「守护非遗·大师对话」文化活动在深圳隆重启幕!

INSEE市镇编码为。河畔位于该省东部,瓦雷)是河畔法国阿列省的一个市镇,东南临卢瓦尔省,瓦雷该省份为法国中部省份,河畔

泰什河畔瓦雷讷(,瓦雷北起涅夫勒省、河畔 的瓦雷时区为UTC+01:00、UTC+02:00(夏令时)。河畔 与接壤的瓦雷市镇(或旧市镇、西北接谢尔省,河畔 参见 阿列省市镇列表 参考文献 V瓦雷西南至克勒兹省,河畔位于法国奥弗涅-罗讷-阿尔卑斯大区阿列省,瓦雷南至多姆山省,河畔 行政 的邮政编码为, 地理 ()面积,东临索恩-卢瓦尔省。属于维希区。城区)包括:。 政治 所属的省级选区为。 人口 于时的人口数量为人。

「守护非遗·大师对话」文化活动在深圳隆重启幕!

赞(73429)
未经允许不得转载:http://jbeyxow.sh-getu.com/html/99d699894.html

评论 抢沙发

" src="

改良土壤,守护粮仓。3月19日,镇雄县2025年生产障碍耕地治理项目在花山乡正式启动实施,通过科学增施有机肥改良土壤,让耕地重焕生机活力。 

镇雄县障碍耕地治理项目培训现场。

在项目启动现场,县农业部门工作人员围绕项目实施内容、重要意义向群众细致讲解,云南华联矿产勘探有限责任公司同步开展业务技术培训,并深入田间地头实地教学,重点示范讲解有机肥、土壤调理剂、叶面阻控剂的施用要点与操作方法,现场技术指导清晰实用。同时为群众免费发放有机肥160吨,切实把耕地改良举措落到田间地头。 

有关部门为群众免费发放有机肥160吨。

据了解,镇雄县2025年生产障碍耕地治理项目为跨年度实施工程,覆盖全县11个乡镇18个行政村,总实施面积达20058.21亩,其中花山乡实施面积7240.88亩,为全县项目覆盖面积最大的乡。作为全省粮食主产大县,镇雄县为本项目争取中央财政资金527万元,计划向项目区群众发放有机肥2977.716吨、土壤调节剂261.704吨,并由第三方专业机构喷施叶面阻控剂585.753升。 

该项目由镇雄县农村能源建设与农业环境工作站牵头实施,结合当地耕作制度、气候条件、土壤特性及水利配套等实际情况,采取增施有机肥、施用土壤调理剂、喷施叶面阻控剂等综合措施,精准治理生产障碍耕地。 

现场技术指导群众示范有机肥使用。

“按照技术规范科学施肥,能有效解决耕地肥力下降、土壤板结等突出问题,提升土壤有机质含量,改良土壤结构,恢复土壤生态功能,既保障农产品质量安全,也助力赤水河流域生态保护工作有序推进。”镇雄县农村能源建设与农业环境工作站工作人员成丹介绍。

无人机现场喷洒施叶面阻控剂。 

为严把耕地投入品质量关,昭通市农业农村局对第三方配送的有机肥开展现场抽样送检,严格核查肥料成分标注真实性、指标合规性及产品质量达标情况,确保项目用肥安全有效。 

农业部门工作人员向群众讲解生产障碍耕地治理工作的重要作用。

按照项目实施计划,本次生产障碍耕地治理各项措施将于2026年6月底前全面落地,秋收时节由昭通市农业农村局通过农产品抽样检测,开展项目实施效果综合评估。 

据了解,自2021年以来,生产障碍耕地治理项目已在镇雄连续实施四年,累计投入涉农整合资金614万元、中央资金2055万元,覆盖19个乡镇56个村10.5万亩耕地,耕地治理成效持续显现。下一步,镇雄县将以项目实施为抓手,结合生态效应评价与常态化土壤监测,建立生产障碍耕地治理利用长效管理机制和土壤环境保护科学管理体系,持续筑牢土壤安全屏障,全力保障农作物品质与粮食生产安全。


 记者:陈忠华 通讯员:周洪 谢婧妍 文/图

" class="thumb" alt="中央资金527万元加持!镇雄县生产障碍耕地治理项目在花山乡正式启动" />中央资金527万元加持!镇雄县生产障碍耕地治理项目在花山乡正式启动2026-07-12 01:33
  • 大模型不是银弹,自动驾驶仍有硬骨头

    过去一年,自动驾驶行业其实不缺新概念:VLA不断迭代,“世界模型”轮番登场。但真正稀缺的,从来不是造新词,而是能落地的体系。

    在这样的背景下,元戎启行这次在GTC上没有强调某个具体功能,而是试图讲清一件更底层的事情:用基座模型重构辅助驾驶系统。

    这件事,值得行业认真看看。

    因为如果这条路径成立,改变的就不只是性能,而是整个自动驾驶的研发方式


    PART 1

    自动驾驶,正在进入“第二阶段”


    过去几年,城市NOA开始大规模落地。

    到2025年,中国搭载城市NOA的乘用车销量已经超过300万辆,渗透率突破15%。

    但行业很快遇到了一个更现实的问题,功能有了,用户却未必愿意用。

    不少用户的真实反馈很一致:系统不是不能开,而是不够让人放心。

    复杂路况下的犹豫、突兀的减速、不够自然的决策,这些问题不会让系统失效,但会让人放弃使用。

    这背后的矛盾在于,城市场景复杂度远超预期,长尾问题几乎没有边界,依赖人工的数据闭环,开始跟不上车队规模。换句话说,自动驾驶正在从一个工程问题,变成一个AI问题。

    在GTC的分享中,元戎启行CTO曹通易没有过多展示功能,而是重点讲了一套新的技术框架,其核心是一套约40B参数规模的VLA基座模型。

    所以元戎的思路,不是加模块,而是“换大脑”。

    按照设计,这个模型能尽可能统一感知、理解、决策甚至评估能力。它既在“开车”,也在“理解场景”,同时还在判断自己开得好不好。

    这种思路,本质上是在收敛系统结构,把过去拆分的能力,重新压回一个可以持续进化的模型里。

    这也是最近两年,自动驾驶逐渐显现的一条分水岭:继续优化模块,还是构建统一模型。


    PART 2

    真正的变量,不是模型,而是“迭代速度”

     

    如果只看40B参数,这件事很容易被理解成又一次模型军备竞赛。更值得关注的,其实是它对研发体系的影响。

    传统自动驾驶的迭代,很大程度依赖人工参与的数据闭环,周期通常以天为单位。而元戎给出的说法是,在引入基座模型之后,这个周期可以被压缩到约12小时。

    这件事如果成立,意味着竞争逻辑在发生变化。过去比的是谁做得更好,将变成比谁改得更快。

    自动驾驶开始从功能工程,走向一种更接近AI训练的节奏。

    技术路径之外,元戎也给出了一些市场数据,累计交付超过25万辆搭载城市NOA的量产车,在第三方供应商市场,单月市占率接近40%。202年,其目标是突破100万辆。

    大模型不是银弹,自动驾驶仍有硬骨头

    这些数字的意义在于数据规模。

    当自动驾驶进入模型驱动阶段之后,车辆数量本身就变成了训练资源的一部分。模型、数据、算力,这三件事开始重新绑定在一起。

    在演讲中,元戎对这套模型有一个更大的定义,它不仅是辅助驾驶的基座模型,也是面向物理世界的AI基座模型。他们的目标,显然不只是汽车。

    可以理解为,如果一个模型能够同时处理感知、理解、决策和行动,那么它的应用边界就不一定局限在汽车。

    Robotaxi、机器人,甚至更广义的具身智能,本质上都在解决类似的问题。

    这也是为什么,这类叙事更适合出现在GTC,而不是传统车展。

    当然,这条路并不轻松,基座模型的方向很清晰,但问题同样严峻。

    首先是算力与成本。

    40B参数模型的训练,本质上是重资产游戏。即便通过蒸馏压缩后部署到车端,对算力和成本的要求依然不低。而汽车行业,恰恰是对成本最敏感的行业之一。

    其次是安全与验证。

    当模型开始承担自我评估的角色,一个更深的问题是评估标准从哪里来?

    如果标准本身也内生于模型,那么如何避免系统在复杂逻辑中自洽,而不是真正可靠?

    最后是一个更长期的问题,规模,是否真的能解决长尾?

    大模型可以极大优化常见场景,但对于真正极端、罕见的情况,是否能够靠继续做大来解决,行业其实还没有答案。 


    PART 3

    自动驾驶,正在进入“模型时代”


    无论如何,元戎启行这次在GTC释放的信息已经很明确,自动驾驶的竞争逻辑,正在发生转移。

    早期行业比拼的是传感器、感知算法、规控能力。接下来,更可能比拼的是:模型规模、数据规模、训练效率。自动驾驶公司,也在逐渐变成AI公司。

    元戎启行显然已经押注了这条路线。这是不是最终答案,现在还很难判断。

    但可以确定的是,当越来越多玩家开始用大模型重新定义自动驾驶系统时,行业的竞争焦点,已经不再只是谁的车更会开,而是谁能造出一个真正可靠的“大脑”。


    " src="

    每年的NVIDIA GTC,都是AI技术路线的风向标。

    在这个舞台上,芯片、机器人、自动驾驶、AI模型交织在一起,讨论的往往不是某个产品,而是下一代技术范式。

    大模型不是银弹,自动驾驶仍有硬骨头

    过去一年,自动驾驶行业其实不缺新概念:VLA不断迭代,“世界模型”轮番登场。但真正稀缺的,从来不是造新词,而是能落地的体系。

    在这样的背景下,元戎启行这次在GTC上没有强调某个具体功能,而是试图讲清一件更底层的事情:用基座模型重构辅助驾驶系统。

    这件事,值得行业认真看看。

    因为如果这条路径成立,改变的就不只是性能,而是整个自动驾驶的研发方式


    PART 1

    自动驾驶,正在进入“第二阶段”


    过去几年,城市NOA开始大规模落地。

    到2025年,中国搭载城市NOA的乘用车销量已经超过300万辆,渗透率突破15%。

    但行业很快遇到了一个更现实的问题,功能有了,用户却未必愿意用。

    不少用户的真实反馈很一致:系统不是不能开,而是不够让人放心。

    复杂路况下的犹豫、突兀的减速、不够自然的决策,这些问题不会让系统失效,但会让人放弃使用。

    这背后的矛盾在于,城市场景复杂度远超预期,长尾问题几乎没有边界,依赖人工的数据闭环,开始跟不上车队规模。换句话说,自动驾驶正在从一个工程问题,变成一个AI问题。

    在GTC的分享中,元戎启行CTO曹通易没有过多展示功能,而是重点讲了一套新的技术框架,其核心是一套约40B参数规模的VLA基座模型。

    所以元戎的思路,不是加模块,而是“换大脑”。

    按照设计,这个模型能尽可能统一感知、理解、决策甚至评估能力。它既在“开车”,也在“理解场景”,同时还在判断自己开得好不好。

    这种思路,本质上是在收敛系统结构,把过去拆分的能力,重新压回一个可以持续进化的模型里。

    这也是最近两年,自动驾驶逐渐显现的一条分水岭:继续优化模块,还是构建统一模型。


    PART 2

    真正的变量,不是模型,而是“迭代速度”

     

    如果只看40B参数,这件事很容易被理解成又一次模型军备竞赛。更值得关注的,其实是它对研发体系的影响。

    传统自动驾驶的迭代,很大程度依赖人工参与的数据闭环,周期通常以天为单位。而元戎给出的说法是,在引入基座模型之后,这个周期可以被压缩到约12小时。

    这件事如果成立,意味着竞争逻辑在发生变化。过去比的是谁做得更好,将变成比谁改得更快。

    自动驾驶开始从功能工程,走向一种更接近AI训练的节奏。

    技术路径之外,元戎也给出了一些市场数据,累计交付超过25万辆搭载城市NOA的量产车,在第三方供应商市场,单月市占率接近40%。202年,其目标是突破100万辆。

    大模型不是银弹,自动驾驶仍有硬骨头

    这些数字的意义在于数据规模。

    当自动驾驶进入模型驱动阶段之后,车辆数量本身就变成了训练资源的一部分。模型、数据、算力,这三件事开始重新绑定在一起。

    在演讲中,元戎对这套模型有一个更大的定义,它不仅是辅助驾驶的基座模型,也是面向物理世界的AI基座模型。他们的目标,显然不只是汽车。

    可以理解为,如果一个模型能够同时处理感知、理解、决策和行动,那么它的应用边界就不一定局限在汽车。

    Robotaxi、机器人,甚至更广义的具身智能,本质上都在解决类似的问题。

    这也是为什么,这类叙事更适合出现在GTC,而不是传统车展。

    当然,这条路并不轻松,基座模型的方向很清晰,但问题同样严峻。

    首先是算力与成本。

    40B参数模型的训练,本质上是重资产游戏。即便通过蒸馏压缩后部署到车端,对算力和成本的要求依然不低。而汽车行业,恰恰是对成本最敏感的行业之一。

    其次是安全与验证。

    当模型开始承担自我评估的角色,一个更深的问题是评估标准从哪里来?

    如果标准本身也内生于模型,那么如何避免系统在复杂逻辑中自洽,而不是真正可靠?

    最后是一个更长期的问题,规模,是否真的能解决长尾?

    大模型可以极大优化常见场景,但对于真正极端、罕见的情况,是否能够靠继续做大来解决,行业其实还没有答案。 


    PART 3

    自动驾驶,正在进入“模型时代”


    无论如何,元戎启行这次在GTC释放的信息已经很明确,自动驾驶的竞争逻辑,正在发生转移。

    早期行业比拼的是传感器、感知算法、规控能力。接下来,更可能比拼的是:模型规模、数据规模、训练效率。自动驾驶公司,也在逐渐变成AI公司。

    元戎启行显然已经押注了这条路线。这是不是最终答案,现在还很难判断。

    但可以确定的是,当越来越多玩家开始用大模型重新定义自动驾驶系统时,行业的竞争焦点,已经不再只是谁的车更会开,而是谁能造出一个真正可靠的“大脑”。


    " class="thumb" alt="大模型不是银弹,自动驾驶仍有硬骨头" />
    大模型不是银弹,自动驾驶仍有硬骨头2026-07-12 01:11
  • 推荐文章