Gartner发布2022年汽车行业五大技术趋势,帮助企业首席信息官更好地应对汽车行业的软件、硬件和数字变革。
Gartner高级研究总监Pedro Pacheco表示:“在过去的一个世纪中,汽车制造商一直专注于汽车机械的研发,而把大多数软件开发工作交给其他公司。随着数字技术成为车企实现产品差异化的关键,软件将成为汽车制造商利润增长的主要驱动力。各主机厂(OEM)的最终目标将是转型成技术或软件公司。”
2022年汽车行业将出现五大技术趋势。
趋势一:汽车制造商反思硬件采购策略
汽车制造商正在重新评估他们长期以来所坚持的准时制(JIT)库存策略。该策略使得主机厂和一级供应商在出现各种芯片供应短缺时没有可用的应急库存。因此,汽车制造商正在反思他们与芯片制造商的合作方式并考虑自主设计芯片。
Gartner预测,到2025年,排名前十的汽车主机厂中有50%将自主设计芯片并与芯片公司建立直接、长期的战略合作关系,同时放弃准时制库存管理策略。
趋势二:数字巨头将汽车纳入整体生态系统中
诸如亚马逊网络服务(AWS)、谷歌、阿里巴巴或腾讯等数字巨头将在2022年继续扩大其在汽车技术领域的影响力。Pacheco表示:“这些技术公司正在进一步将汽车纳入他们各自的生态系统,这将催生新的汽车联网服务。”
Gartner预测,到2028年,售出汽车中的70%将采用安卓汽车操作系统,目前这一比例还不到1%。
Pacheco表示:“由于自主开发技术和软件的难度很大。车企要么与数字巨头合作,通过软件来获得主要利润;要么通过建立庞大的内部资源库,自主完成大部分开发工作。”
趋势三:开放式数据和开源合作模式发展加快
一些科技公司在2021年创造了开源车辆架构操作系统和开放式电动汽车(EV)平台。汽车行业的这种新合作模式将在2022年加速普及。
此外,车企将会越来越多地从技术角度来看待数据。Pacheco表示:“车企不是要出售数据,而是要建立或整合生态系统来获得更多样化的数据,从而开发出更具吸引力的功能或数字服务。”
趋势四:成熟的汽车制造商正在将OTA作为其主要的数字收入渠道
去年有几家汽车制造商开始提供软件更新,使汽车无线传输(OTA)软件市场发生了重大的变化。
大多数汽车制造商已在通过更新车辆上的硬件使车辆支持软件更新,他们现在开始转向以销售服务取代销售资产的收入模式。
Gartner分析师预测,到2023年,排名前十的汽车制造商中有一半将通过软件更新来解锁和升级功能,客户可以在购买汽车以后购买这些软件。
趋势五:自动驾驶汽车领域将出台更多法规,但仍存在阻碍商业化的障碍
尽管传感技术在不断改进,感知算法变得日益先进,法规和标准也在不断进步,但自动驾驶汽车开发者仍难以将自动驾驶技术扩展到新的城市或地区。
汽车制造商已开始发布3级自动驾驶汽车并正在努力部署4级自动驾驶卡车和商业机器人出租车。但他们仍需要很长一段时间来证明自动驾驶技术的安全性和有效性,同时,大量模拟和真实环境测试使这项技术的商业化进展缓慢而昂贵。此外,发生事故时的责任划分等问题以及相关的法律和社会顾虑(比如人类驾驶的车辆将如何与AI车辆互动等)都增加了这项技术迈向商业化的难度。
Gartner研究总监Jonathan Davenport表示:“机器人出租车或4级卡车的高昂研发成本不但阻碍了其普及速度,也阻碍了投资回报率的实现。讽刺的是,自动驾驶汽车的主要优势之一就是降低运输成本。”
Gartner分析师预测,到2030年,全球投入运营的4级自动驾驶机器人出租车数量将是2022年出租车数量的四倍。
好文章,需要你的鼓励
安全公司Backslash Security警告称,Cursor AI编程助手的YOLO自动运行模式存在严重安全隐患。该模式允许AI代理在无人工审批情况下执行多步骤编程任务,但其拒绝列表防护机制极易被绕过。研究人员发现至少四种方法可绕过命令限制,包括混淆编码、子shell执行、脚本文件写入等。恶意指令可通过导入未审计的GitHub文件或处理被注入的代码库内容传播,使文件删除保护等安全措施形同虚设。
加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统,能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制,实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率,超越现有方法约5个百分点,并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。
数据中心服务器通常部署在机架或机箱中,但两者并非同一概念。服务器机架是容纳多台服务器的金属外壳,通常垂直堆叠;而机箱是容纳服务器内部组件的外壳,是机架内的较小模块。机架服务器体积较大,通常占用单个机箱;刀片服务器更小,可在一个机箱中部署多台。理解两者区别对数据中心设计至关重要,影响服务器类型选择、冷却效率和硬件部署方案。
约翰霍普金斯大学发布DOTRESIZE技术,通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除,在保持性能的同时显著降低计算成本。实验显示,压缩20%后模型仍保持98%性能,为AI技术普及和可持续发展提供新路径。