“在 AI 技术生态上，生成式大模型已成为自动驾驶系统进化的关键，基于 Transformer 大模型训练的感知、认知算法，将逐步在车端进行落地部署。”
在最新的毫末 AI DAY 上，毫末智行董事长张凯给出了这一判断，并基于这一判断发布业内首个自动驾驶生成式大模型 DriveGPT，中文名“雪湖·海若”。
自去年年末以来， GPT 的热度一直高涨不下，尤其是 ChatGPT 的大火更是引发全行业关注。此前，GPT 多应用于文本生成、代码生成或是搜索领域，但由于缺乏数据支撑，GPT 在自动驾驶行业这一垂类的应用并不高。
截至业内也仅有毫末一家率先将 GPT 应用到自动驾驶领域，即 DriveGPT 雪湖·海若。 DriveGPT 能为智能驾驶做什么？
GPT 的全称是生成式预训练 Transformer 模型，本质上是在求解下一个词出现的概率。即根据输入的前序文本，模型会输出可能出现的下一个字的几率分布，再从中取样出几率较高的字。如此循环往复，直到完整地写完下文。
据官方介绍，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”。 Drive Language 基于毫末的 CSS 场景库理论，将驾驶空间进行离散化处理，每一个 Token 都表征场景的一小部分，相当于许多个可能在未来出现的平行宇宙，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。截至毫末从真实驾驶场景库中提取的token序列，规模达到 50 万个。
有了 Drive Language，毫末就可以用人类驾驶的数据对模型进行预训练。 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。
DriveGPT 雪湖·海若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。
毫末智行 CEO 顾维灏表示，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。据毫末方面的说法，在 RLHF 的加持下，Hard Case 通过率提升了 48%。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 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。
毫末方面表示，DriveGPT雪湖·海若现阶段主要用于解决自动驾驶的认知决策问题。“在感知到了周围的世界之后，怎么样把车开得更安全，把车开得更顺滑，怎么样跟周围的交通参与者互相博弈。”顾维灏说道。
毫末判断，DriveGPT雪湖·海若还将在城市 NOH、智能陪练、驾驶捷径推荐、脱困场景中得到应用，最终目标是要实现端到端自动驾驶
毫末在 AI DAY 上宣布，DriveGPT雪湖·海若将在即将量产上市的新摩卡DHT-PHEV首发。
毫末基于GPT技术的探索，毫末衍生出服务于业界的能力和新的商业模式，即向业界开放DriveGPT的能力，4月11日开放单帧自动标注服务，可降低标注成本，之后还将陆续开放驾驶行为验证、困难场景脱困等功能。 DriveGPT 背后的支持
DriveGPT 雪湖·海若的训练和落地，离不开算力的支持。
今年 1 月，毫末和火山引擎共同发布了其自建智算中心“毫末雪湖·绿洲 MANA OASIS”。毫末表示，OASIS 的算力高达 67 亿亿次/秒，存储带宽 2T /秒，通信带宽达到 800G /秒。
只有算力还不够，还需要训练和推理框架的支持，由此毫末进行了三方面升级——
一是训练稳定性优化。毫末在大模型训练框架的基础上，与火山引擎共同建立了全套训练保障框架，可以通过集群调度器实时获取服务器异常，将异常节点从训练 Task group 中删除，再结合CheckPoint 功能，利用 VePFS 高性能存储和 RDMA 网络高效分发，以保障 DriveGPT雪湖·海若大模型训练的稳定性。 二是弹性调度资源的升级。毫末构建了一个大模型持续学习系统，数据以动态数据流的形式结合增量学习，持续不断地将量产回传和筛选的存量数据，传入认知和感知 Pretrain 大模型。
三是吞吐效率的升级。在 Transformer 的大矩阵计算上，毫末通过对内外循环的数据拆分，尽量保持数据在 SRAM 中提升计算的效率；在传统的训练框架中，通过引入火山引擎提供的 Logo核心算子库实现融合，端到端吞吐提升 84%。
毫末表示，自动驾驶数据智能体系MANA架构已迎来全线升级。截至2023年4月， MANA 学习时长超 56 万小时，相当于人类司机 6.8 万年。
在 MANA 发布迭代一年后，在本次 AI DAY 也迎来升级，具体包括：MANA 感知和认知相关大模型能力统一整合到 DriveGPT 雪湖·海若中；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；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；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。
在视觉感知能力上，毫末对视觉自监督大模型做了一次架构升级，将预测环境的三维结构，速度场和纹理分布融合到一个训练目标里面，强迫模型练好内功，使其能从容应对各种具体任务。目前毫末视觉自监督大模型的数据集超过 400 万 Clips，感知性能提升 20%。顾维灏举例称，在泊车场景下，毫末将鱼眼相机也引入到视觉 BEV 的感知框架当中，鱼眼图像通过 2D backbone 提取出视觉特征，经过空间转换映射至 BEV 空间，并在该空间下对于障碍物的轮廓边界进行识别和测量，目前可做到在 15 米范围内达测量精度 30cm，2 米内精度高于 10cm。
除了用自监督大模型练内功，毫末还公开了在纯视觉三维重建方面的一些进展。
毫末对 NeRF 做了升级，将视觉感知结果转化为可用于 BEV 模型训练的带 3D 标注的真值数据，目前可以做到重建误差小于 10cm。
单趟重建有时会受到遮挡的影响，不能完整地还原三维空间，因此毫末尝试了多趟重建的方式——即将同一地点不同车辆在不同时间经过的数据合并做多趟重建，由此提升场景还原度，重建效率可提升 5 倍。
重建之后，MANA 可以编辑场景合成难以收集的 Corner Case。毫末表示，近期训练了一个可以在静态场景做虚拟动态物体编辑的模型，可以控制虚拟物体在场景中按照设定的轨迹运动，由此合成各种 hardcase，例如近距离回车，行人、电动车交互行为等。
2023年将是智驾产品大考之年
“2023 年智驾产品进入全线爆发期。”毫末智行董事长张凯在活动上表示。
张凯判断，城市导航辅助驾驶产将在 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。
行泊一体和末端物流自动配送产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。在 AI DAY 上，毫末表示其城市 NOH 已在北京、保定、上海等城市开启泛化测试，即将量产上车。张凯表示，到2025 年，毫末城市 NOH 将有序落地 100 城。
一年之内，从三座城市扩张至百城，毫末给出的目标可以说十分激进。
截至毫末三代乘用车产品搭载车型近 20 款，毫末辅助驾驶用户行驶里程突破4000万公里，HPilot2.0 日均里程使用率 12.6%。
毫末智行透露，目前已与 3 家主机厂（包括长城）签署定点合同，相关项目正在交付中。 结合毫末往届 AI DAY 的动态来看，从发布中国首个数据智能体系 MANA，到建设智算中心雪湖·绿洲，再在其基础上训练出参数规模达 1200 亿作为 DriveGPT 雪湖·海若模型，毫末的闭环思维始终贯彻其技术始末，并逐渐形成数据驱动的闭环。
正如毫末所言，2023 年将是智能驾驶冲刺之年、大考之年。这对毫末来说，这也是长久技术布局走向落地应用的关键时期；毕竟，毫末要在 2025 年实现城市 NOH 落地 100 城，这并不是一个简单的事情。
【本文来自易车号作者钛AUTO，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】
扫码关注公众号
扫码体验小程序版
暂无数据
申请并获得组织代码。
1、登录组织代码申请网站，填写相关申请信息，提交审核。
2、审核通过后，获取到组织代码。
3、根据组织代码，在GPT-4组织编号表格中填写编号，并注明对应组织代码。
4、提交表格审核通过后，即可完成GPT-4组织编号的填写。
ChatGPT-4是一种人工智能语言模型，可用于生成文本对话。下面是一些使用ChatGPT-4的详细步骤：
1. 准备环境：在使用ChatGPT-4之前，你需要确保有一台能够运行该模型的计算设备，例如个人电脑或服务器。你还需要安装Python以及相应的开发库和依赖项。
2. 获取ChatGPT-4：你需要从OpenAI官方网站获取ChatGPT-4的训练模型，这可能需要购买或订阅OpenAI的服务。
3. 安装OpenAI的Python库：OpenAI提供了一个名为\"openai\"的Python库，用于与ChatGPT-4进行交互。你可以使用pip等工具来安装该库。
4. 创建API密钥：在OpenAI网站上，你需要创建一个API密钥，以便在代码中进行身份验证和授权。
5. 编写代码：使用Python编写代码，导入\"openai\"库并设置相应的API密钥。你可以调用ChatGPT-4的相关方法来生成对话。
6. 启动ChatGPT-4：在代码中，需要调用ChatGPT-4的适当方法来启动对话。你可以通过向模型提供一些提示或问题，来请求生成相应的回答。
7. 处理回答：从ChatGPT-4中获得回答后，你可以对其进行处理和解析，以便根据需要进行后续操作。
在使用ChatGPT-4时，你需要遵循OpenAI的使用政策和准则，以确保合法合规。ChatGPT-4仍然是一个模型，可能存在一些限制和局限性。在使用ChatGPT-4生成的回答时，需要对结果进行审查和验证，以确保其准确性和合理性。
ChatGPT-4是OpenAI推出的一种强大的语言模型，可用于自然语言处理任务和对话生成。要在中国使用ChatGPT-4，可以按照以下步骤进行：
1. 登录OpenAI官方网站并注册账号：您需要在OpenAI官方网站上注册一个账号，以获取访问ChatGPT-4的权限。
2. 申请访问权限：访问ChatGPT-4需要申请访问权限，您可以在OpenAI官方网站上提交申请，等待审核。OpenAI通常会在一定时间内批准或拒绝您的申请。
3. 获取API密钥：一旦您的申请获批，您将收到一个API密钥，用于访问ChatGPT-4 API服务。API密钥对访问ChatGPT-4非常重要，因此请妥善保管。
4. 调用ChatGPT-4 API：使用您获得的API密钥，您可以通过调用ChatGPT-4 API来与模型交互。您可以使用各种编程语言（例如Python）来编写代码，通过HTTP请求向API发送输入并获取模型生成的输出。
5. 设置输入和输出：在调用API时，您需要将输入文本传递给模型，并接收生成的响应。您可以将对话或问题作为输入，并等待模型生成回复。通过使用适当的编程技巧，您可以处理和解析API的输入输出以获得所需的对话体验。
OpenAI提供的ChatGPT-4是一个通用性模型，可能会在某些情况下生成不准确或不合适的回复。为了确保生成内容的准确性和质量，您可以设计适当的过滤机制或规则来限制不良输出，以满足特定需求。
为了保护用户隐私和敏感信息，使用ChatGPT-4时需要遵守OpenAI的使用政策和相关法律法规。请确保不向模型提供任何可能违反隐私或道德准则的信息。
论文查重的目的就是为了检测出相似内容，然后以通过论文降重进行修改，达到合格比例。如果想快速降重，选择机器降重，如果想保证质量，那么人工降重必选。如果只是追求速度，那就直接选择机器降重，常用论文降重方法如下：人工降重方法:
1、变换表达。先理解原句的意思，用自己的话复述一遍。
2、词语替换，在变换表达方式的基础上结合同义词替换，效果更好。
3、变换句式，通过拆分合并语句的方式进行修改，把长句变短句，短句变长句。
4、图片法，针对专业性太强不好修改的语句或段落（比如计算机代码，法律条款，原理理论等），可以适当把文字写在图片上展现，但是这种方法不宜用的太多。知网查重系统不太合适，可以识别图片，公式，表格，其他查重系统可以适当使用。
5、翻译法，用百度翻译或谷歌翻译，中文翻译成英文，英文翻译成日语或其他语种，再从日语翻译成中文，这种看似不错，还得需要人工润色，感觉效果还是鸡肋，适当用用也无妨。
机器降重方法：
论文降重软件只是辅助手段，最后还得人工润色一下，完全降重有效的没有。
PaperBye论文查重系统里有自动降重功能，可以作为你查重后修改参考的一种辅助手段。关于效果，针对专业不同效果也不一样，比如理工科或专业术语比较多的，改的效果不太好。如果一些文课类文章，改好后语句还是蛮通顺的，效果没有人工修改好，但是可以给一些修改建议提示，也是不错的，主要看怎么使用。看看下面修改的例句，降重效果还算满意。最后提醒一句，软件论文降重，只是辅助，即使改也需要人工去复核修改一遍，因为毕竟是软件，有的表达上会欠缺妥当，需要人工润色。同时也不要过度依赖软件降重，目前还是没有人工一字一句修改的效果好，只能作为一种改重的辅助手段，不要期望过高。
作为一家全球领先的中央空调品牌，开利中央空调在产品质量、技术创新、服务体验等方面都有着卓越的表现。其产品具有高效节能、安全可靠、舒适健康等特点，适用于各种场所和需求。开利中央空调还注重环保和可持续发展，积极推广低碳生活理念。开利中央空调是一款值得信赖的品牌。[ForkJoinPool.commonPool-worker-2]ERRORcom.#one2#java.lang.RuntimeException:java.net.SocketTimeoutException:timeout atio.reactivex.internal.util.ExceptionHelper.wrapOrThrow(ExceptionHelper.java:46) atio.reactivex.internal.observers.BlockingMultiObserver.blockingGet(BlockingMultiObserver.java:93) atio.reactivex.Single.blockingGet(Single.java:2870) atcom.zmn.biz.ais.openai.OpenAiClient.chatCompletion(OpenAiClient.java:634) atcom.zmn.open.api.controller.chatgpt.ChatGptCommonController.lambda$main$2(ChatGptCommonController.java:488) atjava.util.concurrent.CompletableFuture$AsyncRun.run(CompletableFuture.java:1626) atjava.util.concurrent.CompletableFuture$AsyncRun.exec(CompletableFuture.java:1618) atjava.util.concurrent.ForkJoinTask.doExec(ForkJoinTask.java:289) atjava.util.concurrent.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1056) atjava.util.concurrent.ForkJoinPool.runWorker(ForkJoinPool.java:1692) atjava.util.concurrent.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:157)Causedby:java.net.SocketTimeoutException:timeout atokio.Okio$4.newTimeoutException(Okio.java:239) atokio.AsyncTimeout.exit(AsyncTimeout.java:286) atokio.AsyncTimeout$2.read(AsyncTimeout.java:241) atokio.RealBufferedSource.read(RealBufferedSource.java:51) atokhttp3.internal.http1.Http1ExchangeCodec$AbstractSource.read(Http1ExchangeCodec.java:389) atokhttp3.internal.http1.Http1ExchangeCodec$ChunkedSource.read(Http1ExchangeCodec.java:475) atokhttp3.internal.connection.Exchange$ResponseBodySource.read(Exchange.java:286) atokio.RealBufferedSource.read(RealBufferedSource.java:51) atokio.RealBufferedSource.exhausted(RealBufferedSource.java:61) atokio.InflaterSource.refill(InflaterSource.java:102) atokio.InflaterSource.read(InflaterSource.java:62) atokio.GzipSource.read(GzipSource.java:80) atokio.RealBufferedSource.read(RealBufferedSource.java:51) atokio.ForwardingSource.read(ForwardingSource.java:35) atretrofit2.OkHttpCall$ExceptionCatchingResponseBody$1.read(OkHttpCall.java:314) atokio.RealBufferedSource$1.read(RealBufferedSource.java:447) atsun.nio.cs.StreamDecoder.readBytes(StreamDecoder.java:284) atsun.nio.cs.StreamDecoder.implRead(StreamDecoder.java:326) atsun.nio.cs.StreamDecoder.read(StreamDecoder.java:178) atjava.io.InputStreamReader.read(InputStreamReader.java:184) atokhttp3.ResponseBody$BomAwareReader.read(ResponseBody.java:263) atcom.fasterxml.jackson.core.json.ReaderBasedJsonParser._loadMore(ReaderBasedJsonParser.java:248) atcom.fasterxml.jackson.core.json.ReaderBasedJsonParser._parseName2(ReaderBasedJsonParser.java:1725) atcom.fasterxml.jackson.core.json.ReaderBasedJsonParser._parseName(ReaderBasedJsonParser.java:1710) atcom.fasterxml.jackson.core.json.ReaderBasedJsonParser.nextFieldName(ReaderBasedJsonParser.java:932) atcom.fasterxml.jackson.databind.deser.BeanDeserializer.vanillaDeserialize(BeanDeserializer.java:295) atcom.fasterxml.jackson.databind.deser.BeanDeserializer.deserialize(BeanDeserializer.java:151) atcom.fasterxml.jackson.databind.ObjectReader._bindAndClose(ObjectReader.java:1719) atcom.fasterxml.jackson.databind.ObjectReader.readValue(ObjectReader.java:1244) atretrofit2.converter.jackson.JacksonResponseBodyConverter.convert(JacksonResponseBodyConverter.java:33) atretrofit2.converter.jackson.JacksonResponseBodyConverter.convert(JacksonResponseBodyConverter.java:23) atretrofit2.OkHttpCall.parseResponse(OkHttpCall.java:243) atretrofit2.OkHttpCall.execute(OkHttpCall.java:204) atretrofit2.adapter.rxjava2.CallExecuteObservable.subscribeActual(CallExecuteObservable.java:46) atio.reactivex.Observable.subscribe(Observable.java:12284) atretrofit2.adapter.rxjava2.BodyObservable.subscribeActual(BodyObservable.java:35) atio.reactivex.Observable.subscribe(Observable.java:12284) atio.reactivex.internal.operators.observable.ObservableSingleSingle.subscribeActual(ObservableSingleSingle.java:35) atio.reactivex.Single.subscribe(Single.java:3666) atio.reactivex.Single.blockingGet(Single.java:2869) ...8commonframesomittedCausedby:java.net.SocketTimeoutException:Readtimedout atjava.net.SocketInputStream.socketRead0(NativeMethod) atjava.net.SocketInputStream.socketRead(SocketInputStream.java:116) atjava.net.SocketInputStream.read(SocketInputStream.java:171) atjava.net.SocketInputStream.read(SocketInputStream.java:141) atsun.security.ssl.InputRecord.readFully(InputRecord.java:465) atsun.security.ssl.InputRecord.read(InputRecord.java:503) atsun.security.ssl.SSLSocketImpl.readRecord(SSLSocketImpl.java:975) atsun.security.ssl.SSLSocketImpl.readDataRecord(SSLSocketImpl.java:933) atsun.security.ssl.AppInputStream.read(AppInputStream.java:105) atokio.Okio$2.read(Okio.java:140) atokio.AsyncTimeout$2.read(AsyncTimeout.java:237) ...45commonframesomitted
微信中怎么设置机器人聊天?
1、登录微信，点击右上方的“+”图标。点击“添加朋友”。在“添加朋友”界面点击“公众号”。在搜索栏输入“微友助手”，并且点击此公众号。点击“关注公众号”。
2、微信群这样设置机器人：刚开始在机器人主页点击注册或登录，便于从个人后台进行账号管理。进入个人后台页面，在微信管理中点击添加微信号，从而对该账号下的群组进行批量和自动管理。
3、搜索“冰山QQ机器人”在官网下载一个软件到桌面，登录一个QQ作为机器人，常用的QQ设置为机器人管理员。
aichat付费才能用吗
收费。2023年2月10日OpenAI在美国推出了ChatGPTPlus订阅服务，价格为每月20美元，支持高峰时段也能正常访问ChatGPT。ChatGPT是美国OpenAI研发的聊天机器人程序，于2022年11月30日发布。
您好，如果你遇到了需要付费才能解锁的AI助手，需要先确认是否是正规渠道提供的服务，建议不要轻易付费。如果你已经付费，但没有得到预期的服务特权，可以通过以下步骤来处理：确认付款细节，比如支付方式、时间、金额等。
这是付费软件。网上有很多需要购买的软件和程序，例如：ai软件，录屏软件等，都需要先进行购买才能够下载使用。这是开发商将ai软件当做商品售卖，是正常现象。
很好用。Chatai是一款免费的社交应用，它可以帮助用户找到新朋友，进行聊天、游戏和其他多种活动。它的界面简单易用，功能丰富，有很多优点。Chatai是一款非常好用的应用。
下载Chatai官方APP，在AppStore或者GooglePlay上搜索“Chatai”，安装并登录即可使用。登录Chatai官网，在首页上输入手机号码，设置登录密码，即可使用。
如果想取消Chatai的收费，可以在Chatai官网上进行取消支付操作，或者联系Chatai客服进行取消处理。
如何和自动聊天机器人聊天?
找到自动聊天机器人app，与它进行对话就好。可以与它智能对话，及时问答，百科信息，天气，生活小知识，聊天调侃。
在电脑桌面找到QQ图标，双击打开进入QQ登录界面。在QQ登录界面输入账号和密码进行登录，进入QQ主界面。在QQ主界面中选择左下方的下拉菜单标志，打开下拉菜单。在下拉菜单中选择设置选项，点击进入设置界面。
1，首先打开下载好的QQ机器人。2，然后输入自己的QQ号码和QQ密码点击登录。
在手机上用什么聊天机器人比较好?
1、对话智能机器人小度助手好。小度助手已成为中国最大的对话式人工智能操作系统，搭载小度助手的设备单月语音交互次数达66亿次，可连接的IoT智能家居设备已超2亿，覆盖品类60多个。
2、目前市面上主流的语音助手有：Siri（苹果），小爱同学（小米），小艺（华为），小欧（OPPO），Jovi（vivo），yoyo（荣耀）。
3、对话智能机器人天猫精灵好天猫精灵（TmallGenie）是阿里巴巴集团阿里云智能事业群于2017年7月5日发布的AI智能终端品牌。让用户以自然语言对话的交互方式，实现影音娱乐、购物、信息查询、生活服务等功能操作，成为消费者的家庭助手。
4、基于规则的聊天机器人，这类聊天机器人的核心算法是对用户输入的语句进行规则匹配，然后返回预先设定好的回答。这类聊天机器人的优点是简单易用，不需要深入的算法知识，可以快速构建。图灵机器人、小乖机器人等。
5、小米的小爱同学就很有灵性的，虽然有时候也会不太灵光，但总得来说还是不错的哦。
6、你要说自动聊天机器人的话，我想起之前出差的时候住的那家宾馆的房间里就有一个会聊天的智能管家，听说是这家酒店和竹间智能合作开发的。
华为手机有没有自带的聊天机器人
1、华为手机有没有自带的聊天机器人？华为手机有自带的聊天机器人啊，比如智能语音助手小艺或者小悠，或者YOYO，你打开手机的智能语音助手就知道了。
2、长按手机的HOME按键或者虚拟小圆圈按键就可以激活聊天机器人。打开手机桌面，然后手指长按手机桌面中间的小圆圈按键，
然后手机会弹出语音助手，点击语音助手，
3、你说的是不是智慧助手啊。就是几种智慧功能的。进手机设置里面就有智慧助手，里面有好几种选项设置的。
三星手机聊天机器人在哪
若在应用程序中没有找到该图标，请在待机页面下双击HOME键进行激活启动。首次使用时，需要对SVoice进行设置。方式：应用程序-SVoice图标-Samsung免责声明-点击确定-服务条款-同意。
首先打开手机语音机器人，点击设置，开启语音唤醒命令。打开三星手机文件夹，打开语音机器人，点击齿轮，打开语音唤醒，选择设置唤醒命令；设置完成后说出语音指令即可。注意：语音机器人功能需要联网使用。
使用SVoice时需要连接网络，请开启移动数据或WLAN上网功能。若在应用程序中没有找到该图标，请在待机页面下双击HOME键进行激活启动。首次使用时，需要对SVoice进行设置。
“在 AI 技术生态上，生成式大模型已成为自动驾驶系统进化的关键，基于 Transformer 大模型训练的感知、认知算法，将逐步在车端进行落地部署。”
在最新的毫末 AI DAY 上，毫末智行董事长张凯给出了这一判断，并基于这一判断发布业内首个自动驾驶生成式大模型 DriveGPT，中文名“雪湖·海若”。
自去年年末以来， GPT 的热度一直高涨不下，尤其是 ChatGPT 的大火更是引发全行业关注。此前，GPT 多应用于文本生成、代码生成或是搜索领域，但由于缺乏数据支撑，GPT 在自动驾驶行业这一垂类的应用并不高。
截至业内也仅有毫末一家率先将 GPT 应用到自动驾驶领域，即 DriveGPT 雪湖·海若。 DriveGPT 能为智能驾驶做什么？
GPT 的全称是生成式预训练 Transformer 模型，本质上是在求解下一个词出现的概率。即根据输入的前序文本，模型会输出可能出现的下一个字的几率分布，再从中取样出几率较高的字。如此循环往复，直到完整地写完下文。
据官方介绍，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”。 Drive Language 基于毫末的 CSS 场景库理论，将驾驶空间进行离散化处理，每一个 Token 都表征场景的一小部分，相当于许多个可能在未来出现的平行宇宙，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。截至毫末从真实驾驶场景库中提取的token序列，规模达到 50 万个。
有了 Drive Language，毫末就可以用人类驾驶的数据对模型进行预训练。 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。
DriveGPT 雪湖·海若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。
毫末智行 CEO 顾维灏表示，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。据毫末方面的说法，在 RLHF 的加持下，Hard Case 通过率提升了 48%。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 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。
毫末方面表示，DriveGPT雪湖·海若现阶段主要用于解决自动驾驶的认知决策问题。“在感知到了周围的世界之后，怎么样把车开得更安全，把车开得更顺滑，怎么样跟周围的交通参与者互相博弈。”顾维灏说道。
毫末判断，DriveGPT雪湖·海若还将在城市 NOH、智能陪练、驾驶捷径推荐、脱困场景中得到应用，最终目标是要实现端到端自动驾驶
毫末在 AI DAY 上宣布，DriveGPT雪湖·海若将在即将量产上市的新摩卡DHT-PHEV首发。
毫末基于GPT技术的探索，毫末衍生出服务于业界的能力和新的商业模式，即向业界开放DriveGPT的能力，4月11日开放单帧自动标注服务，可降低标注成本，之后还将陆续开放驾驶行为验证、困难场景脱困等功能。 DriveGPT 背后的支持
DriveGPT 雪湖·海若的训练和落地，离不开算力的支持。
今年 1 月，毫末和火山引擎共同发布了其自建智算中心“毫末雪湖·绿洲 MANA OASIS”。毫末表示，OASIS 的算力高达 67 亿亿次/秒，存储带宽 2T /秒，通信带宽达到 800G /秒。
只有算力还不够，还需要训练和推理框架的支持，由此毫末进行了三方面升级——
一是训练稳定性优化。毫末在大模型训练框架的基础上，与火山引擎共同建立了全套训练保障框架，可以通过集群调度器实时获取服务器异常，将异常节点从训练 Task group 中删除，再结合CheckPoint 功能，利用 VePFS 高性能存储和 RDMA 网络高效分发，以保障 DriveGPT雪湖·海若大模型训练的稳定性。 二是弹性调度资源的升级。毫末构建了一个大模型持续学习系统，数据以动态数据流的形式结合增量学习，持续不断地将量产回传和筛选的存量数据，传入认知和感知 Pretrain 大模型。
三是吞吐效率的升级。在 Transformer 的大矩阵计算上，毫末通过对内外循环的数据拆分，尽量保持数据在 SRAM 中提升计算的效率；在传统的训练框架中，通过引入火山引擎提供的 Logo核心算子库实现融合，端到端吞吐提升 84%。
毫末表示，自动驾驶数据智能体系MANA架构已迎来全线升级。截至2023年4月， MANA 学习时长超 56 万小时，相当于人类司机 6.8 万年。
在 MANA 发布迭代一年后，在本次 AI DAY 也迎来升级，具体包括：MANA 感知和认知相关大模型能力统一整合到 DriveGPT 雪湖·海若中；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；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；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。
在视觉感知能力上，毫末对视觉自监督大模型做了一次架构升级，将预测环境的三维结构，速度场和纹理分布融合到一个训练目标里面，强迫模型练好内功，使其能从容应对各种具体任务。目前毫末视觉自监督大模型的数据集超过 400 万 Clips，感知性能提升 20%。顾维灏举例称，在泊车场景下，毫末将鱼眼相机也引入到视觉 BEV 的感知框架当中，鱼眼图像通过 2D backbone 提取出视觉特征，经过空间转换映射至 BEV 空间，并在该空间下对于障碍物的轮廓边界进行识别和测量，目前可做到在 15 米范围内达测量精度 30cm，2 米内精度高于 10cm。
除了用自监督大模型练内功，毫末还公开了在纯视觉三维重建方面的一些进展。
毫末对 NeRF 做了升级，将视觉感知结果转化为可用于 BEV 模型训练的带 3D 标注的真值数据，目前可以做到重建误差小于 10cm。
单趟重建有时会受到遮挡的影响，不能完整地还原三维空间，因此毫末尝试了多趟重建的方式——即将同一地点不同车辆在不同时间经过的数据合并做多趟重建，由此提升场景还原度，重建效率可提升 5 倍。
重建之后，MANA 可以编辑场景合成难以收集的 Corner Case。毫末表示，近期训练了一个可以在静态场景做虚拟动态物体编辑的模型，可以控制虚拟物体在场景中按照设定的轨迹运动，由此合成各种 hardcase，例如近距离回车，行人、电动车交互行为等。
2023年将是智驾产品大考之年
“2023 年智驾产品进入全线爆发期。”毫末智行董事长张凯在活动上表示。
张凯判断，城市导航辅助驾驶产将在 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。
行泊一体和末端物流自动配送产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。在 AI DAY 上，毫末表示其城市 NOH 已在北京、保定、上海等城市开启泛化测试，即将量产上车。张凯表示，到2025 年，毫末城市 NOH 将有序落地 100 城。
一年之内，从三座城市扩张至百城，毫末给出的目标可以说十分激进。
截至毫末三代乘用车产品搭载车型近 20 款，毫末辅助驾驶用户行驶里程突破4000万公里，HPilot2.0 日均里程使用率 12.6%。
毫末智行透露，目前已与 3 家主机厂（包括长城）签署定点合同，相关项目正在交付中。 结合毫末往届 AI DAY 的动态来看，从发布中国首个数据智能体系 MANA，到建设智算中心雪湖·绿洲，再在其基础上训练出参数规模达 1200 亿作为 DriveGPT 雪湖·海若模型，毫末的闭环思维始终贯彻其技术始末，并逐渐形成数据驱动的闭环。
正如毫末所言，2023 年将是智能驾驶冲刺之年、大考之年。这对毫末来说，这也是长久技术布局走向落地应用的关键时期；毕竟，毫末要在 2025 年实现城市 NOH 落地 100 城，这并不是一个简单的事情。
【本文来自易车号作者钛AUTO，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】