智能网联汽车引领产业革新之路
世界智能大会是经中国政府批准,由国家发展和改革委员会、科学技术部、工业和信息化部、国家广播电视总局、国家互联网信息办公室、中央广播电视总台、中国科学技术协会和天津市人民政府共同主办的国际盛会。
为展示全球范围内智能产业全要素领域示范者,推动智能科技与千行百业深度融合,加快智能科技关键技术转化应用,世界智能大会隆重推出“WIC智能科技创新应用优秀案例”评选活动。活动自2022年发布以来,受到全球智能科技创新者的高度关注和认可,已成为全球智能科技领域的头部奖项。2023年10月,第八届“WIC智能科技创新应用优秀案例”评选活动正式启动,本次活动将面向全球征集智能制造、智能网联汽车、智能网络安全三大领域的优秀案例,获奖案例将在2024第八届世界智能大会期间进行重磅发布。本文为大家解读智能网联汽车领域发展态势及征集范围。
智能网联汽车产业正成为全球汽车产业发展的新趋势。随着自动驾驶技术、车路协同技术和关键零部件设计制造等技术的不断发展与应用,智能网联汽车将为人们带来更加便捷、安全、舒适的出行体验。为加快我国智能网联汽车产业的变革与发展,国家各部门在近年来出台了一系列政策,鼓励支持智能网联汽车产业的整车制造、交通运输、信息交通通信、电子交通互联等多个领域的创新。尤其是在顶层目标提出、规范制定和核心技术发展以及行业相关的落地应用、产业驱动上,都给予了明确的发展指导方向。
2023年11月,工业和信息化部和公安部联合发布《关于开展智能网联汽车准入和上路通行试点工作的通知》,对智能网联汽车的发展给予多个具体的政策支持。在多项政策叠加支持下,智能网联汽车应用场景越发广阔。国家智能网联汽车创新中心数据显示,至2025年,我国智能网联汽车产业仅汽车部分新增产值将超1万亿元。至2030年,汽车部分新增的产值会到2.8万亿元。
不同于传统汽车产业的发展模式,智能网联汽车具备天然跨界融合的特质,智能网联汽车产业的发展涉及多个领域和环节,包括车规芯片、传感器、车载软件研发与设计,车辆安全、信息内容服务等智能化服务。这些环节之间相互依存、相互促进,正在形成一个更加完整的智能经济新生态。

WIC评选面向智能网联汽车领域,围绕智能网联汽车关键核心技术、智能网联汽车平台和智能网联汽车安全三个方向,征集包括智能网联汽车关键零部件及系统开发应用、智能网联汽车复杂环境感知、新型电子电气架构、车载智能计算平台、车规级芯片、高性能车辆智能驱动、无线通信关键技术、数据管理平台、测试验证平台、数据融合与计算处理平台、智能网联汽车数据安全、网络安全、功能安全、道路交通安全、在线升级安全、自动驾驶安全等智能科技创新应用案例。
诚挚邀请全球科技领袖、企事业单位、科研院所、行业组织和科技创新团队积极参与申报智能网联汽车领域优秀案例!
申报方式:
1.申报渠道:
申报主体通过线上申报系统提交优秀案例申报材料。
申报系统网址:https://wic-awards.wicongress.org.cn
申报系统二维码:

2.需要提交材料:
注册申报系统后,登录并下载填报《2024第八届世界智能大会WIC智能科技创新应用优秀案例申报书》。除基本信息外,申报单位应提供如下材料(包含但不限于):
(1)案例介绍;
(2)自主知识产权等相关佐证材料;
(3)第三方鉴定报告、科技查新报告、媒体报道等真实性、先进性相关佐证材料;
(4)该案例取得或预期取得经济效益和社会效益的相关佐证材料。
3.截止时间:
2024年2月28日17:00前(以世界智能大会官方网站、官方微信公众号发布截止时间为准)。
联系方式:
报名咨询:022-87332955
技术咨询:18500287239
传 真:022-83607342
联系邮箱:jzy@wicongress.org
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。