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
戴尔、微软、Salesforce等科技领导者发布2026年AI预测,认为AI代理安全防护和投资回报率是客户关注焦点。戴尔CTO预测AI将转向本地部署以加强控制;ServiceNow强调AI价值必须体现在业务收益上;Snowflake重视数据治理在AI代理管控中的作用;Salesforce认为AI将成为品牌形象代言人;微软强调信任是AI代理部署的关键要素。
MBZUAI和法国综合理工学院联合开发的SchED算法能让AI写作速度提升3-4倍。该算法通过监测AI生成文本的置信度,采用进度感知的动态阈值策略,在保持99.8%-100%原始质量的同时显著减少计算时间。实验覆盖多种任务类型,证明了算法的有效性和鲁棒性。
苹果计划在2026年推出多款重磅新品,包括配备miniLED面板和A19 Pro芯片的27英寸外接显示器、搭载homeOS系统的7英寸智能家居控制设备、首次采用OLED屏幕的全新MacBook Pro、具备7.8英寸内屏的iPhone Fold折叠手机、售价699美元起的入门级MacBook,以及升级OLED显示技术的iPad mini。
西安交通大学研究团队发现,AI视觉语言模型容易受到功能词(如"是"、"的"等)的干扰而遭受攻击。他们开发了功能词去注意力(FDA)机制,让AI减少对这些词汇的关注。测试显示,该方法可将攻击成功率降低18%-90%,而正常性能仅下降0.2%-0.6%。FDA无需额外训练即可集成到现有模型中,为AI安全防护提供了简单有效的解决方案。