Sonatus AI 技术员构建器

00:00 概述

欢迎收听《Driving Innovation 》的又一集节目，这档播客致力于探索推动汽车行业迈入软件定义创新新时代的前沿解决方案与技术。

今天，我们将深入探讨，由合适的SDV基础设施支持的人工智能如何赋能汽车制造商，为车主提供无缝且愉悦的用车体验。

本次对话的嘉宾是史蒂夫·斯托达德（Steve Stoddard），他是Sonatus旗下AI 技术专家配置工具的产品经理。

史蒂夫将帮助我们了解，这一创新解决方案如何利用强大的AI 和实时车辆数据，从而简化车辆拥有和维护流程。

此外，我们还将探讨使这些先进应用成为可能的SDV基础技术。

让我们开始吧。

01:00 先进汽车技术的复杂性

史蒂夫，欢迎来到《Driving Innovation 》。谢谢你，桑杰。很高兴能来到这里。很高兴你能来做客。如今的汽车里集成了大量技术。

而且它们也变得非常复杂。这种复杂性给人们带来了哪些挑战？

是的，这是个很好的问题。我认为对于驾驶员来说，一个常见的问题是对车辆警示灯的误解——仪表盘上显示的这些符号导致许多汽车制造商制作了这些电子版车主手册来帮助理解这些内容，但这在某种程度上忽略了这些符号的真正含义以及遇到这些情况时应该如何实际应对。 我认为，对于维修技师来说，数字化进程往往导致他们不得不更换整套部件，而且随着故障诊断代码（DTC）和信号代码的激增，大家对这些代码的含义也更加困惑。而对于汽车制造商而言，他们经常面临这样的问题：无法针对整个车队深入了解实际情况，也无法掌握正在出现的问题类型，从而无法有效避免召回。

那么，我们今天要讨论的是索纳塔（Sonata）的“AI ”技术方案构建器。我想你可能会告诉我，其中很多问题都可以通过类似“AI ”这样的技术方案来解决。所以，请帮我们了解一下“AI ”技术方案是什么，同时也请解释一下该解决方案中“构建器”部分具体包含哪些内容。

是的，完全正确。我们发现的一个问题是，许多使用此类工具的用户对车辆的实时状况缺乏深入了解。要知道，如今AI 领域已经取得了许多进展。

而且我认为，如果你遇到车辆问题，可以去问谷歌或查询ChatGPT，但问题在于，你得到的答案往往是基于互联网上的信息，以及它们对你的车辆状况的推测。 真正缺失的是车辆连接这一环节——数据连接，以及访问底层信息的权限，这些才是解答问题的关键。因此，我们发现，要支持这些AI 技术人员，所需的基础技术实际上依赖于“软件定义车辆”，包括数据采集能力（例如Sonatus的Collector产品：AI ），以及在车辆中采取实际操作的能力，这些对于推动该功能的进步并使其在车辆上得以实现至关重要。

03:09 介绍“Sonatus ”AI 技术员

在讨论一些底层技术之前，你提到了SDV。显然，AI 也参与其中。让我们重点探讨一下，AI 技术人员能为可能与其互动的各类用户提供哪些帮助。我指的是车主、维修技师，甚至OEM工程师。是的，完全正确。

因此，以上这三个就是非常典型的应用场景，也是此类产品的目标用户。

对于用户、车辆驾驶员以及车主而言，AI 的技术人员能够为他们提供的帮助之一，就是帮助他们了解车辆中可能存在的一些问题——这些问题通常不易察觉或难以理解。 试想这样一种情况：您的发动机出现了故障，但“检查发动机”指示灯并未亮起。AI 的技术人员能够帮助您深入了解实际发生的情况，并向车主提供建议，判断是否需要将车辆送修。 此外，他们还能提前向维修技师提供相关数据，使技师能更轻松地诊断车辆故障，并在您送修时备好正确的零部件——这比您不得不三周后等候零部件到货再去维修要好得多，毕竟那样会导致您的车辆长期无法使用。

对于整车制造商（OEM）而言，这使他们能够从车队层面一直到服务网点收集相关数据，从而发现正在出现的问题，并可能更深入地了解车队运行状况，进而为下一代车型进行改进，或避免因问题扩散而可能引发的召回。

我明白，这会激励我作为车主去原厂授权的维修店，因为这些店会掌握AI 技师收集的信息。像这样的解决方案不仅能给用户带来好处，对原厂厂商来说又能带来哪些总体益处呢？

是的，完全正确。所以你确实一针见血，毫无疑问。有了这种洞察力，经销商自营维修店的维修服务体验就会变得更加顺畅、高效。

这样，他们的服务运营就能更加高效。此外，我认为对于整车制造商（OEM）而言，这确实能让客户对这一流程以及整个拥有体验感到满意。因此，这能进一步提升客户忠诚度，让客户产生这样的想法：“嘿，我今后会继续选择这家厂商，因为拥有这辆车期间的体验非常棒。下次换车时，我还会从同一家公司购买。”

对。对。

05:31 使用 Builder 创建AI 技术人员

刚才我们讨论了AI 技术人员本身。需要澄清的是，Sonatus 其实并没有亲自培养AI 技术人员。这正是“培养者”环节发挥作用的地方。请帮我们进一步了解这方面的内容。

是的，完全正确。我之前提到过，许多整车制造商（OEM）正在探索这类数字版用户手册类应用或车载虚拟助手。我们发现，必须针对每款车型对这些功能进行定制，因为每款车型都涉及大量特定的领域知识，无论是不同车型之间，还是不同配置级别之间，都是如此。

因此，为了实现这一过程的可扩展性，必须有一个平台，让原始设备制造商（OEM）能够反复执行这一流程。 而且，理想情况下，他们无需精通AI ，甚至无需了解车辆本身，就能组建一支具备掌握这些信息能力的技师团队。正因如此，在Sonatus ，我们构建了一个构建平台，使OEM厂商中的各类用户能够根据实际需求——无论是面向客户、内部工程师，还是客户服务层面——灵活创建不同类型的技师角色。

也就是说，他们基本上可以培养出专门针对特定车型、特定配置级别，甚至可能细化到具体车主层面的技术人员？

当然。他们会提供的一类资料就是关于车辆本身的文档。这些通常包括《车主手册》，或者针对内部人员使用的资料。对于维修技师来说，则会是《维修手册》、《线路图》等。

对于作为用户的OEM工程师而言，通常会拥有FMEA文档或其他故障树等资料。这些内容构成了关于车辆的工程知识体系。随后，您需要将这些资料与来自车辆的实际实时数据进行关联，此时便需要将基于车辆VIN码和具体车主信息生成的车辆实际数据，以及维修记录、制造历史等信息进行整合。 所有这些都是可行的。

这实际上取决于OEM希望实际连接的不同数据源。而这又取决于具体的使用场景，以及他们为该技术人员服务的具体用户群体。

所以这简直就像拥有了一位专属的AI 技术人员。我太喜欢了。

07:36 推动 SDV 技术的发展以及AI

那么，我们开始探讨这究竟是如何运作的了。显然，其中涉及AI 技术，但你不能仅仅把AI 直接套用到车辆上。对吧？显然需要一些先导技术或先决条件，才能使此类应用真正得以部署。请帮我们了解一下，这些基础技术具体包括哪些。

是的，完全正确。因此，我们认为至关重要的一点，是能够从车辆本身获取数据。也就是说，那些安装在车辆上、接入车载网络、并在不同电子控制单元（ECU）之间进行通信的产品，能够访问所有车辆信息，而不仅仅是特定的故障代码（DTC）或网络的特定区域。

因此，这是围绕车载软件的一项基础技术，用于实时收集数据，并能在不同节点间访问这些数据。第二个方面则是将数据回传至云端，这更像是一款数据采集产品，例如Sonatus collector，AI ，它通过非常轻量级的策略将数据回传至云端。 一旦具备了这些基础组件，您就可以开始构建更全面的功能，并引入诸如AI 等特定模型，这些模型可以基于车辆数据进行运行。

也就是说，这需要非常具体或特定领域的专业知识，因此系统不仅依赖于AI 技术人员本身，还可以调用这些不同的代理，这些代理能够访问各种工具，并据此推断出车辆的相关信息。

09:06 实现代理模型

最近大家都在热议一种“代理模型”，这种模型不仅涉及对数据进行分析并从中推断出结论，还涉及某种形式的闭环控制。在AI 技术构建器或整体基础设施中，是否有任何内容适合这种代理模型？

完全正确。所以，刚才提到的所有这些不同的数据源，通常来说，你需要将它们整合到独立的代理中。也就是说，它们是AI 的专用模块，在某一项特定任务上表现得非常出色。例如，分析用户手册中的数据，或者创建数据库来解读车辆发出的信号。

所以，它不仅必须能够访问数据，还必须能够解读这些数据，并明白：“嘿，这些信号——尤其是在这个时间点——意味着这种情况。” 基于这些数据，并结合对设计文档的了解，它就能知道：“哦，当我看到这类情况时，说明是这种问题，所以我需要向用户提出相应的建议。”因此，这些不同的代理通常会连接到不同的数据源，通过这种方式，您就可以利用这些不同的工具。

例如，其中一种方式是连接到Sonatus 数据采集器（AI ），您可以在该平台上根据AI 技术人员的分析结果部署新的数据采集策略。这样，系统就能根据用户查询分析来自车辆的数据，并据此启动新的数据策略，将其部署到车辆上，从而开始采集原本甚至无法获取的数据。

AI 的技术人员似乎几乎是在实时思考下一步该怎么做，以及我还需要哪些额外信息才能做出正确的诊断响应。

10:42AI 相关车型

让我们简单谈谈AI 的一些特定技术。

这些是你们传统的AI 机器学习模型吗？你们为此使用了什么样的模型？

是的，完全正确。通常来说，我们使用大语言模型（LLM）的方式，就像如今你所看到的许多其他应用一样。归根结底，这些模型基于基础的大语言模型，但我们更倾向于使用开源模型，然后对其进行微调，从而打造出更适合内部使用的模型。其中一个原因在于，这样调整后的模型在特定的汽车领域能表现得更好。 第二个原因是，许多整车制造商（OEM）希望托管自己的模型，并确保数据得到保护——这既涉及从终端用户角度保护个人身份信息（PII），也涉及保护整车制造商作为“AI ”技术支持人员知识来源所提供的专有数据。 因此，我们基于这些定制的大语言模型（LLMs）构建系统，并引入检索增强生成（Retrieval Augmented Generation）和代理框架（agentic framework）等技术。总体而言，我们运用系统提示（system prompting）方面的专业知识，使所有这些组件能够无缝协同工作。

明白了。

11:43 总结与收尾

那么，简单总结一下，解决方案中既有AI 这一部分，也有支撑它的底层基础设施。你提到需要一个更易于访问的网络，以及用于向模型提供数据的通用数据交换机制。我想，这大概就是基于服务的架构或面向服务的架构发挥作用的地方。所以，这基本上就是整个方案中SDV的部分。

是的。车载电子工程（EE）架构无疑起着重要作用。能够访问所有这些不同的数据源，不仅可以获取一般的遥测数据，还能获取故障代码（DTC）、日志文件等各类信息，甚至包括网络流量数据——这些数据都可能派上用场，特别是考虑到网络安全以及此类应用场景时。 因此，架构越现代化，AI 的技术人员就越能发挥其能力，这一点确实非常重要。

太好了。此外，这些内容都在我们刚刚发布的最新解决方案简介中有所阐述，即《AI 技术员培养方案》解决方案简介。谢谢你，史蒂夫。这次分享非常有启发性，我们期待你在下一期《driving innovation 》节目中再次亮相。

太棒了。谢谢你，桑杰。这真是一次很有趣的体验。Sonatus上的“AI ”技术构建工具，生动展示了 SDV 技术与车辆AI 如何帮助整车制造商（OEM）重塑车辆拥有体验——既能消除车辆保养和维修带来的麻烦与压力，又能建立品牌忠诚度并创造客户终身价值。

请访问sonatus .com 下载《AI 技术人员构建器》解决方案简介，了解详情，并预约演示以亲眼见证其实际运行效果。

感谢您收看本期《Driving Innovation 》，期待您在下一期节目中再次收看。