基于Mobileye在安全和驾驶辅助技术方面20多年的丰富经验,EyeQ Kit将为未来的软件定义汽车提供更高的灵活性。
7月5日,英特尔子公司Mobileye正式发布首个面向EyeQ®系统集成芯片的软件开发工具包(SDK)——EyeQ Kit™,旨在为全球汽车制造商的驾驶辅助技术和面向未来的自动驾驶技术注入新动能。EyeQ Kit将充分利用EyeQ® 6 High和EyeQ® Ultra处理器强大的高能效架构,让车企在充分利用Mobileye已被验证的核心技术之余,也能在EyeQ平台上部署差异化的算法和人机接口工具。
Mobileye为高级安全驾驶辅助系统发布全新EyeQ Kit软件开发工具包
Mobileye总裁兼首席执行官Amnon Shashua教授表示:“EyeQ Kit是一个两全其美的解决方案,帮助客户既能受益于Mobileye久经考验的核心技术,也能让他们从自身在驾驶体验和接口方面的专业知识中获益。随着汽车越来越多的核心功能逐渐软件化,客户将需要极高的灵活性和空间来定义品牌并实现差异化。”
Mobileye中国区Managing Director路以理表示:“我很荣幸向我们的中国合作伙伴介绍Mobileye的 ‘EyeQ Kit’。这款产品将赋能中国本土主机厂进行尖端算法应用的自主研发,同时借助Mobileye已被行业验证的技术实力确保解决方案安全可靠。Mobileye的产品高效、经济,这是中国本土主机厂客户选择和我们站在一起的重要原因。在设计这套全新开发工具的过程中,我们充分了解了中国合作伙伴的需求,希望借此为他们的产品带来更多灵活性和差异化的功能。如今,行业客户面临着产品选择收窄的趋势,而Mobileye正在努力拥抱更开放的合作模式。”
通过EyeQ的硬件和软件,汽车制造商可以获得全面的Mobileye解决方案,包括计算机视觉、道路信息管理(REM™)自动驾驶汽车地图技术,以及基于责任敏感安全模型(RSS)的驾驶策略。EyeQ Kit使车企可以进一步挖掘Mobileye系统集成芯片的强大功能,在增强辅助驾驶功能的同时,为其品牌赋予独特的观感和体验。随着驾驶员和汽车之间交互及通信的视觉需求越来越复杂,EyeQ Kit为车企提供了定制关键信息流的新途径。通过更先进的增强现实显示屏,EyeQ Kit将帮助客户实现环绕可视化、自动车道保持和交通标志识别等功能。
EyeQ Kit由数百名Mobileye工程师开发而成,并汲取了英特尔和Mobileye深厚的技术实力,其中包括OpenCL标准等编译器和开发环境方面的专家,以及面向密集型计算和深度学习的编译框架。EyeQ Kit使车企能够轻松高效地开发属于自己的应用软件,同时它还支持第三方应用的嵌入式开发,从而降低因集成其他芯片所增加的成本。
从通用CPU内核到计算高度密集的加速器(包括深度学习神经网络),EyeQ 具有可扩展的模块化架构,可提供合适的能效来为汽车应用部署人工智能技术,并同时达到超高性能。目前已有超过1亿辆汽车搭载了前几代的EyeQ芯片,且几十家世界领先的汽车制造商选择EyeQ芯片,来为全球数百个车型提供安全和驾驶辅助功能。
现在,EyeQ Kit旨在降低开发成本、加快产品上市,并在整个开发周期(从概念、部署到性能调优)内为硬件厂商提供超高灵活性。
Mobileye总裁兼首席执行官Amnon Shashua教授表示:“Mobileye在计算机视觉、驾驶策略、REM和RSS等领域的核心技术由专用系统集成芯片驱动,可实现高可扩展性和高效率。汽车制造商现在可在Mobileye核心技术的基础上进行开发,并同时受益于我们专为高级驾驶辅助系统(ADAS)和自动驾驶汽车打造的多种加速器。车企可以依靠EyeQ Kit和EyeQ处理器系列快速、高效地实现面向未来的科技愿景。”
目前,一家大型全球汽车制造商已经部署了EyeQ Kit用于未来汽车产品的打造。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。