作者|周雅
配图|扈佃杰
多年前,特斯拉曾经历了一次产能告急,美国《消费者报告》在评测中毫不客气地指出,Model 3的刹车成绩相当不理想——时速60英里(约97公里)的刹停距离竟然超过46.33米,比福特F150那个大块头还要差!这个故事的结局“特吹们”都知道——一次OTA之后,Model 3的刹车距离缩短了6米,首次跻身《消费者报告》推荐榜,特斯拉也因此避免了一次大规模召回的风险。
OTA的腾空出世,让人们意识到,原来汽车也可以像口袋里的手机一样,升级操作系统,改善旧性能,获得新功能。有了OTA,特斯拉大佬马斯克甚至作出这样的定义:“特斯拉不仅是一家硬件公司,某种程度上也是一家软件公司”。
也就是说,如今每一辆智能网联汽车的软件迭代,背后都少不了OTA升级的功劳。而在这个过程中,一家名叫「艾拉比」的公司迅速成长为OTA产业的开路先锋。
01
/顺势而为,拥抱变化/
回顾百年汽车史,汽车产业的发展经历了从「机械时代」到「电子时代」到如今的「软件定义汽车(Software Defined Vehicles, SDV)时代」。相应的,汽车制造的技术壁垒也由传统三大件+零部件的集成能力,转变为软件服务的能力,而OTA就是其中的支撑性技术。
“基本上所有的新能源车/智能车都要具备OTA能力。”艾拉比副总裁丁羽告诉科技行者。OTA(Over-the-Air Technology),行业内称之为“空中升级”,是一种通过移动通信的空中接口实现对移动终端设备及SIM卡数据进行远程管理的技术。
OTA技术最早应用于PC;后来在智能手机上普及,终结了手机软件升级需要“连接电脑-下载软件-再安装更新”的麻烦操作;直到2012年,特斯拉开创了汽车OTA的先河,OTA也奠定了特斯拉“元老级”的位置。
丁羽指出,整车OTA一直是评价汽车主机厂研发实力和智能科技水平的重要指标。首先,汽车涉及由电子控制单元 (ECU) 控制的多个运动部件,极其复杂,如今一辆汽车多达150个车载控制器和约1亿行软件代码,远高于Facebook、战斗机、人造卫星等高科技产品的代码量;其次,每辆车的生命周期约为6-10年,如果没有OTA,车子的能力就完全跟不上时代;此外,汽车的属性,决定了其在安全性和可靠性方面要求更严格,OTA是重中之重。可以预见,未来3-5年,谁先做好布局OTA,谁就有机会以最快速度抢占风口,吃下一波红利。
当一辆车开始OTA,车主碰到车辆维修和软件更新,就不用辗转4S店或汽车被召回,“隔空”升级汽车;车企也可以“隔空”升级产品或查漏补缺;更关键的是,如果OTA大规模铺开,将会带来一种全新的「车辆增值模式」,比如“订阅付费”(特斯拉曾针对Model 3的动力系统发布价值2000美元的升级包,车主付费升级后,可以增加约50PS的动力输出,0-60英里的加速时间可以升至3.9S)。
OTA主要分为两类,其一是SOTA(Software OTA,本质是软件升级),主要指对信息娱乐应用的更新,包括UI界面、导航地图、游戏等功能;其二是FOTA(Firmware OTA,本质是固件升级),包括驱动、系统、功能、应用等的升级,和OS的关系较密切,需要汽车制造商开发不同的适配兼容版本。OTA的流程,可以分成三个阶段,像“把大象放进冰箱”一样, 第一步,生成更新包;第二步,通过无线通信技术传输更新包;第三步,在车端安装更新包。
能做SOTA的车企有很多,可以说只要在汽车中控台装上大屏,这辆车就能SOTA。但FOTA更深层,往往涉及整车重要的控制器,包括车身、动力和自动驾驶等子系统的更新,难度更大。
当前,能实现FOTA的车企屈指可数,但这项技术,才是智能汽车的用户们「常用常新」的快乐源泉。
02
/交付只是起点,进化没有终点/
好文章,需要你的鼓励
2025年1月,OpenAI、软银、甲骨文和MGX联合宣布"星际之门"计划,承诺投资5000亿美元,部署高达10GW算力基础设施。如今,该项目已从白宫发布会上的宏大承诺,演变为一场前所未有规模的基础设施建设实验。项目已扩展至德克萨斯、威斯康星、俄亥俄等多地,并延伸至阿布扎比和挪威。然而,融资争议、合作伙伴摩擦、能源压力及政策监管收紧,正考验着这一"AI工业园"模式能否真正落地。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
加密货币交易所OKX正式推出AI智能体交易市场OKX AI,允许AI代理相互雇佣、自主结算,并建立基于区块链的可携带信誉档案。该平台经过50家早期服务商封测后向开发者开放,依托稳定币和链上支付基础设施,支持全天候微支付。OKX创始人徐明星表示,传统金融基础设施为人类而建,智能体经济需要为自主软件专门设计的基础设施。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。