【2022年11月23日,德国慕尼黑讯】颠覆性技术正在推动汽车领域的转型升级。车用半导体和功率半导体市场的领导者英飞凌科技股份公司(FSE代码:IFX / OTCQX代码:IFNNY)宣布将与汽车技术公司REE Automotive(NASDAQ代码:REE)展开合作,共同推动绿色智慧出行产业的发展。这家汽车技术公司所开发的REE模块化电动汽车平台为开发和生产自动驾驶出租车、商用货车、电动客运班车等各类电动汽车奠定了基础。
英飞凌与REE Automotive在2022慕尼黑国际电子元器件博览会(electronica 2022)上联合展出了REEcorner™技术,赋能绿色低碳出行。如需进一步了解英飞凌为推动低碳化和数字化所做出的贡献,请访问:www.infineon.com/electronica。
REE Automotive的旗舰产品——P7电动汽车平台基于四个REEcorner架构,并采用了REE的线控(x-by-wire)技术。与燃油车或类似尺寸的电动汽车相比,P7模块化电动汽车平台可以让汽车拥有充足的座舱空间和载货空间以及用于装载电池组的内部空间。REE Automotive的设计和技术为汽车制造商、货运和物流公司以及新入局的技术公司提供了巨大的设计自由度,使他们能定制化的生产车辆。
英飞凌科技汽车电子事业部总裁Peter Schiefer表示:“英飞凌是推动出行方式转型的主要先行者之一。英飞凌赋能REEcorner技术,展现出了我们高质量的半导体技术和系统级解决方案的广泛性与灵活性。创新的模块化电动汽车平台设计为老牌企业与新入局的初创企业带来了新的选择,能够进一步加速电动汽车领域的发展。”
REE Automotive联合创始人兼首席执行官Daniel Barel表示:“REE为客户提供了充分的设计自由度,使其能够打造出各种类型的电动汽车和自动驾驶汽车,满足当前和未来应用场景的需求。由REE技术赋能的电动汽车将为客户带来巨大的优势,包括大幅降低总体持有成本,可通过线控转向和线控驱动提升可操纵性与安全性以及提高运营效率等。”
REE平台使用了多达11个AURIX™微控制器(TC3xx),可以保证线控驱动系统在出现故障时仍然能够正常运行,以提升行车安全和网络安全。该平台上的每个corner模块配备了两个微控制器来实现驱动转向、制动等所有本地驾驶功能。另外两个嵌入中心模块的微控制器则作为域控制器来采集和管理数据,并实现四个corner模块的同步运行。另一个AURIX微控制器则位于一个单独的电子控制单元(ECU)中,主要负责管理车辆底盘。另外,该平台还搭载了英飞凌的许多其他车用半导体器件,包括功率MOSFET产品、功率集成电路(DCDC)、磁性传感器等。
作为汽车半导体市场的领导者,英飞凌拥有全面的汽车半导体产品组合和系统级解决方案,产品涵盖了传感器、微控制器、用于特定应用的高性能存储器、基于硅(Si)和碳化硅(SiC)的功率半导体以及用于人机交互应用和车联网的器件等。
英飞凌与众多老牌Tier 1供应商、传统车企以及造车新势力开展合作,借助其行业领导地位推动汽车行业向绿色出行转型升级。如需进一步了解英飞凌为推动绿色出行所提供的产品,请访问www.infineon.com/mobility。
随着汽车排放法规的出台和消费者环保意识的增强,电动汽车市场呈现出了强劲的增长势头。有分析师预测,至2027年,纯电动或混合动力汽车将占到汽车总产量的50%以上。逆变器正是电动汽车驱动系统的“心脏”。2021年生产的电动或混合动力汽车,几乎每两辆中就有一辆在逆变器中使用了英飞凌的半导体器件。此外,英飞凌AURIX™微控制器推动了电动汽车、高级驾驶辅助系统(ADAS)、自动驾驶、汽车电子电气(E/E)架构以及经济适用的人工智能(AI)应用的发展。
好文章,需要你的鼓励
VisTA是一种新型强化学习框架,使视觉AI能够自主探索、选择和组合多种视觉工具。与传统方法不同,VisTA无需人工监督,通过反复尝试学习哪些工具最有效。研究团队在ChartQA、Geometry3K等测试中证明,VisTA显著优于训练免费基线,特别是在分布外样本上表现更佳。其核心创新在于使用群体相对策略优化算法,让AI代理能够根据实际性能而非预设规则来选择工具,为未来发展更灵活的视觉推理系统铺平了道路。
这项研究引入了DFIR-Metric,首个专门评估大语言模型在数字取证与事件响应领域能力的基准测试集。由阿布扎比技术创新研究院领导的国际团队开发的测试包含三个部分:700道理论多选题、150个CTF风格的实际挑战,以及500个基于NIST标准的磁盘与内存取证案例。研究测试了14种顶尖大语言模型,发现虽然它们在理论知识方面表现良好(最高达92.75%准确率),但在需要多步推理的实际取证任务中仍存显著差距(最佳模型仅能解决28%的任务)。
Meta研究团队发现大语言模型在复杂推理任务中,更短的"思考链"反而能带来更高的准确率。研究人员通过三个顶级语言模型的实验证明,选择最短思考链可以比随机选择提高18.8%准确率,比最长思考链提高34.5%准确率,同时显著减少计算资源消耗。基于此,他们提出了"short-m@k"方法,只从最先完成的m个思考中选择答案,既能提高模型表现又能节省高达40%的计算资源。这一发现颠覆了"思考越多越好"的传统观念,为更高效的AI推理开辟了新路径。