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
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。