汽车智能化转型是行业发展的大势所趋,如何有效利用创新技术塑造软件定义、可持续、可扩展的车载体验是汽车厂商构筑未来竞争力的关键。英特尔顺应发展趋势,将借助全新的智能座舱整车平台方案和AI增强型软件定义汽车SoC系列,助力中国市场探索设计和制造智能座舱的新方式。
英特尔整车平台方案领跑软件定义、可持续、可扩展的未来
英特尔采用整车平台级方案,汇聚创新的架构基础和成熟的产品技术,帮助客户打造软件定义、可持续、可扩展的汽车。
依托英特尔在数据中心领域的丰富经验,英特尔将帮助客户实现真正的软件定义架构。英特尔AI增强型软件定义汽车SoC集成了先进的AI PC和数据中心技术,不仅可以提供强大的算力,也将业界最为广泛的AI生态圈引入到汽车行业之中,从而真正满足智能座舱体验的全方位需求。
要达成卓越的性能和成本效益,还要解决技术和商业层面的规模化挑战。英特尔以实现经济层面和技术层面的可扩展性为目标,提出了开放式汽车芯粒平台,相较于完全定制的SoC,这一创新方案使得汽车厂商可以选择将定制芯粒集成到英特尔路线图产品中,摆脱传统流程和开发成本的束缚。
此外,英特尔还成功收购了Silicon Mobility,引入先进的电动汽车能源管理方案,助力行业开启更加可持续的电气化未来。
英特尔携手东软和中科创达绘制智能座舱新篇
2024北京国际车展期间,英特尔宣布将携手东软及中科创达在智能座舱领域展开合作,基于英特尔广泛的产品技术资源和东软、中科创达的丰富行业经验,为汽车厂商带来智能座舱的全新突破。
搭载英特尔新一代智能座舱车规级芯片家族,东软智能座舱域控制器可集成ADAS、AVM、V2X T-Box等功能,支持多尺寸屏幕互动、多模态交互和3D UI,及AR导航、DMS、OMS、大模型等高算力算法产品和云服务,并在车内实现离线大模型部署,满足用户隐私需求,带来低延时最佳用户体验。
中科创达打造了整合英特尔产品的先进智能座舱平台,凭借强大的技术能力支持多个高清屏幕同时进行3D渲染,为用户带来PC级别的游戏体验。此外,中科创达智能座舱系统还将部署AI大模型,进一步提升响应速度和数据隐私保护能力。
英特尔院士、公司副总裁、汽车事业部总经理Jack Weast
“英特尔同东软和中科创达的合作,是英特尔夯实汽车领域生态合作圈的重要一环,这不仅将助力英特尔领先汽车解决方案在中国市场的应用落地,还将推动英特尔在全球层面的技术创新和服务升级。”英特尔院士、公司副总裁、汽车事业部总经理Jack Weast表示:“很快,我们将携手合作伙伴,共同推出AI座舱,助推中国车企在更广阔的世界舞台释放影响力。”
东软集团副总裁孟令军表示:“东软与英特尔携手合作,共同探索更多元化的智能功能。我们希望和英特尔一起,在平台计算、多模交互等维度上实现深入融合,从而为用户带来更加流畅自如的使用体验。”
中科创达副总裁、Rightware CEO钱强表示:“英特尔对于优化车载体验的追求与中科创达不谋而合。中科创达领先的软件能力和英特尔对AI大模型的支持相结合,将共同推动汽车行业的智能化发展,为该领域注入强劲动力。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。