近期，智驾行业出现了一个融合了视觉、语言和动作的多模态大模型范式——VLA（Vision-Language-Action Model，即视觉-语言-动作模型），拥有更高的场景推理能力与泛化能力。不少智驾人士都将VLA视为当下“端到端”方案的2.0版本。
西安电子科大、上海AI Lab等提出多模态融合检测算法E2E-MFD，将图像融合和目标检测整合到一个单阶段、端到端框架中，简化训练的同时，提升目标解析性能。 相关论文已入选顶会NeurlPS 2024 Oral，代码、模型均已开源。
机器人控制和自动驾驶的离线数据损坏问题有解了！ 中科大王杰教授团队 (MIRA Lab) 提出了一种变分贝叶斯推断方法，有效地提升了智能决策模型的鲁棒性。
多模态AI是一种将不同形式的数据(如文本、图像、音频等)融合在一起的技术，旨在让模型从多个维度感知和理解信息。这种融合使得AI系统能够从每种模态中获取独特的但互补的信息，从而构建出更全面的世界观。例如，在一个自动驾驶场景中，图像数据可以帮助系统识别道路上的行人，而雷达数据则能够感知车距，两者结合能够显著提升决策准确性。
一个创立了自动驾驶公司，一个创立了股票交易平台，这两家公司的创始人凑在一起又会干出什么事儿来呢？ 答案是数学超级智能（MSI）。
全自动驾驶系统的纯视觉方案如特斯拉 “Tesla Vision”，仅依赖于摄像头收集的图像数据，旨在实现高效且成本效益高的自动驾驶技术。
中国AI公司更多以市场需求为导向，聚焦于实际应用，例如自动驾驶、机器人等具体领域。在融资、技术创新、原创算法等方面与全球领先企业仍存在一定差距。
人形机器人的此时此刻，恰如2019年自动驾驶爆发前夕。 在1927年上映的《大都会》中，全世界第一部包含人形机器人的角色Maria诞生。
自动驾驶领域又有了新的玩家。不过这个玩家并不陌生，就是“天才少年”侯晓迪。
