ZDNet至顶网软件频道消息:数字世界催生了无处不在的连接需求。如今,消费者希望即使身在旅途也能享受各类数字化体验,就像在办公室、在家里或其他地方一样。在这种需求的驱动下,汽车正在经历从交通工具到巨型移动设备的转型。据估计,到2020年,将有1.52亿辆互联汽车上路,每年产生11PB数据。从移动设备的激增到物联网的蓬勃发展,各种技术力量亦在加速这种转变,使汽车成为当今信息网络中不可或缺的组成部分。现在,汽车既能接收数据,也能将数据发至云端、交通基础设施以及其他车辆。我们能否充分挖掘互联汽车的价值,与这些数据直接相关。
英特尔公司物联网解决方案事业部副总兼汽车解决方案部总经理Elliot Garbus
IT世界的机遇
目前,汽车已产生大量数据,而随着各项功能的扩充,数据量只会进一步增加,汽车也将成为数据制造大户。IT经理们现在应该考虑:如何从中挖掘有意义的信息,用于商业模式的改进。同时,驾驶员亦可根据自己的偏好调整隐私设置,决定共享多少数据。通过对数据加以分析,汽车制造商能够更加了解用户以及车内的各项状况。此外,这些数据还能帮助市场、工程及IT机构携手改进车内体验。通过利用CRM数据和增进对驾驶员行为及偏好的了解,汽车制造商可以更好地满足用户需求,在恰当的时间提供恰当的体验,如向驾驶员发出疲劳警告、汽车故障预警,然后主动帮助解决问题,通过观察发展趋势,积极做好准备以防患于未然。更重要的是,在此基础之上,汽车制造商可以有效降低成本,开发出更好的汽车。
呼唤大数据分析
通过多层数据分析,我们可以实现诸如交通事故警告、天气预报等新型服务。数据将从车辆传感器传至云端,实时获取驾驶员当下所需的信息,这意味着汽车必须拥有自主分析数据以及征询云端反馈的能力。汽车制造商需要考虑整个数据处理周期,包括汽车与云、汽车与交通基础设施以及车与车之间的数据传送。从传感控制器到网关、从云端到客户端、从汽车到基础设施,每个环节都涉及有效信息的抽取和数据价值的挖掘。之后,数据分析的结果将与其他车辆以及交通基础设施分享,并向驾驶员提交建议结果以便防患于未然。
通过了解其生产的所有车辆情况,汽车制造商得以为车主提供更好的服务。例如,当汽车出现某些问题,用户可以第一时间向汽车制造商咨询这类情况是否需要高昂的修理费用或存在任何安全隐患,甚至根据数据分析结果预约上门维修服务或提前预订零部件,以尽可能减少这些问题带来的不便。为了支持自主驾驶以及高级驾驶员辅助系统(ADAS)等先进技术,强大的计算能力不可或缺,需要车辆与安全可靠的数据中心主干建立高速连接,以在云端进行群数据分析。
确保安全与隐私
随着越来越多的车辆及交通基础设施实现互联,对于汽车制造商和用户来说,安全可靠地保存和收发数据至关重要。信息安全和车辆安全密不可分,因为来自虚拟世界的恶意攻击很有可能导致实实在在的技术故障。先进技术的推陈出新与汽车制造商对上述要求的响应速度紧密相关。车辆亦需根据这些数据及其来源快速、准确地做出决策。只有采用多层分析模式,车辆才能充分利用各项数据,自主进行分析。此外,在保护用户隐私之余,所有互联汽车的被盗风险亦可被降低。
未来的驾驶体验
曾有调查显示,几乎一半的美国人希望拥有无人驾驶汽车,其中超过1/3的人相信,近10年就可以实现这一愿望。随着自主驾驶这一理念越来越受追捧,汽车制造商必须重新思考如何设计新型汽车,将其打造成为一个多系统运行平台,这些系统可以彼此通信、相互协作并主动提供有效建议。英特尔正在积极运用自己的创新技术和专长,与汽车行业紧密合作,助力全新的车内体验!
好文章,需要你的鼓励
Writer首席执行官May Habib指出,企业在构建和扩展AI智能体时面临重大挑战。智能体在构建、运行和改进方式上与传统软件截然不同,需要抛弃传统软件开发生命周期。智能体不会可靠地遵循规则,而是结果导向、具备解释和适应能力。企业需要采用目标导向方法,设计业务逻辑蓝图而非工作流程。质量保证也需要评估非二元行为和实际应用表现。智能体维护需要新的版本控制系统,涵盖提示、模型设置等所有影响行为的因素。
中科院团队开发的SimpleGVR系统革新了AI视频增强技术,通过直接在潜在空间处理和创新的分阶段训练策略,能够将AI生成的低分辨率视频高效提升至高清画质。该系统不仅提升分辨率,还能修正AI视频特有的颜色混合等问题,在多项指标上超越现有顶级方法,为AI视频生成领域提供了实用的解决方案。
Salesforce首席执行官马克·贝尼奥夫表示,公司正大力推进人工智能应用,AI代理现在承担了公司30%至50%的工作。他认为员工应适应AI替代人工的趋势,转向更高价值的工作。然而,这一变化导致约1000名员工被裁,虽然公司计划招聘同等数量新员工,但主要专注于销售AI技术。这一趋势在科技行业普遍存在,今年已有超过63000个科技岗位消失,AI被认为是重要原因之一。
浙江大学联合腾讯AI实验室提出KnowRL方法,通过在强化学习中集成事实性奖励机制,有效解决慢思维AI模型在推理过程中的幻觉问题。该方法在保持原有推理能力的同时,显著提升了模型的事实准确性,为构建更可靠的AI系统提供了新思路。