【2023年5月10日,德国慕尼黑讯】全球车用半导体领导厂商英飞凌科技股份公司 (FSE: IFX / OTCQX: IFNNY) 与全球最大的科技制造与服务商鸿海科技集团 (TWSE:2317) 近日宣布已签订一份合作备忘录,双方将在电动汽车领域建立长期的合作关系,共同致力于开发具备高能效与先进智能功能的电动汽车。
英飞凌科技汽车电子事业部总裁 Peter Schiefer与鸿海科技集团电动汽车首席战略官关润 (由左至右)
根据此次协议,双方将聚焦于碳化硅(silicon carbide, SiC )技术在电动汽车高功率应用的使用,例如:牵引逆变器 、车载充电器以及 DC-DC 转换器等。英飞凌通过运用对于车用系统专业知识、车用技术以及碳化硅产品资源,结合鸿海在电子设计及制造领域的专业优势以及在系统层级整合的能力,将共同打造性能更出色、效率更高的解决方案。
此外,双方计划在中国台湾地区共同设立一个系统应用中心,以进一步扩大双方的合作范围。该系统应用中心将专注于优化汽车应用,包括智能座舱应用、高级辅助驾驶系统以及自动驾驶应用,同时也在电池管理系统 (Battery Management Systems, BMS)、牵引逆变器等电动汽车应用进行合作。
英飞凌科技汽车电子事业部总裁 Peter Schiefer 表示:“汽车行业正在演进。随着电动汽车市场的高速成长,对于更多续航里程及性能的需求也日益增加,电动汽车的发展必须不断推进与创新。英飞凌对技术创新及质量零缺陷的承诺与热情,也让我们成为客户的最佳合作伙伴。我们很高兴能够携手鸿海科技集团,共同谱写电动汽车发展的新篇章。”
鸿海科技集团电动汽车首席战略官关润表示:“很高兴能与英飞凌合作,我们有信心通过此次合作,共同打造电动汽车的最佳架构、产品性能、成本竞争力以及高度的系统整合,为客户提供最具竞争力的汽车解决方案。”
本次合作产品范围涵盖了英飞凌广泛的车用产品组合,包括:传感器、微控制器、功率半导体、特定应用的高性能存储器、人机交互界面 (HMI) 以及安全解决方案等。英飞凌与鸿海合作的车用系统应用中心预计将于2023年落成启用。
关于鸿海
鸿海精密工业股份有限公司(台湾证券交易所代码:2317)于1974年成立于中国台湾,以模具为根基,扩展为高科技服务企业。在电子代工服务领域(EMS)市占率超过四成,排名世界第一,涵盖智能消费电子、云端网络、电脑终端、元件及其他等四大产品领域。在全球24个国家地区设有据点,员工总人数于季节性高峰时超过一百万人。
2022年合并营收新台币6.62兆元(约2,195亿美元),并蝉联《财富杂志》(Fortune) 全球500大企业排行榜第20名。近年来,鸿海积极投入“电动汽车、数字健康、机器人”三大新兴产业以及“人工智能、半导体、新一代通信技术”三项新技术领域,以“三加三”结合作为集团重要的长期发展策略,为全球标竿客户提供完整解决方案,成为全方位智能生活提供者。
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。