至顶网CIO与CTO频道 08月24日 编译:在过去的18个月中,大众汽车宣布推迟发布两项重要车型,第一款车型是其常年畅销的第八代大众高尔夫,第二款车型是该公司的旗舰电动汽车ID.3,这两款车型的推迟都是由于软件的故障造成的。大众汽车集团管理董事会主席Herbert Diess被要求辞去大众汽车品牌负责人的职位,部分原因就是因为这些失职。
这家德国大型汽车制造商的高管层意识到了自己的局限性。Diess先生承认该公司的软件功能不足,他说:“ 特斯拉属于这样一种竞争对手——它拥有我们目前还不具备的能力。特斯拉大约有一半的工程师都是软件专家,而在大众的核心品牌中,这一比例要低得多。”该公司董事会成员Jürgen Stackmann表示:“我们从来没有掩盖过事实,对于我们来说,软件是一个非常严峻的挑战,而软件对于未来的产品至关重要。”
软件非常重要
软件对于汽车具有如此的重要性并不令人感到意外。通用汽车工程师Jonas Bereisa在1983年写道:“软件开发将成为新产品开发工程中最重要的考虑因素。”在2009年,IEEE Spectrum发布了《This Car Runs on Code》,其中指出高级汽车需要大约1亿行代码,而且软件只会变得更加复杂。
大众汽车的经验表明,基础软件已成为一家大型汽车制造商的财富。不仅汽车公司需要担心代码。正如我多年来一直主张的那样,每个公司实际上都是一家软件公司。企业必须在软件方面建立核心竞争力。但是,许多公司仍然没有这样做,这使他们容易受到伤害。首席信息官们可以并且应该寻找方法解决这一重要的弱点。
核心竞争力
这个概念的提出者策略教C.K. Prahalad和Gary Hamel指出,长期竞争力来自于核心竞争力,而不是在产品市场中的专业知识。他们认为,“真正的优势源自于公司的管理层能够将全公司范围内的技术和生产技能转化为能力,增强单个业务,使其能够迅速适应不断变化的机会。”核心竞争力代表了“组织的集体学习。”
在当今的数字世界中,专有软件对于每家公司来说都是至关重要的资产,而且这种重要性只会变得越来越高。这里指的并不是所有的软件;而是使公司变得与众不同的软件。但是稀缺的资源不是技术——所有人都可以使用技术,重要的是利用软件创造独特价值所需要的功能集合。
特斯拉的Autopilot、Abbott Labs可以连接型葡萄糖监测仪的FreeStyle Libre和Peloton的旋转自行车就是软件支撑产品的例子,这些产品具有卓越和独特的价值主张,从而重新定义了它们所在的市场。
特斯拉提供了一个特别生动的例子。这不仅仅指的是特斯拉率先在市场上推出其自动驾驶软件Autopilot,而且该产品还一直遥遥领先于该公司的竞争对手。该公司的Autopilot团队拥有300名高素质的工程师——其中200名是软件工程师,100名是芯片工程师。能够体现该团队重要性的一个事实是,该公司的首席执行官埃隆.马斯克(Elon Musk)每周都会和该团队会面。
建立软件核心竞争力的步骤
软件的核心竞争力指的并不是编写复杂代码的能力,虽然这种能力也是必须的。软件的核心竞争力指的是针对现有和新市场,利用软件持续增强或重塑公司产品的能力。
记住这一点,请考虑一下步骤:
公司应考虑设立一个专门负责软件的部门,以实践上述建议。每家公司都应该根据自身规模、行业的技术强度和可用的资源来确定该部门的规模。
从阐明战略意图,培养核心竞争力的思维定势,确定技术投资优先级,获取和发展人力资本,到管理战略联盟,良好的管理都是至关重要的。
行动起来
由于意识到了集团在软件方面的战略劣势,大众汽车集团在2019年正式承诺将把软件打造成该公司的核心竞争力,加快了该公司在软件卓越性方面的进程。该公司推出了Car.Software,这是一个拥有独立品牌的分支机构,拥有3000名数字化专家,该公司的预算为78亿美元。该公司的目标是为大众集团建立统一的软件架构,并将大众集团汽车软件中的60%变成专有。它甚至在集团董事会内占据一席之地,负责软件治理。大众已经在推动软件的发展。你还不打算行动起来吗?
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。