新闻中心

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。

如果你曾花时间配置过VLAN、调整过QoS策略，或者排查过以太网交换基础设施的故障，那么汽车行业目前面临的架构挑战会让你感到出奇地熟悉。

在Indeed Hiring Lab关于职场中使用AI 的新研究中，爱尔兰在所涵盖的国家中位居榜首。该调查覆盖了包括爱尔兰在内的多个国家的8万多名员工，结果显示70%的爱尔兰员工会在工作中使用AI 。

电动汽车（EV）的开发日益受到软件复杂性、数据量以及更短的验证周期的影响。因此，人工智能（AI ）正被引入整个开发和测试工作流程，以加速工程周期、提高诊断深度，并减少对后期物理验证的依赖。