En av CES’ stora trenderna under de senaste åren har varit ansluten bilen-begreppet för att lägga till Internet-uppkoppling och nätverk till våra fordon.
Stjäla rampljuset detta år var Nvidia, som lanserade Kör PX 2 — en i bilen artificiell intelligens. PX 2 är utformad för biltillverkare att utforska autonom körning och omfattar 360-graders situationsmedvetenhet, djupt lärande och processorkraft på 150 MacBook Pros.
Via: Nvidia
Nvidia
Djupt lärande-en avancerad typ av artificiell intelligens (AI) — driver betydande förändring för autonoma fordon och fordons-och transportindustrin i allmänhet, enligt en ny rapport från rådgivande företag KPMG.
Studien förutspår att år 2030 en ny rörlighet för tjänster segment kopplade till produkter och tjänster som är relaterade till självständighet, mobilitet och konnektivitet kommer att vara värt mer än 1 biljon us-dollar över hela världen.
Rapporten konstaterar att de direkta effekterna av djupt lärande kommer att “revolutionera den typ av att göra affärer för biltillverkare.” Djupt lärande är en viktig möjliggörare för att bygga själv kör fordon som kan drivas utan mänsklig inblandning. Ligger till grund för dessa insatser är behovet av fordonet för att “se”, “tror”, “drive” och “lära sig”, och det är genom denna sista learning steg som djupt lärande kommer att vara avgörande för att uppnå fullständigt autonoma bilar.
“Djupt lärande är att påskynda självständighet snabbare än någon kunde ha anat, och det har långtgående konsekvenser för branschen och sociala rörlighet som helhet”, sade Gary Silberg, national automotive ledare på KPMG. “Om en bil inte kan lära sig, då är det fortfarande beroende av miljontals rader kod, med en sådan komplexitet och tvetydighet som full autonomi skulle inte vara möjligt för många år framöver.”
Vi är i början av vad Silberg samtal på en ny era inom bilindustrin produktutveckling och tillverkning — en som betonar ett fordon nervsystemet inklusive en dator som “hjärnan” som sensorer, styr, driver interaktion, och lagring av data ännu mer än drivlina. “Detta är en enorm förändring i organisationsstruktur, talent acquisition, och verksamhetsmodell för de flesta biltillverkare,” sade han.
KPMG noteras att detta är en viktig tidpunkt i historien för bilindustrin, med Oem-tillverkare och-teknik för företag som står inför avstängd i en kamp för specialiserade talang. Proffs som har djupa kunskaper om lärande är en bristvara, enligt rapporten, och den pool av experter bland dessa specialister är ännu mindre.
Denna skillnad gör det svårt för traditionella biltillverkare att konkurrera med tekniska ledare. Dessutom universitet är inte i takt med autonom körning marknadens krav på talang.
I rapporten, KPMG lagt ut några viktiga händelser biltillverkare behöver tänka på om de ska överleva den kommande omvandlingen.
En är att fordonets drift och ägande förändras. På grund av djupa lärande, självständighet och rörlighet, bilinnehav, är att gå från individuellt ägda fordon för gemensam körning erfarenheter, med en växande konsumenternas fokus på rörlighet och transport-on-demand. Fram till 2030, en ny rörlighet för tjänster på marknaden kommer att växa fram för produkter och tjänster relaterade till självständighet, mobilitet och konnektivitet.
Något annat för biltillverkare att tänka på är att de flesta av dem inte längre kommer helt enkelt att vara biltillverkare. Med djup inlärning snabbare självständighet, dessa företag kommer att behöva för att fatta beslut om att förbli ren biltillverkare, bli rörlighet för tjänsteleverantörer, eller både och.
Dessutom nervsystemet kommer att bli mittpunkten i fordonets konstruktion, förändra sättet att tillverkare tycker om skapandet av fordon. Bil produkt utveckling och tillverkning kommer att betona fordon ” smarts: datorer, sensorer, styr, gränssnitt föraren, och datalagring komponenter.
Slutligen, biltillverkare kommer att behöva för att hitta talang för att stödja denna utveckling. Som KPMG påpekar, det är få människor som klarar av att bygga en djupgående lärande system och fordons-företag är redan kodning för att hitta dem.