Google gab dies auf einer Help-Seite bekannt, die zuerst von entdeckt wurde 9to5Googledass es Google Assistant bereits ab März 2026 auf Android Auto durch Gemini ersetzen wird. Diese Änderung zielt auf Android Auto ab, einen Dienst, der Android-Smartphone-Inhalte in Fahrzeug-Infotainmentsystemen spiegelt, um natürlichere Sprachinteraktionen zu ermöglichen und die Smartphone-Handhabung für die Sicherheit des Fahrers zu reduzieren.

Der Help-Seite gibt an, dass die aktuelle Model von Google Assistant nach März 2026 nicht mehr auf Android Auto verfügbar sein wird und Gemini seine Rolle übernimmt. Android Auto funktioniert, indem ein kompatibles Android-Smartphone mit der Headunit oder dem Infotainmentsystem eines Fahrzeugs verbunden wird und Apps und Schnittstellen auf das Show des Fahrzeugs projiziert werden. Dieses Setup ermöglicht es dem Fahrer, auf Navigations-, Medien- und Kommunikationstools zuzugreifen, ohne die Aufmerksamkeit von der Straße abzulenken. Der Übergang zu Gemini steht im Einklang mit den Bemühungen von Google, fortschrittliche KI-Funktionen in Fahrzeugschnittstellen zu integrieren und dabei auf den bestehenden Funktionen des Dienstes aufzubauen.

Ein Hauptziel dieses Ersatzes besteht darin, natürlichere Sprachinteraktionen zwischen Fahrern und dem Fahrzeugsystem zu fördern. Derzeit verlassen sich Autofahrer auf Sprachbefehle über Google Assistant, das System erfordert jedoch manchmal manuelle Smartphone-Anpassungen, was in vielen Regionen vom Fahren ablenken und gegen die Verkehrsregeln verstoßen kann. Durch die Minimierung der physischen Smartphone-Nutzung möchte Gemini die Verkehrssicherheit erhöhen. Beispielsweise verarbeitet die KI Befehle auf gesprächige Weise und ermöglicht so eine nahtlose Fortsetzung, ohne dass Interaktionen neu gestartet werden müssen. Diese Entwicklung kommt Fahrern zugute, die Aufgaben erledigen und sich gleichzeitig auf die Straße konzentrieren möchten. Bei Benutzern mit älteren Smartphones oder Headunits, die die Anforderungen von Gemini nicht unterstützen, können jedoch Kompatibilitätsprobleme auftreten.

Gemini wird sich umfassend in Google Maps integrieren, um erweiterte Navigationsfunktionen bereitzustellen. Benutzer können natürliche Sprache verwenden, um Wegbeschreibungen anzufordern, z. B. indem sie sagen: „Führen Sie mich zum besten Burgerlokal in der Gegend.“ Die KI wird dies interpretieren und eine entsprechende Route generieren. Über die anfänglichen Anfragen hinaus behält Gemini das Kontextbewusstsein bei und ermöglicht Folgefragen wie die Anfrage nach beliebten Gerichten am ausgewählten Standort oder der Verfügbarkeit kostenloser Parkplätze in der Nähe. Dieser Gesprächsablauf vereinfacht Routenanpassungen, z. B. das Hinzufügen von Stopps auf der Route, ohne dass Befehle umformuliert oder der Bildschirm berührt werden müssen. Google beschreibt dies als „starken Schub“ für Maps und betont die einfache Einbindung von Echtzeitänderungen während der Reise.

Im Bereich der Kommunikation befasst sich Gemini mit Einschränkungen bei der Handhabung von Freisprechnachrichten durch Google Assistant. Der vorhandene Assistent hat häufig Probleme mit der Genauigkeit des Diktierens, was zu Fehlern in transkribierten Nachrichten führt. Gemini führt eine auf Eingabeaufforderungen basierende Manipulation ein, bei der Fahrer Nachrichten verbal verfeinern können. Ein Beispiel von Google betrifft Verkehrsverzögerungen: Ein Fahrer könnte sagen: „Ups, ich stecke im Stau. Können Sie Leo Bescheid geben und meine voraussichtliche Ankunftszeit sowie ein Entschuldigungs-Emoji hinzufügen?“ Die KI würde die Nachricht entsprechend verfassen und senden. Diese Funktion erstreckt sich auf die Bearbeitung ohne Neustart und reduziert so die Frustration beim Verfassen.

Eine weitere wichtige Verbesserung stellt die Sprachunterstützung dar, da Gemini Nachrichten in über 40 verschiedene Sprachen übersetzen kann. Diese mehrsprachige Funktionalität gewährleistet die Zugänglichkeit für unterschiedliche Benutzer und ermöglicht eine nahtlose Kommunikation über Sprachbarrieren hinweg während der Fahrt. Darüber hinaus generiert Gemini prägnante Zusammenfassungen eingehender Nachrichten, einschließlich E-Mails, um Fahrer ohne langes Lesen auf dem Laufenden zu halten. Bei E-Mails, die verborgene Particulars enthalten, wie z. B. den Ort eines Arbeitsereignisses oder die Zeit eines bevorstehenden Fluges, extrahiert die KI diese Informationen und stellt sie klar dar, was eine schnelle Entscheidungsfindung unterwegs unterstützt.

Google sieht Fahrzeit als Probability für Produktivität und stattet Gemini mit Instruments zur Verwaltung von Posteingängen und zur Generierung von Ideen aus. Autofahrer können über Sprachinteraktionen überfüllte E-Mails noch einmal durchsehen oder Pläne wie einen Familienausflug erarbeiten. Dieser Ansatz verwandelt Pendler in funktionale Zeiträume und nutzt KI, um administrative und kreative Aufgaben freihändig zu erledigen.

Parallel zur Einführung von Gemini verpflichtet sich Google zur fortlaufenden Unterstützung von Waze, der 2013 erworbenen Karten-App. Anstatt alle Innovationen auf seine eigenen Karten umzuleiten, plant Google die Einführung neuer Funktionen und Updates für Waze, um seinen Nutzen innerhalb des Android Auto-Ökosystems zu verbessern. Diese Twin-Help-Strategie gewährleistet vielfältige Navigationsoptionen für Benutzer, die die Group-gesteuerten Warnungen und Echtzeit-Verkehrsberichte von Waze bevorzugen.

Ein kürzlich von Android Police gemeldetes Waze-Replace behebt Verbindungsprobleme bei Android Auto-Setups. Wenn ein Android-Smartphone eine Verbindung zu einer Android Auto-Haupteinheit herstellt, bleibt Waze jetzt auf dem Telefon selbst aktiv. Dadurch können Benutzer direkt auf dem Smartphone-Bildschirm nach Orten suchen oder Karten scrollen, was sich oft als intuitiver erweist als die Navigation über das Fahrzeugdisplay. Das Replace erweist sich als besonders wertvoll für Fahrzeuge mit Headunits ohne Touchscreens oder mit minderwertigen Aftermarket-Schnittstellen mit unzuverlässigen Contact-Reaktionen. Indem Waze auf dem Telefon betriebsbereit bleibt, gewinnen Fahrer Flexibilität bei der Verwaltung der Navigation, insbesondere in Systemen, in denen das Infotainment-Show die Interaktionseffizienz einschränkt.

Diese Entwicklungen spiegeln die Strategie von Google wider, die In-Automotive-Technologie durch KI-Integration und nachhaltige Unterstützung des App-Ökosystems weiterzuentwickeln. Der Autor der ursprünglichen Berichterstattung, Leon Poultney, fungiert als Korrespondent für Elektrofahrzeuge und verfügt über quick zwei Jahrzehnte Erfahrung in der Automobil- und Technologieberichterstattung. Seine Arbeit reicht von Unterhaltungssystemen im Auto bis hin zu automatisierten Herstellungsprozessen, wobei der Schwerpunkt derzeit auf Elektrofahrzeugen liegt. Poultney rechnet mit der künftigen Entwicklung hin zu Technologien wie elektrischen Senkrechtstartern und Landungsbooten, während er sich außerhalb seiner beruflichen Tätigkeit persönlich mit traditionellen Motorrädern beschäftigt.

Hervorgehobener Bildnachweis

Seit Jahren warten die Tech- und Auto -Welten auf Teslas nächste große Sache: ein revolutionäres, erschwingliches „Modell 2“, das EVs in die Massen bringen und das Unternehmen vor seinem Verkaufseinbruch retten sollte. Nun, auf dem gestrigen Gewinnruf enthüllte Elon Musk schließlich die Geheimwaffe. Es stellt sich heraus, dass das revolutionäre neue Auto nur… das Auto ist, das sie bereits verkaufen, aber wahrscheinlich mit weniger Dingen. Der Hype -Zug hat sein antiklimaktisches Ende am Bahnhof der Realität offiziell erreicht.

Nicht splendid!

Nach Jahren der Spekulation und des Hype um ein erschwingliches Phantom-Modell gab der CEO von Tesla, Elon Musk, am Mittwoch zu, dass das lang erwartete Retterprodukt des Unternehmens einfach eine billigere Model seines vorhandenen Crossovermodells ist. Die Anticlimactic-Enthüllung entleert eine mehrjährige Erzählung, dass Tesla ein brandneues, bahnbrechendes Fahrzeug entwickelt hat, was darauf hindeutet, dass sich die Strategie des Unternehmens nun mehr auf Finanztechnik als auf echte Innovationen konzentriert.

Der Eintritt struggle während des Unternehmens auf die lockere Weise möglich Q2 Gewinnruf. „Es ist nur ein Modell Y“, sagte Musk als Antwort auf die Frage eines Analysten, bevor er hinzufügte: „Lassen Sie die Katze dort aus der Tasche raus.“

Mit diesem Handwellenabbau machte Musk den Mythos des „Modells 2“ ab, ein gemunkeltes Schrägheck in Höhe von 25.000 US-Greenback, das von den Followers und Investoren des Unternehmens als Unvermeidlichkeit behandelt wurde. Diese Grand Imaginative and prescient wurde nun durch die weltliche Realität eines neuen Ausstattungsvortriums ersetzt. Für ein Unternehmen, das mit Gleitverkäufen und einer alternden Aufstellung ausgesetzt ist, wirft der Eintritt ernsthafte Fragen auf, ob eine entschlossene Model seines Bestseller ausreichen wird, um ein neues Wachstum zu erzielen.

Jahrelang, Tesla hat ein Bild radikaler Innovationen kultiviert, aber diese Bewegung fühlt sich an wie etwas aus dem Spielbuch eines älteren Autoherstellers: Nehmen Sie ein vorhandenes Modell, entfernen Sie einige Funktionen, verwenden Sie vielleicht einige billigere Stoffsitze wie für das Modell 3 in Mexiko und nennen Sie es eine neue, erschwingliche Choice.

Musk hat die Entscheidung als direkte Reaktion auf die Bedürfnisse der Verbraucher umrahmt. „Der Wunsch, das Auto zu kaufen, ist sehr hoch. Nur Menschen haben nicht genug Geld auf ihrem Bankkonto, um es zu kaufen“, sagte er. „Je erschwinglicher wir das Auto machen können, desto besser.“

Obwohl es in seinem Gesicht wahr ist, ignoriert es auch die andere Seite der Gleichung: Das Entwerfen und Werkzeug für eine wirklich neue und revolutionary Fahrzeugplattform ist unglaublich teuer und schwierig. Die Änderung einer vorhandenen Produktionslinie zum Aufbau einer billigeren Variante ist im Vergleich dazu ein viel sichereres und weniger ehrgeiziges finanzielles Trick, das die vierteljährliche Zahlen steigern soll, ohne das Risiko eines echten Mondschusses einzugehen.

Nach Angaben des Unternehmens begann die „erste Produktion“ des billigeren Modells im Juni, wobei die „Volumenproduktion für die zweite Hälfte von 2025 geplant struggle“. Die Führungskräfte verwalteten jedoch schnell die Erwartungen, was darauf hinweist, dass ein sinnvoller Anstieg erst im letzten Quartal des Jahres stattfinden wird.

Im Second ist das Geheimnis vorbei.

Die Geheimwaffe ist kein Geheimnis und es ist keine neue Waffe. Es ist der gleiche, der seit Jahren Tesla verwendet, nur mit einem niedrigeren Preis und einer Wolke abgelöster Hype.

Ausgewähltes Bildnachweis

Tysons Nook, VA, 30. Januar 2025-KI-betriebenes Enterprise Intelligence Firm MicroStrategy hat heute die neueste Veröffentlichung von MicroStrategy One angekündigt, das Unternehmen hilft, durch Generative AI Wert zu gewinnen, indem die KI-Erfahrung für jeden Benutzer personalisiert wird.

Der Auto AI Bot von MicroStrategy bietet Benutzern, die mit Daten interagieren, eine menschliche Konversationserfahrung. Diese Model enthält neue Diagrammtypen und eine Reihe von Verbesserungen, die dazu beitragen sollen, dass mehrdeutige Fragen unter Verwendung von Kontext und früheren Interaktionen mit dem Benutzer besser verstehen.

Einzelne Benutzer können jetzt direktes Suggestions geben, mit dem Auto zukünftige Antworten für diesen Benutzer anpassen wird. Zum Beispiel kann ein Benutzer den Bot wissen lassen, wann er „JD“ eingeben. Er sollte als „Jane Doe“ interpretiert werden. Administratoren haben die Möglichkeit, individuelles Suggestions zu fördern, um gegebenenfalls die Erfahrung für alle Benutzer zu verbessern. Die neue Launch bietet Entwicklern und Partnern, die AI -Bots in ihren eigenen Anwendungen einsetzen möchten, auch mehr körnige Kontrollen.

„Letztes Jahr haben wir mit unserem Auto -AI -Bot einen großen Meilenstein in der natürlichen Sprache BI erreicht – die Möglichkeit für Benutzer, freie Fragen zu stellen und vertrauenswürdige Antworten aus regierten Daten zu erhalten. Jede Veröffentlichung von MicroStrategy One bietet zunehmend leistungsstarke KI -Modelle, wodurch die Breite und Tiefe der Fragen automatisch erweitert werden kann, und kann zuverlässig beantworten, zusammen mit einer größeren Transparenz in der Artwork und Weise, wie sie die Antwort erzeugt “, sagte Saurabh Abhyankar, Chief Product Officer bei MicroStrategy. „Die Zusammenarbeit mit den Prime-Unternehmen der Welt veranlasst uns, die Grenzen von BI in Richtung selbstfahrender Analysen zu überschreiten, die ein Unternehmen verändern können.“

Autodesign ist ein iterativer und proprietärer Prozess. Automobilhersteller können mehrere Jahre in der Designphase eines Autos verbringen und 3D-Formen in Simulationen optimieren, bevor sie die vielversprechendsten Designs für physische Assessments entwickeln. Die Particulars und Spezifikationen dieser Assessments, einschließlich der Aerodynamik eines bestimmten Fahrzeugdesigns, werden normalerweise nicht veröffentlicht. Bedeutende Leistungsfortschritte, etwa bei der Kraftstoffeffizienz oder der Reichweite von Elektrofahrzeugen, können daher langsam und von Unternehmen zu Unternehmen isoliert erfolgen.

MIT-Ingenieure sagen, dass die Suche nach besseren Autodesigns durch den Einsatz generativer künstlicher Intelligenz-Instruments, die riesige Datenmengen in Sekundenschnelle durchsuchen und Verbindungen finden können, um ein neuartiges Design zu generieren, exponentiell beschleunigt werden kann. Obwohl es solche KI-Instruments gibt, waren die Daten, aus denen sie lernen müssten, nicht verfügbar, zumindest nicht in irgendeiner zugänglichen, zentralisierten Kind.

Doch nun haben die Ingenieure einen solchen Datensatz erstmals der Öffentlichkeit zugänglich gemacht. Der Datensatz mit dem Namen DrivAerNet++ umfasst mehr als 8.000 Fahrzeugdesigns, die die Ingenieure auf der Grundlage der heute weltweit gängigsten Fahrzeugtypen erstellt haben. Jedes Design wird in 3D-Kind dargestellt und enthält Informationen zur Aerodynamik des Autos – die Artwork und Weise, wie Luft um ein bestimmtes Design strömen würde, basierend auf Simulationen der Fluiddynamik, die die Gruppe für jedes Design durchgeführt hat.

Jeder der 8.000 Entwürfe des Datensatzes ist in verschiedenen Darstellungen verfügbar, z. B. als Netz, Punktwolke oder als einfache Liste der Parameter und Abmessungen des Entwurfs. Daher kann der Datensatz von verschiedenen KI-Modellen verwendet werden, die darauf abgestimmt sind, Daten in einer bestimmten Modalität zu verarbeiten.

DrivAerNet++ ist der größte Open-Supply-Datensatz zur Fahrzeugaerodynamik, der bisher entwickelt wurde. Die Ingenieure stellen sich den Einsatz als umfangreiche Bibliothek realistischer Fahrzeugdesigns mit detaillierten Aerodynamikdaten vor, mit denen jedes KI-Modell schnell trainiert werden kann. Diese Modelle können dann genauso schnell neuartige Designs hervorbringen, die möglicherweise zu kraftstoffeffizienteren Autos und Elektrofahrzeugen mit größerer Reichweite führen könnten, und das in einem Bruchteil der Zeit, die die Automobilindustrie heute benötigt.

„Dieser Datensatz legt den Grundstein für die nächste Era von KI-Anwendungen im Ingenieurwesen, fördert effiziente Designprozesse, senkt F&E-Kosten und treibt Fortschritte in Richtung einer nachhaltigeren Automobilzukunft voran“, sagt Mohamed Elrefaie, ein Doktorand des Maschinenbaus am MIT.

Elrefaie und seine Kollegen werden auf der NeurIPS-Konferenz im Dezember ein Papier vorstellen, in dem der neue Datensatz und KI-Methoden, die darauf angewendet werden könnten, detailliert beschrieben werden. Seine Co-Autoren sind Faez Ahmed, Assistenzprofessor für Maschinenbau am MIT, zusammen mit Angela Dai, außerordentliche Professorin für Informatik an der Technischen Universität München, und Florin Marar von BETA CAE Methods.

Die Datenlücke schließen

Ahmed leitet das Design Computation and Digital Engineering Lab (DeCoDE) am MIT, wo seine Gruppe Möglichkeiten erforscht, wie KI und maschinelle Lernwerkzeuge zur Verbesserung des Designs komplexer technischer Systeme und Produkte, einschließlich der Automobiltechnologie, eingesetzt werden können.

„Beim Design eines Autos ist der Vorwärtsprozess oft so teuer, dass Hersteller ein Auto von einer Model zur nächsten nur ein wenig optimieren können“, sagt Ahmed. „Aber wenn Sie über größere Datensätze verfügen, in denen Sie die Leistung jedes Designs kennen, können Sie jetzt Modelle für maschinelles Lernen so trainieren, dass sie schnell iterieren, sodass die Wahrscheinlichkeit größer ist, dass Sie ein besseres Design erhalten.“

Und Geschwindigkeit, insbesondere bei der Weiterentwicklung der Automobiltechnologie, ist jetzt besonders dringend.

„Dies ist die beste Zeit, um Autoinnovationen voranzutreiben, da Autos einer der größten Umweltverschmutzer der Welt sind und je schneller wir diesen Beitrag reduzieren können, desto mehr können wir dem Klima helfen“, sagt Elrefaie.

Bei der Betrachtung des Prozesses des Neuwagendesigns stellten die Forscher fest, dass es zwar KI-Modelle gibt, die viele Autodesigns durchlaufen könnten, um optimale Designs zu generieren, die tatsächlich verfügbaren Autodaten jedoch begrenzt sind. Einige Forscher hatten zuvor kleine Datensätze simulierter Autodesigns zusammengestellt, während Automobilhersteller selten die Spezifikationen der tatsächlichen Designs veröffentlichen, die sie untersuchen, testen und letztendlich herstellen.

Das Staff wollte die Datenlücke schließen, insbesondere im Hinblick auf die Aerodynamik eines Autos, die eine Schlüsselrolle bei der Festlegung der Reichweite eines Elektrofahrzeugs spielt, und die Kraftstoffeffizienz eines Verbrennungsmotors. Sie erkannten, dass die Herausforderung darin bestand, einen Datensatz aus Tausenden von Autodesigns zusammenzustellen, von denen jedes in seiner Funktion und Kind physikalisch korrekt ist, ohne den Vorteil, ihre Leistung physisch testen und messen zu müssen.

Um einen Datensatz von Autodesigns mit physikalisch genauen Darstellungen ihrer Aerodynamik zu erstellen, begannen die Forscher mit mehreren grundlegenden 3D-Modellen, die 2014 von Audi und BMW bereitgestellt wurden. Diese Modelle repräsentieren drei Hauptkategorien von Personenkraftwagen: Fastback (Limousinen mit geneigtem Heck). Ende), Stufenheck (Limousinen oder Coupés mit einer leichten Neigung im Heckprofil) und Kombi (z. B. Kombis mit stumpferen, flacheren Hecken). Die Basismodelle sollen die Lücke zwischen einfachen Designs und komplizierteren proprietären Designs schließen und wurden von anderen Gruppen als Ausgangspunkt für die Erforschung neuer Autodesigns verwendet.

Autobibliothek

In ihrer neuen Studie wandte das Staff eine Morphing-Operation auf jedes der Basisautomodelle an. Bei diesem Vorgang wurden systematisch geringfügige Änderungen an jedem der 26 Parameter eines bestimmten Fahrzeugdesigns vorgenommen, beispielsweise an der Länge, den Merkmalen des Unterbodens, der Neigung der Windschutzscheibe und der Radlauffläche, die dann als eigenständiges Fahrzeugdesign gekennzeichnet und dann dem Wachstum hinzugefügt wurden Datensatz. In der Zwischenzeit führte das Staff einen Optimierungsalgorithmus durch, um sicherzustellen, dass jedes neue Design tatsächlich einzigartig und keine Kopie eines bereits generierten Designs warfare. Anschließend übersetzten sie jeden 3D-Entwurf in verschiedene Modalitäten, sodass ein bestimmter Entwurf als Netz, Punktwolke oder Liste von Abmessungen und Spezifikationen dargestellt werden kann.

Die Forscher führten außerdem komplexe rechnergestützte Strömungssimulationen durch, um zu berechnen, wie die Luft um jedes generierte Autodesign strömen würde. Letztendlich entstanden durch diese Bemühungen mehr als 8.000 verschiedene, physikalisch genaue 3D-Autoformen, die die gängigsten Arten von Personenkraftwagen auf der heutigen Straße umfassen.

Um diesen umfassenden Datensatz zu erstellen, haben die Forscher über 3 Millionen CPU-Stunden mit der MIT SuperCloud verbracht und 39 Terabyte an Daten generiert. (Zum Vergleich wird geschätzt, dass die gesamte gedruckte Sammlung der Library of Congress etwa 10 Terabyte an Daten umfassen würde.)

Die Ingenieure sagen, dass Forscher den Datensatz nun verwenden können, um ein bestimmtes KI-Modell zu trainieren. Beispielsweise könnte ein KI-Modell anhand eines Teils des Datensatzes trainiert werden, um Fahrzeugkonfigurationen zu erlernen, die bestimmte gewünschte Aerodynamik aufweisen. Innerhalb von Sekunden könnte das Modell dann ein neues Autodesign mit optimierter Aerodynamik generieren, basierend auf den Erkenntnissen aus den Tausenden physikalisch korrekten Designs des Datensatzes.

Die Forscher sagen, dass der Datensatz auch für das umgekehrte Ziel verwendet werden könnte. Beispielsweise könnten Designer, nachdem sie ein KI-Modell anhand des Datensatzes trainiert haben, dem Modell ein bestimmtes Autodesign zuführen und es schnell die Aerodynamik des Designs schätzen lassen, die dann zur Berechnung der potenziellen Kraftstoffeffizienz oder der elektrischen Reichweite des Autos verwendet werden kann – und das alles ohne Durchführung teures Bauen und Testen eines physischen Autos.

„Mit diesem Datensatz können Sie generative KI-Modelle so trainieren, dass sie Dinge in Sekunden statt in Stunden erledigen“, sagt Ahmed. „Diese Modelle können dazu beitragen, den Kraftstoffverbrauch von Fahrzeugen mit Verbrennungsmotor zu senken und die Reichweite von Elektroautos zu erhöhen – und damit letztendlich den Weg für nachhaltigere, umweltfreundlichere Fahrzeuge zu ebnen.“

Diese Arbeit wurde teilweise vom Deutschen Akademischen Austauschdienst und der Fakultät für Maschinenbau des MIT unterstützt.