如今,连接性在汽车行业中已占据自然的位置。尽管消费者越来越愿意为车载数字订阅服务付费,以享受预测性维护、安全功能和自动驾驶等服务,但与此同时,消费者对行业中数据处理做法的担忧也在增加。
这些观点是由软件定义车辆 (SDV) 服务公司 Cubic3 委托进行的一项研究中的突出发现之一。该调查题为《消费者与 OEM 对软件定义车辆的态度》,采集了来自美国、英国、德国和日本的 8,000 名参与者以及 60 名全球原始设备制造商 (OEM) 高管的意见。为了了解并比较汽车高管和消费者对软件定义车辆的态度,同时进行了两项调查。OEM 调查由 Sapio Research 在 2024 年 10 月至 12 月期间进行,而客户调查则在 2024 年 9 月至 10 月期间进行。
调查将数字服务分为三类,以揭示消费者对各类服务的付费意愿,数据显示出对于在快速变化的汽车市场中运作的 OEM 而言,一个既微妙又乐观的未来。
研究发现,制造商面临的根本挑战在于如何说服并向驾驶者证明支付数字服务费用的好处,而这些数字服务构成了软件定义车辆不可或缺的一部分,从而使这一预期成为现实。随着数字原生代 —— 习惯于连接性的新时代驾驶者的出现,消费者支付数字服务费用的意愿呈上升趋势。
总体来看,研究预测到 2030 年软件定义车辆市场将创造超过 6500 亿美元的价值潜力。汽车制造商估计驾驶者每月愿意为数字服务支付 8 英镑,而驾驶者自己认为为 5.82 英镑,存在 27% 的差异。然而,在车辆使用率较高的国家,如美国,支付意愿则有所增加。英国受访者表示他们每月愿意支付的金额最少,仅为 4.89 英镑。
全球近一半消费者 (全球: 51%; 英国: 48%) 愿意为“基于车辆的服务”付费,如自动驾驶。全球有 40% 的消费者 (英国: 42%) 愿意为“连接服务”付费,如视频与音乐流媒体;另有 39% 的消费者 (英国: 40%) 愿意为数据服务付费,如预测性维护。全球超过四分之一的消费者,以及英国约五分之一的消费者,已有为其车辆支付数字服务费用的经历,而在全球 18 至 24 岁年龄段中,这一比例几乎翻倍,达到 44%。全球仅有五分之一的消费者表示他们不愿意支付任何月度订阅费用。
调查发现,OEM 正密切监控着黑客可能针对的目标,例如接口与应用程序接口、数字 SIM 卡、信息娱乐系统与远程信息处理系统。所有消费者均对行业中数据处理的做法表示担忧,其中一半 (全球: 48%; 英国: 46%) 表示他们担心自己的车辆可能会遭到黑客攻击。
幸运的是,OEM 对汽车网络安全极为重视。大约 86% 的受访者强调,他们认为数字服务的网络安全非常重要,同样比例的人表示,连接性在保护车辆整个生命周期中也至关重要。
展望未来,该报告建议汽车 OEM 既需要对数字服务进行货币化,也要将其转变为经常性收入来源。汽车制造商认为,预测性维护、增强安全功能与自动驾驶最有可能为经常性收入做出最大贡献,同时,行业中已经出现了通过空中升级来彻底改变消费者满意度、安全性与便利性的发展机遇。
Cubic3 首席企业官 David Kelly 表示:“直到最近,大多数消费者都认为购车是一劳永逸的事情。虽然车载数字服务付费这一概念相对较新,但我们已经看到消费者在这一领域中有显著的采纳。OEM 需要时间来说服公众数字服务的价值,但看到年轻驾驶者 —— 所谓的数字原生代 —— 乐于为这些服务付费,这一现象令人鼓舞。”
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。