新闻中心

[原文为德语] 一台SDV每天可能产生多达2太字节的碎片化且不统一的原始数据，这些数据对AI模型而言无法利用。相比AI模型的规模，一个合理的数据基础以及对车辆、边缘和云端数据的端到端协调，对于数据的可处理性更为关键。

美国——在5月4日至7日于拉斯维加斯会议中心举行的“先进清洁交通博览会”上，Sonatus 公司展示了一个用于监控新车研发的数字平台，该平台采用了与其车队运营智能诊断系统相同的技術。

[原文为德语] Sonatus 为未来能够自我优化的车辆铺平了道路。借助智能边缘人工智能，汽车正从静态系统转变为具备学习能力且高度安全的软件定义车辆。

多年来，汽车诊断领域的瓶颈在于数据——如何采集数据、传输数据，以及如何收集足够的数据来了解车辆内部的情况。

现代产品的运作方式已不再像应用程序，而更像生态系统。一次客户体验涵盖了嵌入式控制器、云服务、移动应用、供应商组件以及实时数据管道。

调查显示，在软件定义汽车行业中，智能诊断和预测性维护正逐渐成为AI 的主要应用场景，但预期中的商业化收益尚未实现

借助与车队维护相关的新兴人工智能技术，车队每辆车有望节省数千美元，并减少数小时的人工成本。但如何超越“AI”这一流行词，真正实现运营解决方案呢？

智能诊断和预测性维护现已成为软件定义汽车中AI 的主要应用场景，在Sonatus 和Omdia进行的一项全球调查中，34%的受访者提到了这一点。

人工智能正稳步应用于商用车领域，但目前的应用往往聚焦于特定领域——旨在逐一解决某个痛点。车队可能会利用AI 来优化维护计划，整车制造商可能会将其用于加快验证流程，而供应商则可能会尝试车载模型。

Sonatus 通过SDVerse提供其AI 技术员版、CollectorAI 和AI 总监版解决方案，以支持基于AI 的车辆开发和生命周期管理

随着汽车制造商逐步转向集中式计算平台和空中升级，碰撞维修企业面临着在工具、培训和数据管理方面的新要求。

如今，电动汽车（EV）的设计需要采取系统级的方法。一个子系统中的决策会直接影响整车的性能。工程工作正逐渐转向研究这些相互作用在实际运行条件下表现如何。