石钢轮打火机、压电陶瓷打火机、磁感应打火机、电池打火机、太阳能打火机、微电脑打火机6种。
希望能够帮到您！
第一台计算机的发展经历了几代？
第一代(1946~1958)：电子管数字计算机
第二代(1958~1964)：电晶体数字计算机
第三代(1964~1971)：中小规模积体电路数字计算机
第四代(1971年至今)：大规模超大规模积体电路数字计算机
瓷器的发展经历了几大阶段
1、陶器阶段
用黏土制成毛坯,经过高温(~1000 °C) 烧结而成,是原始人类制成的最重要的物品之一
2、瓷器阶段
发明了釉、发现并使用高铝质瓷土、高温技术的发展（1200 °C ）
3、现代先进陶瓷阶段
原料纯化——从天然矿物原料为主发展到高纯人工合成原料为主
新工艺层出不穷——成型新工艺：等静压成型、热压成型、离心注浆成型、压力注浆成型、 流延成型等
烧结新工艺：热压烧结、热压等静压烧结、反应烧结、快速烧结、微波 烧结、等离子体烧结、自蔓燃烧结等
理论日趋成熟——从经验操作发展到科学控制、特定材料设计、工艺—结构—性质—使用效能
分析技术进步——显微结构分析技术如X射线衍射仪、电子显微镜、原子力显微镜、特殊效能测试仪器等
相邻学科发展——量子力学、固体物理、固体化学、配位化学、结晶化学、量子化学、半导体、微电子等
4、奈米陶瓷阶段
原料奈米化、陶瓷内部晶粒奈米化、效能高,度优化、正在深入研究,预期将引起重要
变化.
计算机的发展经历了几代?每一代的主要元件是什么?
第一代是电子管计算机时代，从1946－－1958年左右。这代计算机因采用电子管而体积大，耗电多，运算速度低，储存容量小，可靠性差； 主要用于科学，军事和财务等方面的计算；
第二代是电晶体时代，约为1958－－1964年。这代计算机比第一代计算机的效能提高了数10倍，软体配置开始出现，一些高阶程式设计语言相继问世，外围装置也由几种增加到数十种。除科学计算而外，开始了资料处理和工业控制等应用；
第三代是积体电路（IC）计算机时代。约从1964－－1970年。主要由中、小规模积体电路组成。其电路器件是在一块几平方毫米的晶片上集成了几十个到几百个电子元件，使计算机的体积和耗电显著减少，计算速度、储存容量、可靠性有较大的提高，有了作业系统，机种多样化、系列化并和通讯技术结合，使计算机应用进入许多科学技术领域；
第四代便是大规模（LSI）电路计算机时代。从70年代到现在。大规模积体电路是在一块几平方毫米的半导体晶片上可以整合上千万到十万个电子元件，使得计算机体积更小，耗电更少，运算速度提高到每秒几百万次，计算机可靠性也进一步提高。
目前计算机技术已经在巨型化、微型化、网路化和人工智慧化等几个得到了很大的发展.四个发展阶段：
第一个发展阶段：1946-1956年电子管计算机的时代。1946年第一台电子计算机问世美国宾西法尼亚大学，它由冯·诺依曼设计的。占地170平方 ，150KW。运算速度慢还没有人快。是计算机发展历史上的一个里程碑。（ENIAC）（electronic numerical integator and calculator)全称叫“电子数值积分和计算机”。
第二个发展阶段：1956-1964年电晶体的计算机时代：作业系统。
第三个发展阶段：1964-1970年积体电路与大规模积体电路的计算机时代
（1964-1965）（1965-1970）
第四个发展阶段：1970-现在：超大规模积体电路的计算机时代。
什么是机器人，机器人的发展主要经历哪几个历史阶段
机器人发展至今已出现了三代。
第一代机器人是简单的示教再现型机器人，这类机器人需要使用者事先教给它们动作顺序和运动路径，再不断地重复这些动作。目前在汽车工业和电子工业自动线上大量使用的就是这类机器人。它们基本上没有感觉也不会思考。
第二代机器人是低阶智慧机器人，或称感觉机器人。和第一代机器人相比，低阶智慧机器人具有一定的感觉系统，能获取外界环境和操作物件的简单资讯，可对外界环境的变化做出简单的判断并相应调整自己的动作，以减少工作出错、产品报废。因此这类机器人又被称为自适应机器人。20世纪90年代以来，在生产企业中这类机器人的台数正逐年增加。
第三代机器人是高阶智慧机器人。它不但有第二代机器人的感觉功能和简单的自适应能力，而且能充分识别工作物件和工作环境，并能根据人给的指令和它自身的判断结果自动确定与之相适应的动作。这类机器人目前尚处于实验室研究探索阶段。
电脑的发展经历了几个时代？
电脑的发展历史
电脑的英文名称为 Computer，直译的意思是计算机。电脑由早期的机械式电脑发展到现在所使用的个人电脑,经过了一段相当长的时间，最早的计算机得追溯到西元 1942年由法国数学加巴斯卡所发明的巴斯卡机，这台机器是由许多的齿轮与杠杆所组成的。
一般我们对电脑世代的分类是以制造电脑所使用的元件不同来划分，共分为四个世代：
第一代(西元1946年~西元1958年)：使用真空管制造。
第二代(西元1959年~西元1964年)：使用电晶体制造。
第三代(西元1965年~西元1970年)：使用积体电路制造。第四代(西元1970年~至今) ：使用超大型积体电路制造。
第一代电脑：真空管时代:使用真空管为材料以打孔卡片作为外部储存媒体以磁鼓作为内部储存媒体程式语言为机器语言及组合语言。
第二代电脑：电晶体时代使用电晶体为材料开始使用磁带磁碟的发明以磁蕊作为内部储存媒体硬体的模组化高阶语言的出现。
第三代电脑：积体电路的时代使用积体电路向上相容的概念作业系统的出现 软体的快速发展 迷你电脑的出现。
第四代电脑：超大型积体电路的时代微处理机的出现以半导体作为内部储存媒体微电脑的流行套装软体的发展。注：西元即是公元。
KIKC的发展经历了些什么？
从男装发展可以窥视到KIKC服装整体动向。KIKC已经完成从最早的男装,发展到服装全品类及更多市场的覆盖,风格也应潮流发生演变。
AI大模型扎堆上线，你觉得谁能强势出圈？
撰文 / 涂彦平 编辑 / 黄大路 设计 / 赵昊然
ChatGPT在这个春天霸占了中文互联网，普通人面对它多生出兴奋和焦虑交织的复杂情绪，而大公司不甘落后，纷纷宣布自己也在做类似的AI大模型。
继3月16日百度发布文心一言之后，4月7日，阿里云官宣大模型通义千问开始邀请测试。
4月8日，在人工智能大模型技术高峰论坛上，华为云人工智能领域首席科学家田奇分享了盘古大模型的进展及应用。他透露，华为盘古大模型正在推动人工智能开发从“作坊式”到“工业化”升级。
接下来，有多场大模型相关发布会扎堆举办。
4月10日，商汤“日日新SenseNova”大模型体系问世；4月11日，毫末智行自动驾驶生成式大模型DriveGPT雪湖·海若发布；由昆仑万维和奇点智源合作研睁塌发的天工大模型3.5发布在即，并将于4月17日启动邀请测试；5月6日，科大讯飞“1+N认知智能大模型”即将发布……
互联网巨头、人工智能公司、智能硬件公司、自动驾驶公司等各方力量，都积极参与到大模型这一场盛宴中来。
行业监管也迅速出手。4月11日，国家网信办发布通知，就《生成式人工智能服务管理办法（征求意见稿）》面向社会公开征求意见。
根据计算机科学家、自然语言模型专家吴军的说法，ChatGPT背后是一个叫做语言模型的数学模型在发挥作用，这项语言模型技术早在1972年就已经有了，是由他的导师弗莱德里克·贾里尼克(Fred Jelinek)在IBM期间带领团队研发出来的。
只是到了今天，由于算力不断提升，语言模型已经从最初基于概率预测的模型发展到基于Transformer架构的预训练语言模型，并逐步走向大模型的时代。
复旦大学计算机学院教授、MOSS系统负责人邱锡鹏曾乱好这样描述大模型的能力飞跃：“当模型规模较小时，模型的性能和参数大致符合比例定律，即模型的性能提升和参数增长基本呈线性关系。然而，当 GPT-3/ChatGPT 这种千亿级别的大规模模型被提出后，人们发现其可以打破比例定律，实现模型能力质的飞跃。这些能力也被称为大模型的‘涌现能力’（如理解人类指令等）。”
每当有革命性的技术诞生，无一不是由其在具体行业的商用化应用来实质性地推动行业进步。作为连接技术生态和商业生态的桥梁，大模型也将在很多行业应用落地。
只是，这波来势凶猛的大模型热，究竟会催生万物生长改变万千业态，还是继区块链、元宇宙之后又一个看上去很美的泡沫？
无限想象空间？
特斯拉将Transformer大模型引入自动驾驶领域中，拉开了AI大模型在自动驾驶领域应用的开端。大模型在自动驾驶行业的应用将提升系统的感知和决策能力，已经被视为自动驾驶能力提升的核心驱动力。
4月2日，百度正式发布百度自动驾驶云Apollo Cloud2.0。百度智能驾驶事业群副总裁、智能网联业务总经理高果荣表示，Apollo Cloud2.0基于大模型实现了自动驾驶数据智能的搜索引擎，大模型的能力积累了自动驾驶数据智能的搜索引擎，从海量数据中能够精准找到自动驾驶面向不同场景的数据。
“在自动驾驶领域，BEV(Bird''s Eye View，鸟瞰视图)是当前主流的技术路线，未来可以朝着多模态、通用智能的方向发展。”商汤科技联合创始人、首席科学家、绝影智能汽车事业群总裁王晓刚表示。
他认为，在通用人工智能时代，输入提示词和多模态内容，就可以生成多模态的数据，更重要的是，可以用自然语言生成对任务的描述，用非常灵活的方式覆盖大量的长尾悉陪圆问题和开放性的任务，甚至是一些主观描述。
王晓刚举了一个例子来说明AI和AGI处理任务的不同。给定一张图片，判断是否需要减速，AI和AGI的反应有什么不一样呢？
现有的AI系统，会首先做物体检测，然后再物体框里做文字识别，最后做决策。整个过程中每一个模块都是事先定义好的任务。
而在通用人工智能下，给定图像，人们只需要用自然语言去问问题，比如，“这个图标是什么意思？我们应该做什么？”模型本身不会发生变化，它会通过自然语言的方式给出一系列逻辑推理，最后得出结论。比如，它会说，“前面限速30公里/小时”“前面100米是学校区域”“有小孩”“应该小心驾驶”“将车速降到30公里/小时以下”等。
王晓刚还指出，智能驾驶汽车领域有“数据飞轮”的说法，通用人工智能时代则会产生“智慧飞轮”，人和模型之间可以互动，通过人的反馈，模型能更好地理解人需要它展示什么样的能力，而去解锁更多技能。从数据飞轮升级到智慧飞轮，可以实现人机共智。
商汤基于多模态大模型，可做到数据的感知闭环和决策闭环。从前端自动采集高质量的数据，到利用大模型进行自动化的数据标注和产品检测，“能够几百倍地提升模型迭代的效率并降低成本”。
华为云EI服务产品部总裁尤鹏也表示，“整个数据标注是整个自动驾驶领域准确率、效率、成本最高的一部分”，这部分的效率直接影响到自动驾驶算法和驾驶等级的提升。他透露，华为云正在做预训练标注大模型，支撑后续的自动驾驶算法的训练，可能会在几个月后会发布。
除了自动驾驶，很多行业人士相信，智能座舱也将在大模型的赋能下有着质的提升，尤其将为人机交互打开新的大门。
百度集团资深副总裁、智能驾驶事业群组总裁李震宇认为人工智能将重塑汽车空间，人与汽车的关系将会截然不同。“未来，我们相信每辆汽车都会搭载一个数字虚拟人。未来的数字虚拟人不仅可以模拟人的外形，还可以注入灵魂，真正拥有对人类意图的理解……同时也不再是单一以前场景的车机助理的身份，而会转化成全能助理。”
他相信，随着通用人工智能的发展，智能座舱将成为汽车创新的新焦点，将会重塑其空间，届时用户和车企之间的距离将缩短，用户和品牌之间的关系将更为紧密。“拥有自然语言交流能力的智能车可以让车企与用户直接进行一对一的对话。当汽车成为全能助理后，车企将面对用户需求爆发式的增长。”
王晓刚称，在智能座舱板块，通用人工智能可以使基模型具备对空间环境的理解、用户状态的感知、多模态指令解析及多轮逻辑对话、内容生成等一系列能力，进而赋能包括情绪感知、智能助手、基于情感的对话、创意内容生成、个性交互等一系列功能，不断地提升个性化体验，进一步拓展应用场景。
“智能汽车是通用人工智能实现闭环的一个非常好的场景，我们已经有人机共驾。”王晓刚表示，“未来我们希望车和模型之间能够产生更有效的互动，那就完成了从人到车到模型这样一个互动闭环，能够让通用人工智能为我们提供更好的驾乘体验，解锁无限的想象空间。”
只是，消费者距离这种有着“无限的想象空间”的汽车生活还有多远，没有人说得出答案。
希望在于将来
想象是美好的，不过，挑战也随之而来。
“过去我们一年要做大概1000万帧的自动驾驶图像的人工标定，请外包公司进行标定，大概6到8元钱一张，一年的成本接近一个亿。但是当我们使用软件2.0的大模型通过训练的方式进行自动化标定，效果会非常可怕——过去需要用一年做的事情基本上三个小时就能完成，效率是人的1000倍。”理想汽车创始人、董事长兼CEO李想OK表示，“对于员工来说，他们会感觉用拳头打架遇到了拿枪的。”
他认为，在这样的状况下，如何能够让软件2.0和现有人才进行融合，为他们提供怎样的全新工作流程、激励机制，如何去选用任用人才，给全行业提出了挑战。
更大的挑战可能还在于中外大模型技术的差距。
3月25日，在2023中国发展高层论坛上，360创始人、董事长兼CEO周鸿祎表示，目前来看，中国大语言模型和GPT-4的差距在两到三年时间，GPT的技术方向已经明确，不存在难以逾越的技术障碍，中国在场景化、工程化、产品化、商业化方面拥有巨大优势，应当坚持长期主义精神，迎头赶上。
4月9日，由中国人工智能学会主办的人工智能大模型技术高峰论坛上，融汇金信CTO李长亮认为，未来做通用大模型的和做场景的分层很清晰，没有中间态。做通用大模型需要大量的算力、数据、人员、资源等，只有有很强技术储备和资源调配能力的大公司才能做，中小创业公司在这条赛道上会很难；在垂直应用上，基于大模型的发展，结合场景的know-how做一些创新应用，则会有无数的企业诞生。
他还认为，中国在大模型这个产业赛道上是很有机会的，因为在中文场景下，我们更懂我们自己的语言，沉淀了大量的中文知识，会迅速追赶并超越。
我们也注意到，计算机科学家、自然语言模型专家吴军在4月3日晚得到的一场直播中则给当下的ChatGPT热泼了盆冷水。他直言ChatGPT在中国被过度炒作了，中国的大部分研究机构是做不了的。
在他看来，ChatGPT的原理很简单，但是在工程上要想做到，其实蛮困难，因为ChatGPT太耗资源，光硬件的成本就要差不多10亿美元，这还没算电钱。ChatGPT训练一次要耗多少电？吴军的说法是，大概是3000辆特斯拉的电动汽车，每辆跑到20万英里，把它跑死，这么大的耗电量，才够训练一次。这是非常花钱的一件事。
他的结论是，ChatGPT不算是一项新的技术革命，带不来什么新机会，最后可能的一个结果就是给几家大的做云计算的公司交钱。
由ChatGPT带起的大模型热，最终会在各行各业开花结果，还是盛名之下其实难副？不妨把这个问题交给时间。
本文由汽车商业评论原创出品
转载或内容合作请联系说明
违规转载必究
【本文来自易车号作者汽车商业评论，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
毫末发布自动驾驶生成式大模型DriveGPT 中文名"雪湖·海若"
易车讯 日前，我们从官方渠道获悉，在第八届HAOMO AI DAY上，毫末智行发布自动驾驶生成式大模型DriveGPT，中文名"雪湖·海若"。生态方面，毫末官宣取得3个主机厂定点合同，商业化迎来跃升一步；同时毫末推出的中国首个重感知、不依赖高精地图的城市NOH即将量产上车，最先落地北京、上海、保定等城市。
毫末打造的自动驾驶生成式大模型DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化，现阶段主要用于解决自动驾驶的认知决策问题，终极目标是实现端到端自动驾驶。
毫末DriveGPT雪湖·海若已开启对销败亏限量首批生态伙伴的开放合作，北京交通大学计算机与信息技术学院、高通、火山引擎、华为云、京东科技、四维图新、魏牌新能源、英特尔等高校与企业加入。
产品方面，毫末中国首款可大规模量产落地、重感知城市NOH，将首批落地北京、保定、上海等城市，并开启泛化测试，到2024年有序落地100城。首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，这也是毫末DriveGPT雪湖·海若的首发落地车型，全面确保毫末城市NOH的行业领先性。
生态层面，毫末乘用车6P开放合作取得重大突破，已与3家主机厂签署定点合同，相关项目正在交付中。这是毫末商业化的重要一跃，全面保障了毫末高速发展态势。
毫末智行董事长张凯判断：“2023年智驾产品进入全线爆发期，大模型开启在车端的落地应用，车主的使用频率和满意度成为产品竞争力的重要衡量标准。毫末不断进步的数据驱动的六大闭环能力将进一步加速毫末进入自动驾驶3.0时代的步伐并形成相应的护城河。”
张凯认为，智驾产品正在进入快速增长的全线爆发期，2023年是非常关键的一年。首先，城市导航辅助驾驶产品在2023年将围绕量产上车发力，主要玩家的城市导航辅助驾驶产品进入到真实用户覆盖和多城市落地的比拼。其次，行泊一体和末端物流自动配送产亏神业商业化将成为自动驾驶公司深耕的重点。在乘用车领域，搭载行泊一体功能的智驾产品将迎来前装量产潮；在末端物流自动配送领域，末端物流自动配送车在商超、快递等场景迎来爆发，2023年将在这些场景实现可持续商业化闭环。
首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，第二款搭载毫末HPilot3.0的车型魏牌蓝山也将在今年发布。毫末HPilot整体已搭载近20款车型。用户辅助驾驶行驶里程突破4000万公里，HPilot2.0辅助驾驶日均行驶里程使用率达到了12.6%。海外布局方面，搭载毫末HPilot的车辆已运往欧盟、以色列等地区和国家，陆续交付到用户手中，接下来将在中东、南非、澳大利亚等市场陆续投放；同时，毫末HPilot即将量产墨西哥版本及俄罗斯版本。
3月，高工智能汽车研究院在每个年度基于前装量产数据库及定点车型库数据进行综合评估，通过对毫末前装近20款车辆等数据研究，为毫末颁发年度高阶智能驾驶系统量产份额领军奖。第三方数据佐证毫末是中国量产自动驾驶绝对领军者。
其次是“MANA大模型巅峰之战”，中国首个自动驾驶数据智能体系MANA架构已迎来全线升级。到2023年4月，MANA学习时长超56万小时，相当于人类司机枯则6.8万年。毫末DriveGPT雪湖·海若，已经完成基于4000万公里驾驶数据的训练，参数规模达1200亿。
第三是“城市NOH百城大战”，中国首款可大规模量产落地、重感知城市NOH，已在北京、保定、上海等城市开启泛化测试，即将量产上车，到2024年有序落地100城。毫末会以“安全为先、用户为先、规模为先”的原则，加速赢得城市NOH百城大战。
最后是“末端物流自动配送商业之战”，毫末末端物流自动配送车小魔驼已在商超履约、智慧社区、校园配送、餐饮零售、机场巡逻、高校教育、快递接驳、智慧园区、大气环评等九大场景开启运营，加速商业化闭环能力。2023年3月，小魔驼2.0获北京亦庄无人配送车车辆编码，开启亦庄运营。毫末也成为《北京智能网联汽车政策先行区无人配送测试规范》升级后，准许在北京市高级别自动驾驶示范区公开道路进行无人配送车测试的首个公司。
“技术领先是生存根本，毫末鼓励所有技术研发同学投入到技术创新当中。”张凯在演讲中再次强调了毫末对于技术研发投入的坚定决心。截至目前，毫末已获得专利证书164件，国际顶级学术会议论文收录6篇，最新2篇更是分别入选计算机视觉识别领域三大顶会之一的CVPR和全球首个智能车专业期刊IEEE TIV。毫末已将所有论文在GitHub开源，与业内共享。
现场，张凯还向外界公布了毫末6P开放合作的重要进展，目前已与3家主机厂签署定点合同，相关项目正在交付中。“毫末始终认为，自动驾驶是一个共同进退、共享成果的前沿产业。只有健康的生态伙伴才能支持毫末高速发展。”张凯表示。
此外，毫末一直坚持场景化用户体验设计、人工智能技术、技术工程化能力均衡发展，不断以数据驱动闭环的方式完善用户体验。张凯介绍，三个月时间，毫末在数据驱动六大闭环体系上实现多重进展。
用户需求闭环方面，毫末对驾驶场景数据持续分析完善策略，并进行新功能体验反馈；研发效能闭环方面，毫末将数据驱动理念深入到产品需求定义、感知与认知算法开发等产品开发流程，整体开发效率提升30%；数据积累闭环方面，毫末在车端部署诊断服务数据场景标签覆盖92%的驾驶场景。
数据价值闭环方面，毫末大模型正在持续挖掘数据价值解决关键问题；产品自完善闭环方面，毫末实现售后问题处理速度较传统方式的十倍效率提升，实现最快10分钟定位售后问题。两年时间有效挖掘产品提升点，问题闭环率达76%；业务工程化闭环方面，毫末进一步完善了从采集回流、标注训练、系统标定、仿真验证等环节到最终OTA释放环节的产品研发全流程工程化闭环。
毫末DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化。它的最终目标是实现端到端自动驾驶，现阶段主要用于解决自动驾驶的认知决策问题，后续持续会将毫末多个大模型的能力整合到DriveGPT。目前，毫末DriveGPT雪湖·海若实现了模型架构与参数规模的升级，参数规模达到1200亿，预训练阶段引入4000万公里量产车驾驶数据，RLHF阶段引入 5万段人工精选的困难场景接管Clips。
DriveGPT雪湖·海若的底层模型采用GPT（Generative Pre-trained Transformer）生成式预训练大模型，与ChatGPT使用自然语言进行输入与输出不同，DriveGPT输入是感知融合后的文本序列，输出是自动驾驶场景文本序列，即将自动驾驶场景Token化，形成“Drive Language”，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。
DriveGPT雪湖·海若的实现过程是，首先在预训练阶段通过引入量产驾驶数据，训练初始模型，再通过引入驾驶接管Clips数据完成反馈模型（Reward Model）的训练，然后再通过强化学习的方式，使用反馈模型去不断优化迭代初始模型，形成对自动驾驶认知决策模型的持续优化。同时，DriveGPT雪湖·海若还会根据输入端的提示语以及毫末CSS自动驾驶场景库的决策样本去训练模型，让模型学习推理关系，从而将完整驾驶策略拆分为自动驾驶场景的动态识别过程，完成可理解、可解释的推理逻辑链生成。
现场，毫末宣布DriveGPT雪湖·海若首发车型是新摩卡DHT-PHEV，即将量产上市。顾维灏提到，DriveGPT雪湖·海若可以逐步应用到城市NOH、捷径推荐、智能陪练以及脱困场景中。有了DriveGPT雪湖·海若的加持，车辆行驶会更安全；动作更人性、更丝滑，并有合理的逻辑告诉驾驶者，车辆为何选择这样的决策动作。对于普通用户来说，车辆越来越像老司机，用户对智能产品的信任感会更强，理解到车辆的行为都是可预期、可理解的。
毫末DriveGPT雪湖·海若将携手生态伙伴率先探索四大应用能力，包括智能驾驶、驾驶场景识别、驾驶行为验证、困难场景脱困。当前，毫末在使用数据过程中，逐步建立起一套基于4D Clips驾驶场景识别方案，具备极高性价比。在行业上，给出正确的标注结果，一张图片需要约5元；如果使用DriveGPT雪湖·海若的场景识别服务，一张图片的价格将下降到0.5元。单帧图片整体标注成本仅相当于行业的1/10。接下来，毫末会将图像帧及4D Clips场景识别服务逐步向行业开放使用，这将大幅降低行业使用数据的成本，提高数据质量，从而加速自动驾驶技术的快速发展。
顾维灏介绍，毫末在2023年1月发布的中国自动驾驶行业最大的智算中心MANA OASIS（雪湖· 绿洲）此次从算力优化等层面升级了三大能力，进一步支持DriveGPT雪湖·海若的算力。首先，毫末与火山引擎全新搭建了“全套大模型训练保障框架”，实现了异常任务分钟级捕获和恢复能力，可以保证千卡任务连续训练数个月没有任何非正常中断,有效保证了大模型训练稳定性；其次，毫末研发出以真实数据回传为核心的增量学习技术，并将其推广到了大模型训练，构建了一个大模型持续学习系统，自主研发任务级弹性伸缩调度器，分钟级调度资源，集群计算资源利用率达到95%；最后，MANA OASIS通过提升数据吞吐量来降本增效，满足Transformer大模型训练效率，通过引入火山引擎提供的Lego算子库实现算子融合，端到端吞吐提升84%。
毫末打造的中国首个自动驾驶数据智能体系MANA，在经过一年多的应用迭代后，本次AI DAY也迎来了全面的升级，正式开放赋能。顾维灏介绍，MANA计算基础服务针对大模型训练在参数规模、稳定性和效率方面做了专项优化，并集成到OASIS中；其次，MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若中；第三，增加了使用NeRF技术的数据合成服务，降低Corner Case数据的获取成本；同时针对多种芯片和多种车型的快速交付难题优化了异构部署工具和车型适配工具。
此外，MANA的视觉感知能力持续提升，一方面可同时学习三维空间结构和图片纹理，并将纯视觉测距精度超过了超声波雷达，BEV方案也拥有了更强的通用性和适配性；另一方面可实现单趟和多趟纯视觉NeRF三维重建，道路场景更逼真，肉眼几乎看不出差异。通过NeRF进行场景重建后，可以编辑合成真实环境难以收集到的Corner Case。在原有的全局视角修改、添加光照/天气效果的基础上，新增合成虚拟动态物体的能力，可以在原有设定的运动轨迹上，合成各种Hard Case，模拟城市复杂交通环境，用更低成本测试提升城市NOH能力边界，更好提升应对城市复杂交通环境。
值得一提的是，面对目前行业里最难的视觉任务之一——单目视觉测量，继特斯拉后，毫末也在中国率先开始验证能否使用鱼眼相机代替超声波雷达进行测距，以满足泊车要求。毫末把视觉BEV感知框架引入到了车端鱼眼相机，做到了在15米范围内达到30cm的测量精度，2米内精度高于10cm的视觉精度效果。泊车场景使用纯视觉测距来取代超声波雷达，将进一步降低整体智驾成本。
易车超级评测体系重磅上线！专业、硬核、全面的汽车评测内容云集，易车年度车型榜单新鲜出炉！上易车App搜索“超级评测”，等你来看！
智能语音产业观察：微软小冰建半开放生态 AI创造与商业化已至？
有别于过去五次，7月26日举办的微软小冰第六代发布会，首次走出了微软亚太研究总部的一层报告厅，搬到了798区域大型会场。“发布会规模也从过去的几十家媒体，扩张到数百家、覆盖全国范围的规模。”一位接近微软方面的人士告诉21世纪经济报道记者。
这是一种信号。在过去，微软从未给过小冰任何商业方面的压力，甚至直到近日接受包括21世纪经济报道等媒体采访时，微软小冰负责人李笛依然强调，小冰并没有盈利指标。
但就像发布会本身一样，小冰也在不自觉地走出实验室和研究机构，逐渐洞码尝试商业化。这是小冰发布会首次搬家的底气所在。而经历了过去五代，从小冰萌芽到成长，从拥有二维框架图到二维图像，再到如今三维立体全息影像的展现，小冰正在愈发接近一个人类。
其背后的技术在持续迭代，生态也开始成型。据微软方面介绍，此次发布会是小冰情感技术框架所有部分的全面升级，从首次完成落地时的情商+智商设定，到对话式人工智能、生成模型、全双工语音，如今的小冰开始迈入AI创造的阶段。生态方面，微软此次首次提出构建Dual AI半开放式生态系统，差异化融合合作伙伴优势，打造小冰的专属技能与能力。
“人工智能的最终目标是‘人机协同’，以数字智能帮助人类，但这个方向拥有不同的路线。”微软全球执行副总裁、微软人工智能及微软研究事业部负责人沈向洋表示，“小冰团队走出了不一样的道路。”纳困哪
AI创造
自去年开始，微软小冰便在创作上拥有诸多尝试，甚至出了一本自己的诗集。如今，小冰将要走得更远。
在发布会现场，沈向洋宣布微软思考了AI创造的三原则：其主体首先必须是兼具IQ与EQ的综合体，而不仅仅是具有IQ；其次，人工智能创造的产物，须能成为具有独立知识产权的作品；第三，人工智能创造的过程，须对应人类某种具有创造力的行为，而不是对人类劳动的简单替代。
小冰的目标，就是成为一个高情商的机器人。“我们计划将AI创造当成一个新兴产业来操作。”在发布会现场，微软人工智能创造事业部总经理徐元春表示，“如果将AI创造当做内容产业、而非简单的文艺创作的话，仅有‘概念车’是不够的，从去年开始我们并行了‘量产车’的工作。”
据介绍，在过去12个月内，小冰主持了21档电视节目、28档广播节目，覆盖中国包括9大卫视在内的41家电视台和广播电台，如今，小冰每天主持的广播节目已经达到25档。在日本和中国，小冰累计生产了2878个小时的视听内容。
同时，小冰的有声读物已经覆盖中国超过90%的早教机器人和80%的线上播放平台。此外，与网易新闻客户端合作的读新闻小冰，已于两个月前突破1000万次新闻阅读评论。在金融等相关领域，小冰同样在进行着持续的内容创造。
这背后的技术支撑，来自于小冰的情感技术框架，而第六代小冰的核心对话引擎与交互感官也得到了进一步升级。微软在第六代小冰身上上线全新的共感模型，并公测一种融合了文本、全双工语音与实时视觉的新感官。
其中，共感模型是一种基于生成模型的对话引擎。据介绍，去年小冰完成的生成模型能够自创回应，而非在已有对话语料库中检索而得，如今的共感模型则进一步提升小冰对于对话内容、领域和节奏的控制力，即小冰可以自创回应来牵引对话的方向。
这一融合了共感模型的对话引擎、全双工语音和实时视觉三个类别的全新感官在测试设备中的公测，令小冰能够通过视觉、语音的实时连续交互，指挥用户完成面容检测，并在该过程中进行开放域对话。
此外，微软还发布了第四版AI歌曲DNN模型。据小冰首席语音科学家栾剑介绍，该版本模型能够快速合成与人类歌手质量相当的歌曲，还能够使小冰自由吸收人类歌手演唱技巧和特尺氏质，在模仿之余甚至代替人类完成新作品创作。
不过，尽管微软提出AI创造的原则并进行技术更新，但小冰的所为将只是真正AI创造的起步。“根据2017年Gartner技术成熟度曲线显示，虚拟助手仍需5-10年才能成为主流。”在评论AI创造能力时，Gartner研究副总裁蔡惠芬向21世纪经济报道记者表示，“该应用主要针对智能家居设备中的个人助理或语音控制等狭窄领域，但仍需要包括为不同领域构建知识图谱、自然语言理解与生成等技术的提升。它依然是新兴领域。”
Dual AI生态
除了技术能力升级之外，第六代小冰的最大特点，莫过于开始构建属于自己的生态——Dual AI。
“在微软之前，行业内已经出现多种不同的合作生态与模式，其中最重要的模式有两类，一类是开放赋能模式，通过对外提供SDK/API的形式构建生态系统。”小冰产品负责人彭爽分析道，“另一类是专注于自有的、封闭的平台，通过在平台上开放AI的应用商店形式构建生态环境。”
Dual AI则有所不同，更类似于半开放式生态。“在这样的生态环境上，一方面，微软会直接负责产品体验，把控最具体的、直接与用户接触的产品细节，另一方面，我们并不封闭在自有平台上，而是对外接触甚至直接融入到第三方平台上。”彭爽表示。
之所以如此选择，源于其他两类生态存在各自的问题。其中，封闭模式极大限制了数据之间的自由流通，与AI本质相悖。由于无法获得迭代所需的基础数据量，便难以快速迭代和发挥升级优势。
开放赋能模式中，无论赋能或被赋能一方，则均是相对松散的关系，“也就是说没有人真正对最终的产品体验负责”。例如当前大热的智能音箱之所以实际体验普遍低于预期，正是由于松散合作关系带来的问题。
与此同时，由于开放赋能生态中的API/SKD强调通用性，也就在一定程度上限制了最新最优技术应用的及时性，通过这类接口或工具包获取的数据也未必是最优质的。
而在合作过程中，小冰也在探索属于自己的盈利模式。目前，小冰已上线了包括金融、大众文化、传媒和出版四大商业化领域。“我们探讨过各种各样的AI盈利模式，最终发现为两大类，一类是利用AI技术用更低成本去替代人类低并发、AI高并发的工作，如内容生产，”李笛告诉21世纪经济报道记者，“其次便是AI与人类的协同，通过提升协同转化率实现分成。”
关于微软把大模型商业化到哪里去了？和微软模型2020的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
