Kesan Gen AI pada generasi pengangkutan akan datang
Generasi pengangkutan akan datang bergantung pada elektronik, kemampanan dan pengalaman sebagai teras reka bentuknya, Gen AI mempunyai kesan ke atas setiap mod ekosistem pengangkutan generasi akan datang yang dibayangkan. Pasaran mempunyai lima bidang tumpuan khusus: EV (kenderaan elektrik), AV (kenderaan autonomi), Mobiliti mikro (sambungan batu pertama), Hyperloops (pengangkutan awam berkelajuan ultra tinggi) dan UAM (mobiliti udara bandar). Terdapat banyak evolusi dan perubahan, seperti eVOLT (electric vertical takeoff and landing) atau isyarat bersepadu untuk pengurusan kawalan trafik. Terdapat banyak bidang yang sedang berkembang, seperti integrasi antara mod (integrasi laluan lancar), kemampanan (reka bentuk kenderaan), ketersambungan dan automasi (pengurusan lalu lintas, alternatif), mobiliti dikongsi (perkongsian sumber dan jejak kenderaan yang dikurangkan) . Transformasi sektor pengangkutan menyediakan peluang yang tidak berkesudahan untuk Gen AI sebagai bahagian penting dalam teknologi asli.
Gen AI telah merevolusikan bidang pemanduan autonomi, pengoptimuman laluan, pengelakan halangan dan pengurusan diri (tempat letak kereta, titik buta, dll.). Walau bagaimanapun, kita perlu mengembangkan ufuk kita untuk mengurus alam sekitar dengan berkesan dan mencapai pengangkutan tanpa kebimbangan. Kami akan menumpukan pada 3 bidang utama: pengalaman pengguna, kecekapan dan prestasi serta keselamatan.
Pengalaman Pengguna
Pengalaman sebelum menaiki kereta boleh dibahagikan kepada dua bidang berbeza: pengalaman membeli dan pengalaman memilih perjalanan. Gen AI boleh mempengaruhi keputusan pembelian berdasarkan ciri, pilihan peribadi, kemampuan, kemampanan dan kos insurans komprehensif berdasarkan sejarah pemanduan. Dalam proses ini, menggunakan set kepala VR/VR untuk pacuan ujian dan digabungkan dengan data sejarah melangkaui pengagregatan media sosial, Gen AI boleh menyesuaikan pilihan watak yang diperibadikan untuk mengubah keseluruhan pengalaman perjalanan.
Saiz pasaran kereta terpakai dijangka 31.62 bilion dolar AS, jadi analisis data dan cadangan untuk pemajakan, pembelian dan kereta terpakai dilakukan melalui sistem Gen AI, analisis sejarah kenderaan berasaskan VIN dan ramalan hayat perkhidmatan yang berkesan berdasarkan model kenderaan, rupa bumi yang digunakan oleh kenderaan, Sejarah kemalangan, dsb., boleh menambah nilai kepada pembeli.
Pemilihan tunggangan ialah satu lagi bidang yang AI akan memberi impak yang besar. Pengagregatan mod perjalanan, pengagregatan data persekitaran, ramalan pengangkutan paling kos efektif merentas segmen, pemasaan optimum dan penyepaduan pengangkutan akan menjadi kunci kepada pengangkutan yang cekap. Gen AI akan memainkan peranan penting dalam pengangkutan bandar dengan keupayaannya untuk meramalkan laluan optimum dan pilihan pengangkutan yang kos efektif. Terdapat kawasan lain termasuk POI, perjalanan/bulan dan pengurusan belanjawan perjalanan yang akan diturunkan dengan berkesan ke apl perjalanan berasaskan Gen-AI teratas.
Kecekapan dan Prestasi
Kecekapan dan prestasi dalam pengangkutan bandar adalah satu lagi bidang dengan pelbagai kes penggunaan yang boleh dilaksanakan dengan berkesan melalui integrasi Gen AI. Walaupun penyelenggaraan ramalan, pemeriksaan jauh dan analisis komponen dalaman dalam apa jua keadaan adalah sebahagian daripada standard. Gen AI boleh memberikan panduan masa nyata kepada pemandu dengan mengesyorkan pecutan dan brek, beberapa parameter utama yang mengawal jangka hayat kenderaan elektrik, berdasarkan persekitaran (trafik, cuaca) dan aliran trafik yang dijangkakan. Gen AI boleh membantu mendayakan mekanisme brek dan penjanaan semula adaptif dengan menentukan jumlah tenaga yang disimpan sementara dan mekanisme untuk menghilangkan atau memasukkannya semula ke dalam sistem berdasarkan senario. Gen AI boleh mengurus kawalan powertrain dengan berkesan dan melaraskan kuasa yang dihantar dengan mengoptimumkan tork yang disampaikan dalam situasi tertentu berdasarkan ramalan daripada data masa nyata.
Prestasi kenderaan dipengaruhi oleh banyak faktor, di mana iklim dan rupa bumi adalah yang paling penting. Julat ditetapkan untuk setiap perubahan kenderaan, tetapi penggunaan sebenar bergantung pada kawalan iklim dan rupa bumi pemanduan. Berbanding dengan jalan rata, pemanduan di kawasan berbukit menggunakan 10%-20% lebih tenaga. Teknologi Gen AI boleh digunakan dengan berkesan untuk perancangan perjalanan, penentuan kekerapan pengecasan dan pemilihan jarak dan rupa bumi yang optimum berdasarkan laluan. Sistem kecerdasan buatan termaju ini boleh menganalisis situasi sebenar kenderaan dan memberikan pemandu cadangan terbaik untuk meningkatkan kecekapan pemanduan dan menjimatkan penggunaan tenaga. Dengan kuasa pengkomputeran pintar Gen AI, memandu
Mobiliti mikro yang terdiri daripada rangkaian stesen dok, titik pengecasan, penyepaduan pengangkutan, keselamatan dan perancangan rupa bumi boleh dicapai dengan mudah menggunakan ramalan berasaskan Gen AI, status inventori semasa dok tertentu mata. Masa pemindahan, purata masa perjalanan berdasarkan umur, jantina, corak mobiliti mikro, kesihatan pengguna, dsb.
Tingkah laku pemanduan boleh dilaraskan berdasarkan profil pemandu, termasuk peranan, kawalan penggantungan, stereng, brek dan pecutan, dan diramalkan dengan tepat oleh Gen AI.
Keselamatan
Keselamatan dalam pengangkutan generasi akan datang membawa pelbagai peluang melalui Gen AI, beberapa daripadanya telah dilaksanakan dalam ruang yang mudah diakses seperti pengecaman muka dan kawalan pintu. Tetapi sebaliknya, permukaan serangan meningkat dengan komunikasi luaran, termasuk V2X menggunakan DSRC (Directed Short Range Communications) serta WIFI standard dan teknologi selular. GenAI boleh disepadukan dengan sistem keselamatan untuk memainkan peranan penting dalam menganalisis corak dan menjana trafik yang boleh digunakan. ECU sangat bergantung pada sistem pengendalian masa nyata seperti Autosar, QNX atau versi tersuai, dan terdapat pelbagai kemungkinan serangan keselamatan sistem yang boleh mengesan corak trafik dan mengeluarkan amaran atau menghalang pengubahsuaian parameter bukan standard. Gen AI, yang digunakan untuk mengurus keadaan sah pelbagai parameter terdedah, boleh diuruskan dalam ruang nama terpencil dan menghantar semula parameter yang sah kepada ECU untuk operasi.
Sementara Gen AI membuka banyak kemungkinan untuk pemodenan pengangkutan, mekanisme baharu dan data sintetik untuk pemodelan senario yang berkesan akan mengambil masa. Mudah-mudahan, apabila Gen AI mengembangkan keupayaannya dan menjadi lebih cekap dalam mentafsir logik, ia akan dapat mengubah secara dramatik industri pengangkutan pada tahun-tahun akan datang.
Atas ialah kandungan terperinci Kesan Gen AI pada generasi pengangkutan akan datang. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
