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IHS发布的互联汽车报告估计,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。
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。
呼唤多层数据分析
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,打造全新的车内体验。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。