汽车设计、制造、运营、供应链可视化、软件定义汽车、智能座舱、网联汽车和交通服务。
现在这一切都可以在云上发生。
车企正在面临各种挑战,尤其是规模和数据,而且越来越多的车企开始关注车与车之间的通信。亚马逊云科技汽车云服务拥有很多助力汽车行业客户数字化转型的服务,可以更好地为客户提供数字化服务,以及优化用户体验。
亚马逊云科技汽车业务全球技术负责人Dean Phillips表示,亚马逊云科技提供三种方式解决汽车行业客户所面临的挑战。第一,使用亚马逊云科技的服务和解决方案进行构建;第二,亚马逊云科技与合作伙伴一起提供服务;第三,为合作伙伴交付解决方案。
亚马逊云科技汽车业务全球技术负责人Dean Phillips
目前亚马逊云科技汽车云服务拥有185家合作伙伴,并在七大领域提供17个解决方案,七大领域包括:软件定义汽车、网联汽车、数字化客户互动、制造、自动化汽车开发、汽车生产,以及供应链。
软件定义汽车主要是针对硬件进行软件开发,其架构是面向服务的架构(SOA)。Dean Phillips说道,越来越多的汽车开始使用电子控制单元,这既增加了汽车构造的复杂性,又增加了成本,亚马逊云科技可以提供整合的计算环境,针对不同的功能有明确的定义。
例如,电动汽车制造商 Rivian已选定亚马逊云科技作为其首选云供应商。Rivian创建了软件定义汽车的架构,其技术底层支持诸多先进功能,例如:进行深度的OTA软件更新,以持续改进车辆,以及汇集丰富的实时车辆数据。
亚马逊云科技为Rivian的软件定义汽车(SDV)架构和OTA软件更新提供支持,帮助远程交付全新和更优化的功能。软件定义汽车的架构将整个车辆视为一个连接到云的单一、完全集成的系统,从而实现远程诊断、预测性维护、以及对新的软件支持功能进行快速测试和部署,最终提升客户体验。
根据Rivian 软件开发副总裁Wassym Bensaid介绍,通过利用亚马逊云科技强大技术,并构建一个中央数据湖,让Rivian的运营、产品和服务实现互联,他们就可以实现主动诊断,并且让车辆更加智能,然后利用所获洞察,产生协同效应和扩展效率。
网联汽车是软件定义汽车的关联领域,可以看到车企提供了像自动驾驶、订阅等服务。自动驾驶领域,亚马逊云科技基于Amazon Graviton2的EC2实例可以在云上模拟汽车内的计算环境,以虚拟的方式进行开发、测试,再部署到实际车内环境。
特别是,自动驾驶是一项极其复杂的技术挑战,很大程度上依赖云计算来实现感知、嵌入式计算、机器学习、动线规划、决策和高级传感器技术的突破。在本次2021 re:Invent大会上,亚马逊云科技还宣布无人驾驶汽车科技领导者Aurora选择亚马逊云科技作为其机器学习训练和云上模拟工作负载的首选云提供商。Aurora 使用亚马逊云科技成熟的基础设施和无与伦比的功能组合来安全地加速其可扩展的自动驾驶汽车技术Aurora Driver的开发。目前,Aurora正在云上扩展训练工作负载,以其在真实道路测试中收集的PB级数据为基础,每天完成多达1200万次驾驶模拟训练。
数字化客户互动领域,亚马逊云科技能够帮助客户更好地发现数据,并且基于这些数据开发出更多功能;制造领域可以帮助客户进行数据访问和实时决策,并开发出可以横向扩展的解决方案。
今年芯片短缺是困扰汽车行业的一个重大挑战。Dean Phillip认为,软件定义汽车的关键就是减少汽车所使用的电子控制单元(ECU),进行硬件的整合降低对供应链的依赖度,现在很多车企都在考虑使用高性能计算(HPC)替代原来诸多的ECU。
一个例子是大陆集团(Continental)和亚马逊云科技一起开发的大陆汽车边缘云(CAEdge),其是一个模块化的、连接车辆和云端的硬件及软件平台,提供一个软件密集型汽车架构的开发环境,让他们可以用这个环境,实施软件、传感器和大数据解决方案,而所需的开发时间只有以前的一小部分。
在2021 re:Invent大会上,亚马逊云科技还推出了为汽车制造商提供的托管服务Amazon IoT FleetWise,汽车制造商可以轻松地收集和管理汽车中任何格式的数据(无论品牌、车型或配置),并将数据格式标准化,方便在云上轻松进行数据分析。
汽车制造商一直在收集标准汽车传感器的数据来获得洞察,提高车辆质量、安全性和自主性。Amazon IoT FleetWise让汽车制造商无需开发自定义数据收集系统,就可以收集和管理汽车任何格式的数据,并对数据进行结构化和标准化。
具体的使用流程是,汽车制造商首先在Amazon Management Console中定义和建模汽车属性以及与品牌、车型和配置相关的传感器(例如发动机温度、正面碰撞预警、停车辅助系统等),用于整个车队中的单个车型或多种车型。在汽车建模之后,汽车制造商在车辆网关(一个监控和收集数据的车载通信中心)上安装Amazon IoT FleetWise应用程序,以便读取、解码以及向亚马逊云科技双向传输信息,通过设置条件规则来过滤数据。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。