至顶网服务器频道 09月22日 新闻消息:
根据本周三发布的一篇报道,特斯拉公司已经与AMD方面确定建立合作关系,旨在设计出专门用于自动驾驶车辆人工智能处理任务的定制化芯片。
根据相关报道,目前AMD负责开发的定制化特斯拉AI芯片已经被交付至这家汽车制造商手中。后者正在对这一“处理器首批实现样品”进行测试。而作为AMD公司前下辖部门、位于加利福尼亚州圣克拉拉市的半导体代工企业GlobalFoundries公司首席执行官Sanjay Jha似乎也证实了上述说法。根据报道,该公司也已经开始与特斯拉方面合作。之所以值得一提,是因为GlobalFoundries与AMD公司签订有截止至2020年的独家芯片供应协议。
特斯拉公司此前一直仰赖英伟达为其开发及制造芯片。英伟达公司是一家以图形芯片与显卡而闻名的全球企业巨头,且近年来逐步向人工智能与自动驾驶车辆领域进军。在理论层面讲,特斯拉开发自有AI芯片的举措将降低其对英伟达的依赖度。
AMD与特斯拉双方都没有就这一报道发布公开评论。
如果这款定制化AI芯片能够切实发挥作用,那么将帮助特斯拉公司逐步实现完全自主型自动驾驶车辆的长期发展目标。该公司目前仅能够提供“Autopilot”功能,尽管其中并未提及完全自动驾驶选项,但特斯拉表示其能够实现“驾驶员辅助”效果。实际上,特斯拉车主能够在高速公路上体验这项自动驾驶功能——不过在其它更具挑战性的道路环境之下,该方案仍需要人为干预。
特斯拉公司的自动驾驶车辆也不会仅限于汽车之内。目前该公司正着眼于打造自动驾驶半卡车。特斯拉公司首席执行官Elon Musk在今年4月表示,该公司计划在本月之内推出自动驾驶卡车。但在接下来的20天当中,并未出现任何相关官方公告。尽管如此,特斯拉方面确实于上个月开始申请相关测试许可,因此正式公告也许将很快与广大关注者见面。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。