Workflow
E2B
icon
搜索文档
ADI开源GMSL背后:打的什么算盘?
半导体行业观察· 2025-10-05 10:25
软件定义汽车的核心架构演进 - 汽车行业正从依赖大量功能专用型电子控制单元转向采用少数区域控制器和一台中央计算机的架构 [2] - 新架构可将车辆线缆使用量减少高达70%,并从多达200个传感器收集数据 [2] - 功能以软件形式虚拟存在于中央计算机内,可在车辆整个生命周期内进行更新,有助于延长硬件平台使用寿命 [2] 数据驱动与智能化发展 - 车载边缘计算机功能日益强大,可实现车辆传感器数据与云端的持续交换和更深入分析 [3] - 通过结合车队数据、地图、天气和实时交通信息,形成"车辆学习"机制,使每辆车能不断学习以实现智能安全行驶 [3] - 理想硬件架构应让每个功能都能最大限度获取数据,使用统一的车载网络和通信协议栈 [5] 具体功能应用案例 - 现代汽车大灯可利用摄像头和悬架系统数据,根据负载分布、路况和车流自动调节光束 [5] - 雨刷系统已从简单速度调节进化为具备自动感应和自适应功能的系统 [6] - 任何传感器都可服务于多个功能,任何功能也可使用多个传感器的数据,打破功能孤立状态 [6] 连接技术发展趋势 - 连接技术主要分为串行链路和网络两类,串行链路技术复杂度较低且成本效益更高 [9] - 汽车以太网作为单一网络技术具备近乎无限的数据传输灵活性,但灵活性带来成本代价 [11] - 未来将出现技术融合趋势,以太网和串行总线在某些关键方面会变得更加相似 [15] 技术性能要求 - 实时性能要求包括低延迟、确定性延迟、快速启动、唤醒/休眠速度、同步性和韧性 [13] - 车辆中90%以上的带宽用于视频传输,多个摄像头数据合并后带宽可能超过50Gb/s [13] - 不同数据对功能安全和保密性有不同要求,连接技术需支持不同的安全需求 [13] 行业合作与标准化 - 汽车制造商采用千兆多媒体串行链路等解决方案,以最少的线缆实现沉浸式车载体验 [8] - 已成立OpenGMSL协会,目标是开发互操作开放式标准并推动全球应用 [8] - 新兴标准如IEEE 802.3dm、E2B等将有助于最大限度发挥基于以太网的网络潜力 [17]
我不给人做产品,给 Agent 做 | 42章经
42章经· 2025-06-29 22:48
Agent Infra市场机会 - Agent Infra被视为下一个投资热点 未来Agent数量将达到SaaS的几千倍[1][2] - 现有互联网基础设施不适合AI使用 需要为Agent重构[2] - Agent Infra市场规模巨大 类比AWS级别的机会[17] - 互联网上40%流量来自机器人 但大模型流量仅占0.1% 未来可能有10万倍增长空间[23][56] Agent与人类差异 - 交互方式:Agent通过文本和多模态后端交互 人类依赖前端界面[5] - 学习方式:Agent可同时执行任务和学习 人类无法并行[5] - 工作模式:Agent多线程并行 人类单线程按流程执行[6][7] - 责任界定:人类可负责自身行为 Agent需要安全边界[8][10] - 执行状态:Agent需保持多任务状态 人类天然不需要[8] Agent浏览器特性 - 云端化运行 持续工作不需休息[24] - 无前端界面 直接后端交互[25] - 设计反馈循环 支持自主迭代[26] - 安全机制:本地处理账号密码 不泄露给大模型[28][29] - 支持多线程任务连续性 避免资源浪费[31] Agent Infra技术架构 - 三层架构:Runtime层(浏览器内核) Agentic层(交互控制) Knowledge层(领域knowhow)[32] - Runtime层解决网页拉取和渲染 Agentic层控制AI与网页交互[33] - 必须同时构建Runtime和Agentic层才能实现完整功能[35] - Browserbase估值3亿美元 专注Runtime层[22][34] Agent Infra细分领域 - 主要环境:Coding环境(逻辑执行) Browser环境(网页交互)[37] - 工具类:身份认证 支付能力 通讯工具等可重做[38] - 场景切入:旅游Agent需CRM 搜索 支付等工具[40] - 数学环境:公式执行器 定理检索等工具[42] - 物理环境:传感器 具身智能 空间智能等[38] 市场发展阶段 - 类比22年AI Coding 当前Browser Use处于早期[44] - 全球软件开发市值3-4万亿美元 AI Coding仅100亿 增长空间大[47] - 互联网活动通过AI提升5%效率将创造巨大市场[48] - 差异化关键:深耕细分场景 抢占99.9%未开发市场[56] Agent产品设计核心 - 反馈循环设计比上下文或数据更重要[50] - 人类知识可能非必要 Agent可通过强化学习自主迭代[51][52] - AlphaProof案例:仅用+1/-1奖励机制 不参考人类解法即获奥数银牌[52] - 未来范式:Agent通过环境体验获取真实反馈 自主进化[53]