从巅峰一步步走向衰败,曾经的王者诺基亚至今让人唏嘘不已。落后就要挨打,在这个快速发展的时代,企业一旦掉队,就很可能被市场所淘汰,对于汽车市场来说也是如此。
“造车是制造业的集大成者,外行人很难进入”——这些“造车魔咒”,在特斯拉、蔚来、理想等新势力崛起后,已经被彻底打破。目前汽车市场的更新速率比十年前要快太多了,智能时代已至,随着互联网的发展和新技术的应用,汽车已经开始从最初简单的交通工具逐渐向智能终端转变,这也是造车新势力能够弯道超车最重要的因素。
按部就班早已不是这个时代的主旋律,会拖累车企前进的步伐。
作为腾讯车联网生态中的重要企业,专注于汽车智能网联领域产品研发与服务的梧桐车联也在用自身的科技创新技术来助推汽车产业转型升级。智能汽车将是全球创新热点和未来发展制高点,梧桐车联CEO潘家骅表示,梧桐车联是车企智能化转型的“工具箱”和“连接器”,将成为传统汽车企业实现智能化升级重要的赋能者。
车载操作系统是汽车智能化的重要组成部分
从功能机到智能手机,安卓、iOS等智能操作系统让消费者的操作体验得到了质的飞跃。对汽车而言,车载操作系统也是把“汽车”转换为“智能汽车”的关键。
梧桐车联瞄准的正是车载操作系统这一领域,其向全行业提供操作系统级解决方案——TINNOVE以及技术底座OpenOS。TINNOVE 3.0是梧桐车联打造的整合解决方案,向全行业提供更完善的智慧出行场景服务;技术底座OpenOS则是梧桐车联开发的智能网联车载操作系统,帮助车企更灵活快速地打造带有腾讯生态的车机娱乐系统,还可以提供灵活的应用和功能合作以及基于OpenOS的更多商业模式拓展。
据潘家骅介绍,目前已经与梧桐车联进入实质合作和项目阶段合作的品牌有6个,包括自主品牌、合资品牌、豪华品牌以及新势力造车的头部品牌。另外,按照规划,梧桐车联3年即达到300万辆市场份额。
汽车已经成为数据重要的生产者和使用者
智能汽车的发展,取决于产品快速迭代的能力。收集数据,分析归纳,不断迭代自动驾驶技术,完善智能汽车生产制造各个环节。
随着以5G、人工智能、云计算、大数据等为核心的数字技术在传统产业中的渗透率不断提升,极大地助推了汽车产业收集、处理以及利用大数据的能力,成为传统汽车产业创新发展的新引擎以及关键竞争要素。潘家骅表示,车企数字化转型,数据库服务能力是性能核心。TINNOVE 3.0拥有大数据平台,其将完整的大数据解决方案,支撑B端客户的前端应用和运营,从而解决汽车企业的业务痛点。
TINNOVE 3.0大数据平台以300万目标市场容量计算,一年吞吐交互的数据接近1万Tb,帮助B端客户持续挖掘价值。
“智能汽车”与“智慧交通”并肩前行共创未来
智能汽车领域具备万亿级市场规模且未来市场空间巨大,现仍处于高速发展阶段,行业的发展对交通效率、交通模式乃至整个智慧城市的建设都会带来积极正面的影响。
潘家骅认为未来智能汽车的发展将以“中央计算单元的座舱新形态+智慧交通”为核心。一个是智慧交通的外部环境,无比广阔的广域物联网和信息集甚至城市和道路调度系统;另一个是更智能化的内部实车环境空间,两个大脑的信息结合至关重要。智能座舱系统和生态的赛道也将拉宽到这两个大的内外部信息环境。
梧桐车联始于生态,不止于生态。在立足于座舱生态的构建基础上,未来将向其他领域积极延展,不仅持续发力AI、5G、大数据等基础技术的研究,在智能场景引擎、高精度地图、车道级导航、语音智能交互等应用技术也有探索和积累。
为了让智能汽车更科技化更开放化,梧桐车联通过不懈的努力,为汽车行业及智慧出行产业的智能化升级贡献力量。
变革和创新是车企实现高质量发展的必经之路,打破传统边界,寻找非传统合作伙伴和具有颠覆性的业务模式,才有可能抓住未被利用的机遇,在竞争中立于有利地位。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。