伴随着数字化技术的发展,汽车也不会再成为一个个信息化的孤岛。车与车之间的数据互联互通,将会促进自动驾驶、智慧出行、智慧物流等技术的飞速发展。然而,车联网不是简单给汽车插上网线,在互联这个智能汽车最基本的需求中,包括各种各样的交互、升级,下载新的APP实现新的服务等。这些功能都是需要有联网的设备跟云端或者跟其它的车辆通信才能够实现。据统计,2018年售出大概3800万互联车辆,每个小时产生4TB数据,这个数据量非常巨大。恩智浦预测,2025年时,互联车辆渗透率将从2018年的40%增长到73%。
为了应对日益增长的车联网数据传输需求,在近期举办的恩智浦新产品媒体沟通会上,恩智浦大中华区资深市场经理余军苗向我们介绍了与汽车智能化、互联化相关的S32G处理器。
今年3月份,恩智浦量产了隶属于S32G系列的S32G2。从2020年1月,恩智浦在CES期间正式发布该产品到今天,这个产品已经非常成熟,并已经进入到量产阶段,明年开始,在市场上也会陆续遇见搭载这款处理器的新车型。
接下来余军苗就S32G2处理器产品特点向我们进行了介绍:
第一、S32G2处理器是一个汽车网络处理器,具备着更强、更高算力的处理器内核,包括高带宽的通信。所以,S32G可以释放车内的数据的全部潜力。
第二、S32G2处理器可以做一个服务型网关,在车辆的生命周期之内,可以部署各种各样的新服务和OTA的升级。
第三、S32G2处理器能非常好地满足中央网关或者中央计算单元内中央ECU芯片特性的功能。它的处理能力、算力以及网络通信能力都比以前提高了10倍以上,它的特点是借助具有硬件加速功能的多核架构,降低软件开发的复杂性。
第四、恩智浦在汽车电子领域耕耘多年,一代又一代的产品在汽车电子里扮演了非常重要的或者说不可或缺的角色。功能安全和信息安全一直是恩智浦的强项,S32G也继承了恩智浦这方面的优势。
随后,余军苗又将S32G的应用特性向我们进行了介绍:
以前网关或者网络通信的CPU都是一颗MCU,但是S32G除了MCU还放置了MPU,即A53,并且添加了通信加速器。正是这些新加入的部分令S32G能够实现新的应用或者新的功能。例如,当我们将A核和通信加速器放进入后,它可以满足此前传统的车辆网络通信,比如CAN网络、LIN网络。而S32G所具备的高算力和高带宽的通信则能够带来新业务,比如在A核上跑一个新的APP,从而实现一些未来的新业务。又如保险、OTA升级、车队管理等等,还有一些与安全相关的任务,比如与云端数据通信,将车内数据经过边缘计算大数据的分析和提炼得到结果。此外,还可以将你的使用习惯存到云端和OEM进行进一步相对应服务,这些在车联网的推广会越来越高。
总结来看,第一是车联网在未来几年内的推广力度会越来越高,第二是恩智浦S32G契合了当前的时代潮流,其新增特性能够满足服务型网关的要求,提供各种各样的新服务。
由此可知,S32G网络处理器是一款中央服务型网关处理器,能够快速部署各种新服务,用来做车辆的信息收集,做OTA升级等各种各样新应用;主要用于做服务型网关、域控制器和ECU的整合;提供ASIL D的功能安全处理,可以应用在自动驾驶的安全处理器。
目前S32G芯片所有的资料都已经在NXP官网公开出来,能够方便大众市场的客户下载恩智浦文档和软件包。此外,S32G芯片已经量产,也欢迎大家去找恩智浦的代理商去订购相应的样品的开发板进行试用。
好文章,需要你的鼓励
微软宣布推出Windows 365 Reserve预览版,这是一项云电脑服务,可在物理设备不可用时提供预配置的临时云电脑。该服务预装Microsoft 365应用、安全策略和Windows自定义设置,支持OneDrive数据同步,每年可使用10天。用户可通过Windows应用或浏览器在几分钟内连接。微软还更新了云电脑默认安全设置,禁用USB和剪贴板重定向功能。
浙江大学团队提出CanDist框架,让AI在数据标注时先提供多个候选答案而非单一答案,再通过师生框架筛选最优标签。该方法受心理学"模糊厌恶"启发,在六个文本分类任务上表现优异,相比传统方法平均提升18-27%准确率,为AI数据标注提供了更智能可靠的解决方案。
智能体AI具备推理、适应和自主行动能力,能够以机器速度运行,有望彻底改变企业维护数字韧性的方式。它结合了大语言模型的对话分析体验和智能体框架的任务执行自动化,帮助IT团队从被动救火模式转向主动规划模式。智能体AI可瞬间定位根本原因、预防中断和停机、提供实时洞察并优化人力资源配置,为企业数字生态系统的安全和可靠性能交付提供全新解决方案。
微软联合多所知名高校开发了SwS框架,让AI模型能够自主识别学习弱点并生成针对性练习题进行自我改进。该方法在数学推理任务上取得显著效果,7B和32B模型平均性能分别提升10%和7.7%。通过"弱点诊断-针对性出题-强化训练"的三步流程,AI首次实现了真正意义上的自我反思式学习,不依赖外部知识灌输即可持续优化自身能力,为人工智能的自主学习开辟了新道路。