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
美国网络安全和基础设施安全局指示联邦机构修补影响思科ASA 5500-X系列防火墙设备的两个零日漏洞CVE-2025-20362和CVE-2025-20333。这些漏洞可绕过VPN身份验证并获取root访问权限,已被黑客积极利用。攻击与国家支持的ArcaneDoor黑客活动有关,黑客通过漏洞安装bootkit恶意软件并操控只读存储器实现持久化。思科已发布补丁,CISA要求机构清点易受攻击系统并在今日前完成修补。
康考迪亚大学研究团队通过对比混合量子-经典神经网络与传统模型在三个基准数据集上的表现,发现量子增强模型在准确率、训练速度和资源效率方面均显著优于传统方法。研究显示混合模型的优势随数据集复杂度提升而增强,在CIFAR100上准确率提升9.44%,训练速度提升5-12倍,且参数更少。该成果为实用化量子增强人工智能铺平道路。
TimeWave是一款功能全面的计时器应用,超越了苹果自带时钟应用的功能。它支持创建流式计时器,让用户可以设置连续的任务计时,帮助专注工作。应用采用简洁的黑白设计,融入了Liquid Glass元素。内置冥想、番茄工作法、20-20-20护眼等多种计时模式,支持实时活动显示和Siri快捷指令。免费版提供基础功能,高级版需付费订阅。
沙特KAUST大学团队开发了专门针对阿拉伯语的AI模型家族"Hala",通过创新的"翻译再调优"技术路线,将高质量英语指令数据转化为450万规模的阿拉伯语语料库,训练出350M到9B参数的多个模型。在阿拉伯语专项测试中,Hala在同规模模型中表现最佳,证明了语言专门化策略的有效性,为阿拉伯语AI发展和其他语言的专门化模型提供了可复制的技术方案。