众所周知，传统的汽车控制系统普遍存在功能模块分割明显、跨域协作困难的问题。驾驶系统关注的是车辆操控安全，座舱系统则注重用户服 务体验，两者在系统架构和技术路径上一直存在较大差异，造成了用户体验不连贯甚至割裂的现象。比如：用户在驾驶过程中感到头晕，需要 打开车窗，同时想要靠边停车，这种看似简单的多任务协作，在以往独立设计的架构中往往难以实现平滑切换。 随着AI技术的广泛应用，特别是大语言模型（LLM）的引入，这种局面正在逐步改善。通过构建以中央智能大脑为核心的整车架构，能够有效 协调驾驶与座舱域，实现更好的跨域协作和数据共享。AI汽车时代的关键在于打通不同功能域之间的壁垒，打造真正意义上的智能座舱与智能 驾驶无缝融合。 近年来，随着汽车智能化和网联化技术的迅猛发展，"舱驾一体化"成为汽车行业热议的话题。这一趋势本质上是驾驶域与座舱功能域的深 度融合，其背后体现的是汽车产业从以驾驶员为核心的传统模式向以用户体验为中心的智能模式转型。如何实现驾驶与座舱之间的无缝协同， 已然成为车企亟需思考并解决的关键问题。 归根结底，"舱驾一体化"不是车企的一次炫技，而要为用户创造真正价值。只有打通驾驶与座舱之间的壁垒，实现从功能 ...

21世纪经济报道记者 林典驰 深圳报道 今年以来，人形机器人的产业化进展飞速。 从春晚上"福兮"的精彩表演，到首届人形机器人半程马拉松中"天工"的首次冲线，一时间"街头巷尾"都 在讨论人形机器人。 要支撑人形机器人与环境感知交互，就离不开具身智能技术的持续突破。尤其是大语言模型 （LLM）、视觉语言模型（VLM）以及视觉语言动作端到端模型（VLA）等关键技术的迭代创新，显 著提升了机器人在交互感知和泛化能力方面的表现。 然而，具身智能前行之路并非坦途，在数据采集、机器人形态应用以及大小脑融合等方面仍面临诸多挑 战。 因此，厂商们正在从不同的领域切入，解决以上痛点。比如，英特尔和东土科技（300353）等提出大小 脑融合解决方案，采用单一芯片架构替代双系统模式，降低整体成本及软件开发、测试、优化与部署成 本。 破解数据匮乏桎梏 1950年，艾伦·图灵首次提出"具身智能"时，并未引起轰动，直到在近两年才成为科技圈的热词。 图灵给出的基本假设是，具身智能是通过与环境交互获得知识并泛化应用能力。英伟达创始人兼CEO黄 仁勋则进一步诠释，具身智能是能够理解、推理并与物理世界互动的智能系统，预计其将成为人工智能 的下一波 ...

（You don't need to be a data scientist or a machine learning engineer – everyone can write a prompt.） 作者 | 王启隆 出品 | CSDN（ID：CSDNnews） 最近，Google 官方发布了一份长达 69 页的 【Prompt Engineering 白皮书】 ，可以说是目前最系统、最权威的"AI 沟通指南"了。我们也是第一时 间翻译好了这本书，准备 【免费】 送给大家！ 怎么拿？很简单， 看完这篇文章，参与文末的小活动就行！ 现在咱们聊聊，为啥这份白皮书突然就刷屏了？为啥说它是"必学秘籍"？ 你不必是数据科学家或机器学习工程师——人人都可以编写提示词。 你苦口婆心解释半天，它抓着一个无关紧要的词就开始自由发挥…… 你想要个 A，它自信满满地给你个 B，还附赠一套又臭又长、看似完美的错误逻辑…… 同一个问题，昨天它懂你，今天它就装傻，效果全看"缘分"…… Google 这份白皮书，不是某个博主的心得体会，不是零散的技巧合集，而是 Google 官方基于对大语言模型（LLM）的深刻理解，系统性梳理出来的 ...

吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院 助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一 起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 传统机器学习的本质是记住大量标注过正确答案的数据对。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗的照片，并且给每一张都做好标注，让模型背下来。 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图 像识别等分类问题。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答 案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回 球，每一个动作都是非标的，而且不同的选择会直接影响最终的结果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答 ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教 授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一起把 RL 这个话题 给大家聊透。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗 的照片，并且给每一张都做好标注，让模型背下来。 首先吴翼能不能简单解释一下，到底什么是 RL？ 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图像识别等 分类问题。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 所以我觉得人生有一个很好玩的地方是，你需要花很多时间先探索自己的奖励函数是什么，很多人可能努 力了很长时间，最后却发现找错了奖励函数。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏， ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学 习的人之一，我们今天就争取一起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 因此，RL 其实更通用一些，它的逻辑和我们在真实生活中解决问题的逻辑非常接近。比如我要去美国出差，只要最后能顺利往返，中间怎么去机场、选什么航 司、具体坐哪个航班都是开放的。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回球，每一个动作都是非标的，而且不同的选择会直接影响最终的结 果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答案。 所以 RL 是一套用于解决多步决策问题的算法框架。它要解决的问题没有标准答案，每一步的具体决策也不受约束，但当完成所有决策后，会有一个反馈机制来评 判它最终做得好还是不好。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 ...

如果您希望可以时常见面，欢迎标星收藏哦~ 来源：内容 编译自 semiengineering ，谢谢。 2025 年初，我认为 AI 被过度炒作，ASIC 仍是小众产品，市场回调不可避免。我的长期观点发生 了巨大变化。AI 技术和应用正在以惊人的速度加速发展。GenAI/LLM 领导者之一 Nvidia 将在 2030 年成为首家市值达到 10 万亿美元的公司。 大型语言模型 (LLM) 在功能和成本效率方面都在迅速提高。目前每周有超过 5 亿用户，其中 ChatGPT 领先，而且这个数字还在快速增长。这种指数级增长推动了数据中心使用量和资本支出 的大幅增加，主要由领先的 CSP 推动——亚马逊、微软、谷歌、Meta 和现在的 OpenAI。其中四 家是市值达万亿美元的公司。他们将挑选半导体赢家。 类别细分和主要参与者： 1 GPU/AI 加速器 赢家： Nvidia 在 GTC 2025 上，Nvidia 首席执行官黄仁勋预测，到 2028 年全球数据中心资本支出将达到 1 万 亿美元。按照这个速度，到 2030 年数据中心资本支出可能达到约 1.4 万亿美元。我在这次分析中 寻找的是大局——5 年后的数字 ...

责编 | 王启隆 出品丨AI 科技大本营（ID：rgznai100） 黄教主的演讲 感觉才没过几天，今年的 GTC 英伟达大会也即将迎来尾声了。 而今年比尔·达利则是对话"AI 教父" 杨立昆 （Yann LeCun），很有前后呼应的感觉。 但 GTC 并不只有黄仁勋和杨立昆，还有许多精彩的演讲与对话，比方说： ………… 接下来的一段时间， CSDN AI 科技大本营 将会在「 GTC 2025 大师谈 」栏目持续更新这些精华内容的全文整理，尽情期待。 比尔·达利 自己就在采访杨立昆之后进行了一场 演讲 ，系统性地讲解了英伟达 2024 一整年的四大项目进展，内容干货很多； OpenAI o1 作者 诺姆·布朗 （Noam Brown）和英伟达的 AI 科学家来了一场 对话 ，他认为现在 AI 圈最需要来一场革命的，就是这些五花八 门的 基准测试 （Benchmark），而且改这个东西还不需要花太多算力资源； 2018 年诺贝尔化学奖得主 弗朗西斯·阿诺德 （Frances Arnold）围绕 AI for Sciense 还有蛋白质工程进行了一场相当硬核的 圆桌对话 ； UC 伯克利教授 彼得·阿比尔 （P ...

对于 GenAI 的解决方案而言，诸如带宽和容量之类的优势固然重要，但功耗、占用面积和价格等成 本因素也需要加以考量。由于存储器是一种依赖于中央处理器（CPU）的被动组件，其配置会根据 处理器而做出改变。在这方面， ARM 近期的战略调整以及基于 MoE 的大语言模型（LLM）可能出 现的变化，都可能会导致未来架构和解决方案发生改变。 Haylee Xu / 市场专员 电话: +86 15959754429 邮箱:haylee.xu@counterpointresearch.com 数据来源：Source: Counterpoint Research 点击阅读原文下载完整版 PDF 报告 Rick Cui / 客户服务总监 电话: +86 13801127537 邮箱:rick@counterpointresearch.com 媒体采访 业务咨询 ...

以数据聚焦重点，重点永不失焦！欢迎阅读 "彭博数据洞察" 月报，基于超过8000个彭博企业 数据集，为您提供有关市场热点问题、最新趋势的深度分析与洞见。您可点击文末 "阅读原文" 链接，联系我们预约有关数据服务的演示。 扫描二维码 立即订阅 彭博数据洞察月报 本期聚焦： AI驱动的新闻摘要功能 助力提炼洞见与信号 利用AI从新闻标题中提炼信号 实时新闻资讯作为市场动向的重要推手，已成为量化投资者构建投资策略的关键情报来源。 彭博旗舰产品"新闻标题与正文"为此提供全面支持，覆盖全球上万个主题领域，遍及所有地 区及主流企业，并配有丰富的标签体系，可标注话题、证券代码及人物信息。 拥有完备的标签系统后，结构化的新闻资讯仍需进一步解读，以消除信息冗余。以一个案例 说明：2 0 2 4年7月3日，美国Ke y st o n e输油管道突发关停事件，首条新闻发布数分钟后原油 价格即大幅上涨（见图1）。要精准追踪此类事件，需锁定具有相同主题代码的关联新闻。 图1：原油期货（CLJ4）在Keystone输油管道关停后的走势 数据来源：彭博 基于彭博新闻数据，用户可运用大语言模型（LLM）对相关标题进行自然语言处理（NLP） ...