当智能手表提醒我已经达到一万步的时候,这只是我的CES逛展的开始……
只是穿梭于LVCC的几个展厅,还不包括跨区的展厅,轻轻收获几万步,这是每一个来过CES的人的独有体验。
今天,我有幸再次来到CES,希望从这里看到产业的风向与趋势。当忙完一天的视频拍摄任务,我回到酒店,开始复盘今天的收获,希望与大家分享一些个人感受。
家电数码企业纷纷转向汽车赛道
汽车还是汽车,索尼、松下、海信、TCL等纷纷推出汽车产品,包括智能座舱、底盘、自动驾驶等,展示了在电气化和智能化等领域的最新成果。
对于CES来说,数码消费电子是主打,但是对于CES 2024来说确实风向转变的一年。
因为我在会场感受到的情况是很多企业都推出了面向汽车行业的产品,印象深刻的是海信和TCL就推出了面向汽车座舱屏显的产品。
在CES上,TCL华星车载智能座舱进行了首发,带来多元化车载显示解决新方案。
还有就是索尼、松下等推出整车产品。索尼与本田合资企业Sony Honda Mobility展示了Afeela电动汽车。
Afeela内部设计了一个超长的集成式中控屏,并集成了索尼影视、音乐、游戏等娱乐功能。此外,他们还与高通合作开发了一款数字底盘移动平台,并搭载了Epic虚幻引擎5。
汽车的电动化与智能化为厂商跨界提供了非常好的切入点,因为智能化的汽车从声光电方面都在变化,比如近期国内新发布的汽车在车灯、屏幕等方面都足够创新,智能座舱系统将车内的声、光、影音、触控操作等功能逐渐集成在一起。
从这个意义看,家电和数码企业在汽车产业变革中的机会还是非常大的,也就说汽车产业的链条在变宽变厚。
传统车企的华丽转身
当然车企也不甘落后,比如奔驰和宝马、现代,在座舱的人机互动方面进行了极大挖掘,提升了数字化体验。凭借在车辆和驾驶的理解,奔驰、宝马、现代等车企在数字技术应用方面也是极具潜力。
例如宝马在人机交互方面,通过XREAL Air 2增强现实眼镜提升驾驶体验;奔驰发布了全新的MB.OS车机系统。
要知道Know-How在数字化转型方面是关键先生,虽然行业的野蛮人会敲门,但是对于汽车行业的深刻认识在推动产业变革方面是非常重要的。
我也是新能源汽车的车主,但是我没有选择那些新势力造车企业,而是传统车企下面的新能源品牌。
虽然在汽车网联化和智能化的趋势下软件非常重要,但是硬件是基石,特别是对于汽车来说,功能安全是首选。
汽车需要本质性的变革,而不是那些”大沙发和电冰箱”,虽然那会提升车主体验,但是汽车的革新需要在驾驶层面做更多文章。
半导体企业积极踊跃
当百年汽车产业迎来新的变革时候,芯片企业扮演了重要角色。因为对于现在的汽车来说,芯片已经成为必不可少的组件,而且可以说是最重要的部件。
如今,汽车的智能化、电动化、网联化变革,需要芯片产业与技术不断进化。
越来越多的企业进入汽车芯片市场,不仅包括既要加大研发又要守住阵地的恩智浦、英飞凌、瑞萨、德州仪器等传统的汽车半导体巨头。还包括英特尔、英伟达、高通、三星、赛灵思等计算与通信半导体企业。
在今年的CES上,围绕智能座舱和自动驾驶,英特尔、AMD、高通、NVIDIA等都推出了相关芯片产品和解决方案。
例如在CES上,英特尔宣布计划收购Silicon Mobility SAS,并推出全新的AI增强型软件定义车载SoC系列。如今,英特尔的SoC已应用于5000多万辆汽车,为信息娱乐系统、显示器、数字仪表盘等提供支持。
在CES上,AMD推出用于自动驾驶的Versal Edge XA(车规级)自适应SoC和适用于座舱的Ryzen(锐龙)嵌入式V2000A 系列处理器。
NVIDIA在CES上表示理想汽车已选择NVIDIA DRIVE Thor集中式车载计算平台为其下一代车型赋能。同时宣布长城、极氪、小米汽车已在其新一代自动驾驶系统中采用NVIDIA DRIVE Orin平台。
在CES上,高通展示了骁龙数字底盘,以及支持数字座舱和驾驶辅助功能的全新车载中央计算平台。
结语
总体觉得,今年CES汽车成了大热点,虽然往届的CES也将汽车作为重点展示,但是这次则是汽车这股潮流蔓延了其他电子行业,而不只是原来的车企链条。例如显示屏企业开拓车载屏显,数码企业开发座舱。
汽车已经不再局限于一个交通工具,而是智能的移动终端。当智能化浪潮席卷汽车产业,其蕴含的产业机会是巨大的。很显然,智能化时代的汽车行业将会爆发巨大的能量。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。