邊緣 AI 如何變革駕駛安全

0:00 《Driving Innovation 》播客簡介

歡迎收聽《Driving Innovation 》，這是由Sonatus 推出的播客節目，旨在探討正在重塑汽車與移動出行產業的技術與解決方案。

今天，我們將探討「邊緣運算的AI 」如何改變駕駛人風險評估、保險創新以及車載智慧技術。

0:19 來賓介紹：西瓦·約加納坦

今天與我一同參與節目的，是 MOTER Technologies 工程副總裁 Siva Yoganathan。

MOTER 正透過突破傳統承保模式，並運用實際駕駛行為、情境化車輛數據以及內建的AI ，致力於重新定義保險科技（Insurtech），以打造更安全、更個人化的出行體驗。

0:39 MOTER 與Sonatus

在這場對談中，我們將探討 MOTER 與Sonatus 如何攜手合作，透過Sonatus AI Director，將先進的「AI 」模型直接部署於車內，從而實現即時駕駛輔導、可擴展的部署、更強大的隱私保護，並為基於行駛行為的保險與安全領域開創一種根本上嶄新的方法。

1:09 了解 MOTER 在風險情報中的角色

Sival，歡迎加入Driving Innovation 。首先請簡要介紹一下您在該公司的職務。

桑傑，感謝您邀請我參與這檔播客節目。MOTER 是一家保險科技公司，我們專注於開發AI 基礎模型，用於邊緣端的風險智慧分析。我們的重點不僅在於衡量風險，更在於實際降低風險；此外，我們並非將車輛僅作為資料蒐集的工具，而是致力於建構AI 模型，藉此協助解讀與分析這些資料，並直接在邊緣端創造價值。

正因如此，MOTER 才將重心放在這方面；正如其名稱所示，MOTER 代表「邊緣端的即時移動性」。

好的。

所以這就是我們的名字。這真有創意。

謝謝。據我理解，MOTER 的做法遠遠超越了傳統的「按使用量計費」保險模式。能否請您說明，貴公司的駕駛風險分析模型在根本上有哪些不同之處？以及為何您如此強調「情境駕駛智慧」在此情境下至關重要？

2:21 傳統風險分析與情境風險分析

沒錯。所以，當你思考傳統的基本收入（UBI）時，它們主要採用以煞車、加速和轉向等事件為基礎的機制，對吧？還有超速。

他們確實能帶來價值，這是無可否認的。但重要的是要理解特定駕駛人踩下煞車時的具體情境。我們以急煞車為例，好嗎？例如，駕駛人可能會因為同車道前方突然出現障礙物，而猛踩煞車。

這就是避讓。這很棒。但如果煞車是由於長時間的緊跟前車、行車分心或過度偏離車道所導致的呢？這些都是可以糾正的風險事件，且能減少碰撞事故，對吧？

3:08 風險評估中情境化考量的重要性

因此，情境化至關重要。因此，在建構基礎模型時，我們會透過觀察車廂內的道路景象以及基本的車載資訊來分析事件，進而建立一套經保險局核准、用於評估風險的「AI 」基礎模型。

3:28AI 車載機型中的邊緣運算

太好了，所以你們希望能夠消除誤報。如果有人是基於正當理由踩煞車，你們當然不希望因此懲罰他們。這完全說得通。這次合作最吸引人的地方之一，就是這些模型能直接在車內運行。對 Moter 而言，邊緣運算為何如此重要？

沒錯。桑傑，我長期從事移動出行領域的工作，曾參與物聯網（IoT）和車對車通訊（V2X）相關專案，現在則在 MOTER 從事保險科技（insuretech）工作。在這方面，能夠近乎即時地提供回饋同樣至關重要。就拿今天為例吧。

在美國的普通一天裡，道路上有數千萬輛車在行駛。試想一下，如果每輛車都必須將所有車輛數據傳送至雲端進行處理，會是怎樣的情形呢？而且，其中一些關鍵資訊的當事人——也就是消費者——正身處車內。你必須將這些資訊傳回給駕駛員，供其使用。

所以這並不有效，對吧？因此，當我們能夠在邊緣端部署這些AI 基礎模型時，這些令人驚豔的應用案例就能立即被採用和運用。正因如此，能夠在邊緣端運行我們的模型，對我們而言是一個非常重要的機會，對吧？這確實能大幅簡化整個流程。

大數據傳輸被中斷了，車內的用戶體驗以及隱私都是關鍵因素，對吧？既然這些資料可以在邊緣端直接進行處理和分析，為什麼我們還得把所有資料都傳送到雲端呢？

5:05Sonatus AI 總監（現為Fastlane Edge ）在部署中的角色

讓我們具體談談「Sonatus 」AI Director。它在使此次部署達到生產就緒狀態方面發揮了什麼作用？

因此，從像我們這樣的保險科技公司角度來看，我們的核心競爭力在於駕駛行為分析。因此，我們投入了相當多的時間來建構這些複雜的AI 基礎模型。但這僅僅是問題的一部分。我們該如何部署這些模型呢？

仔細想想，有數十家原始設備製造商（OEM）。每家都有許多品牌和型號。它們每年都會進行分銷。而在這之下，還存在著多種硬體基礎架構和作業系統基礎架構。

那麼，我們該如何部署這些模型呢？對吧？貴公司的「AI Director」就是一個絕佳的範例，也是極佳的解決方案，它實際上將所有複雜性從我們身上抽離了，對吧？我們可以專注於我們的核心競爭力——駕駛行為風險分析。

我們建立這些模型，並將其應用於您的基礎架構中。一旦建立 OEM 合作關係，是的，這確實是必要的。

不過，實作基礎架構這部分，就交給你們處理了，對吧？你們幫我們將所有這些複雜性抽象化。正因如此，我們才能如此輕鬆地在各家 OEM 廠商和不同品牌之間進行部署，同時仍能為使用者提供一致的使用體驗。

6:27 風險情報的多種用途

是的，這說得通。現在，貴公司的平台既能產生保險評分結果，也能提供駕駛指導的見解。您認為汽車製造商和保險公司將如何從這些雙重功能中受益？

你知道嗎，當今保險業在安全領域面臨的挑戰之一，就是市場的碎片化，對吧？因此，保險公司既會評估特定駕駛人的風險，也會評估整個投資組合的風險，對吧？而駕駛人則會關注自己能改進哪些方面，以便提升行車安全，同時也有機會降低保費。所以，必須建立一套基礎的AI 模型集合，讓該生態系統——也就是移動出行生態系統——中的每個實體、每位利害關係人都能使用，對吧？

OEM 廠商，對吧？所以他們也有這方面的需求，對吧？因此，他們正投入數十億美元於 ADAS 以及一級至五級的自動駕駛技術。但這些車輛功能——我們以 ADAS 中的「跟車過近」功能為例，對吧？

說明上寫著可以將設定調整為一輛車的距離、兩輛車或三輛車的距離。但身為消費者，他們該如何知道哪種設定對自己來說比較安全呢？

對吧？雖然原廠（OEM）確實有提供建議，但這些建議並未針對我的安全特性進行客製化。因此，這些直接在邊緣裝置上運行的AI 基礎模型，會儲存駕駛人的安全特性檔案，並能據此推薦適合該駕駛人的設定。

是啊。對吧？

因此，我認為駕駛輔助系統的價值不僅在於提供即時警報和事件通知，更在於協助將車輛配置為對駕駛人而言既安全、又能提供個人化體驗的狀態。我們看到，這些AI 模型不僅能協助保險公司評估風險、引導駕駛人改善行車行為，對於交通部（DOT）和地方政府等基礎設施管理單位而言，若想了解其轄區、次級行政區及道路網絡中出現何種行車行為，以及如何加以改善，這些模型同樣能提供協助。 因此，所有這些系統都必須能在邊緣端運行，並能收集、分析數據。這些AI 模型在邊緣端運行，負責收集、分析、處理數據，而這些處理後的數據會根據使用者偏好的使用者體驗（UX），分發給不同的使用者。

8:57 車載嵌入式AI 的未來

當您展望未來時，您認為嵌入式AI 以及車載智慧技術接下來將朝哪些方向發展？請從宏觀角度談談，您顯然從事風險情報等相關工作，但或許還能更進一步。

我真心認為，嵌入式AI 目前仍處於初期階段，對吧？而問題的一部分在於能否有效管理基礎設施的部署，對吧？我們雖然能建構出這些令人驚嘆的模型，但需要一種方法來部署這些模型，並將其價值傳遞給消費者和客戶，對吧？我認為目前正投入大量心力在安全方面，舉例來說，從保險的角度來看，包括風險評估、風險分析模型，以及即時駕駛輔導等，對吧？

9:42 預防性風險路由的創新

我認為下一步是建立預防性風險路由能力。舉例來說，今天我想從 A 點前往 B 點，輸入目的地地址後，系統會根據擁塞狀況、預計抵達時間以及其他幾項參數來推薦路線。但試想一下，如果這些基於AI 的分析模型能提供節點級的評估——例如每個交叉路口，或是每英里、半英里等特定固定點——並為其賦予分數，也就是風險分數。 如果這些數據被傳送到雲端，那麼你的路線規劃就能根據你的目的地來決定，對吧？

接著觀察這條路線，上面有十個停讓標誌，其中許多都屬於高風險路段，那麼我們就改走另一條路線，對吧？我認為，這正是下一級別的路線規劃創新，而邊緣運算AI 將能提供協助。第三點我們已經稍微提過，就是車內的個人化體驗。 如今您坐進車內，有些車款可能提供選項一、二、三，您可以選擇預設記憶模式，系統便會調整您的座椅、方向盤，甚至可能記住您的音樂偏好等等，對吧？

11:04 結論與未來展望

這真是令人著迷。西瓦，感謝您蒞臨本節目，並分享 MOTER 如何協助重塑保險科技（Insurtech）與智慧移動的未來。這項合作確實凸顯了車載邊緣運算（AI ）日益增長的重要性，它不僅能實現更智慧的保險服務與駕駛輔導，更能提升連網車輛生態系統中的隱私保護、可擴展性及即時響應能力。

11:26 總結發言與後續步驟

感謝您的收聽，敬請持續關注我們與那些正在塑造軟體定義車輛（software defined vehicles）及汽車工業未來之創新者的更多對話AI 。