汽车一直给人的感觉是机械、力与美的有机结合体,和软件似乎并没有什么太大的关系。而伴随着新科技、新能源技术的脚步临近,汽车已经变了。通过液压及油路控制的刹车与油门,已经开始被电路接管,辅助驾驶的转向助力也变得可以自动控制汽车的方向。就连汽车的车身结构设计,也不再需要通过一次次的碰撞进行验证。周身被科技包裹的汽车,开始由软件来进行定义。
那么当前的软件定义汽车又在面临着什么样的机遇与挑战?我们又是如何在汽车行业中用软件重塑汽车开发体系?由软件定义的汽车安全又将如何去进行保障?针对这些问题,在2022 MathWorks 中国汽车年会上,MathWorks中国区汽车技术经理董淑成向我们进行了详细的解答。
MathWorks中国区汽车技术经理董淑成
软件定义汽车的机遇与挑战
当前,汽车行业正在经历第二次的数字化转型。第一次数字化转型时,是用软件来提升硬件。最早起始于软件对发动机的控制,解决发动机排放问题。随后是和安全相关、和性能相关的一些零部件,也开始通过软件提升硬件、软件叠加电子电器硬件的方式去提升车的性能。
在这个阶段,很多利益相关方没法进行有效的沟通,有效的评审。在实现过程中发现问题比较晚,导致修复成本很高。还有一个最大的问题是汽车工程师多数对于开发软件相对比较生疏,导致开发软件非常困难。
因此在20年之前这个时间点上,汽车行业将基于模型设计技术引入到软件开发过程,把整个开发体系进行了提升。使用模型的方式、图形化的方式去构建算法,在Simulink平台上做仿真测试,将图形化的算法自动的转成代码,大大降低了软件开发门槛。可以让工程师从事汽车行业的软件开发。这是第一次数字化转型。
软件定义汽车则是第二次数字化转型。当前很多人预期未来汽车比手机多了四个轮子,也要提供各种应用功能。未来汽车会更加环保、更加安全,可能具有自动驾驶、高级辅助驾驶等功能,可以解决安全的问题,可以有更好的数字化体验。
这种客户预期也带来电动化、智能化、网联化的技术变革,很多车企正在向着这个方向转型。甚至很多车企CEO都在一些公开场合说他们公司已经变成了一个软件公司。这正是汽车行业正在经历的第二次数字化转型。
这次数字化转型,对汽车行业的开发体系产生很大挑战。需要将系统工程这个概念真正地引入到汽车行业,并且要有快速交付高品质软件的能力,通过数据优化车的性能,将深度学习这类技术方法引入到汽车开发中,从而将虚拟车辆的概念真正落实到汽车行业,能够通过大量数据去优化汽车性能,实现模型高度仿真。这里边涵盖了系统、软件、数据的叠加,从而形成一个数字虚拟化车辆。这就牵涉到需要用什么方法、去优化算法,去快速交付软件。
MATLAB为软件定义汽车赋能
为了应对汽车行业的第二次数字化转型需求,MathWorks向汽车企业提供出整合系统、软件和数据的软件定义汽车解决方案。
首先,在系统层面,提供了基于模型的系统工程方案——MBSE。可以让车企不只是局限通过软件实现某些零部件的开发,而是实现汽车的整体设计。目前奔驰、博世、福特在用其实现系统架构设计。
其次,是提出软件工厂的概念。软件工厂能够提供一个持续快速交付高质量软件产品的能力。现在车上软件比重非常高,同样对于车的软件开发、交付也提出了非常高的要求。软件工厂可以实现汽车企业V模式和敏捷开发过程间的融合。
第三,开发运营,DevOps。一边开发一边运营,在运营过程中收集到数据,反馈给开发,开发不停迭代软件。这个过程对于MathWorks来讲也是在不同的环节把MATLAB软件运用到开发过程里面。
此外,MathWorks还向汽车企业提供了数据驱动与虚拟车辆仿真方案,协助提取数据特征,实现数据建模,并用人工智能算法进行训练和部署。MathWorks还提供了RoadRunner仿真环境等工具软件,帮助自动驾驶开发工程师构建接近真实的虚拟场景。
MathWorks一直是汽车行业可靠的合作伙伴,在此次活动上,也从软件开发体系角度给出了一些建议如下。
我们要集成系统工程和软件开发这样一个能力,系统工程以前在汽车行业做的比较少,现在是必须要做了,因为我们的软件越来越复杂,系统也越来越复杂。第二个,要融合敏捷开发的方式到软件开发里面。汽车软件开发以前讲的更多的是确定性,V字型开发模式,现在越来越多车企开始考虑敏捷开发。我们要提前考虑云这些解决方案,云部署。比如说在云上一辆车,地上一辆车。这两辆车同步做一些数据的优化等等。
总而言之,MathWorks希望协助汽车企业通过标准化、自动化的方式搭建适合自身需求的软件工厂,使其可以快速、高品质的实现软件定义汽车目标。
好文章,需要你的鼓励
随着IT成为企业运营的核心支撑,IT服务台的重要性日益凸显。现代ITSM平台已从简单的帮助台发展为复杂的管理系统,集成了工单跟踪、资产管理、性能监控等功能。这些平台的核心是工单门户,确保请求得到及时处理。许多产品强调自助服务功能和AI集成,通过智能路由、预测分析和生成式AI来提高问题解决效率。本文详细介绍了21款主流ITSM工具,帮助企业选择适合的解决方案。
韩国AI研究院团队深入研究了大型语言模型的置信度评估机制,发现AI有时会对错误答案表现出过度自信的"幻觉"现象。研究揭示了AI内部"置信度计算器"的系统性偏差,提出了"内部一致性检测"方法来识别AI的真实确信程度,为开发更可靠的AI系统提供了重要科学基础。
思科与英伟达、VAST Data合作推出安全AI工厂,整合服务器、GPU和存储设备为企业提供一体化AI基础设施。该方案采用融合基础设施形式,以AI POD作为核心组件,搭载英伟达RTX PRO 6000 Blackwell GPU和思科UCS服务器。存储方面支持NetApp、Pure Storage或VAST Data产品。VAST声称其InsightEngine能够加速RAG管道,将响应延迟从分钟级降至秒级,支持企业级智能体AI应用。
苹果公司研究团队通过创新的GSM-Symbolic测试方法,发现当前先进AI系统在数学推理方面存在严重缺陷。研究表明,AI虽然在标准测试中表现优异,但面对表述稍有变化的同类问题时准确率显著下降,暴露出其缺乏真正的逻辑理解能力,主要依赖模式匹配而非推理。这项发现为AI评估提供了新标准,并为未来开发更可靠的AI推理系统指明了方向。