加深與英偉達合作，汽車 AI 技術公司 Cerence 早盤漲超 70% 後回落

在汽車智能化浪潮中，車載語音助手作為人車交互的關鍵橋樑，其性能優劣直接影響駕駛體驗與安全。

美東時間 1 月 3 日，美國車載 AI 語音技術公司 Cerence（CRNC）宣佈與英偉達加深合作，以提升其車載系統中的語言模型性能。

消息公佈後，Cerence 美股盤前一度漲超 32%，美股早盤一度漲超 94%。過去六個月內累漲約 165%。

在汽車 AI 市場中，Cerence 的主要競爭對手包括 SoundHound 和 Nuance。這些公司也在提供語音助手和智能交互技術。

分析指出，藉助英偉達的技術支持，Cerence 有望降低研發成本，並加快新產品和功能的推出速度。對於市值僅為 3.34 億美元的公司來説，與像英偉達這樣行業巨頭的聯盟，無疑為其增加了顯著的信譽和技術實力。而且英偉達的 AI 基礎設施在行業內處於領先地位，Cerence 能夠直接利用這些資源，開發更強大的語言模型和車載系統。

強強聯手，打造高性能車載 AI 平台

隨着智能汽車功能日益豐富，消費者對車載語音助手的期望也在不斷攀升。他們希望語音助手不僅能快速、準確地理解指令，還能在各種複雜場景下穩定運行，同時保護個人隱私。然而，單一的雲端或邊緣計算方案都難以完全滿足這些需求。

部分語音助手的複雜計算會通過 “雲端服務器” 處理（雲端方案），雖然擁有強大的計算能力和數據處理能力，但網絡連接不穩定時，語音助手的響應速度會大打折扣，且數據傳輸過程存在隱私泄露風險。

而邊緣計算方案可直接在汽車內部完成，比如快速響應指令，如 “打開車窗”，這能更快地完成任務，同時不用把數據傳到雲端，隱私保護更好。但受限於車載硬件的計算資源，難以運行復雜的 AI 模型，功能拓展性受限。

Cerence 通過同時提供這兩種解決方案，滿足了多樣化的市場需求，也降低了因技術侷限帶來的風險。這種 “雲 + 邊緣” 的策略既讓 Cerence 更靈活，也讓汽車製造商更容易接受其技術。

Cerence 和英偉達的合作是汽車 AI 部署中的重要一步。Cerence 將藉助英偉達的 AI Enterprise 軟件和 DRIVE AGX Orin 硬件平台的強大算力，進一步優化其 CaLLM（雲端語言模型）和 CaLLM Edge（邊緣計算語言模型）的性能。英偉達的這些平台專為高性能 AI 計算設計，能夠高效運行復雜的 AI 模型。

通過英偉達的 DRIVE AGX Orin 車載硬件，Cerence 也能提供本地化（在車輛中直接運行）的 AI 功能，這對無法始終保持網絡連接的場景非常有用。

另外，英偉達為 Cerence 提供了TensorRT-LLM 和 NeMo 框架，有助於解決車載 AI 助手常見的三大難題。

一是延遲問題，汽車 AI 必須快速響應，在駕駛場景中，毫秒級的反應時間可能決定生死。二是性能不足，汽車內部計算資源有限，無法與數據中心相媲美。英偉達的 TensorRT-LLM 對模型進行深度優化，使其在有限的硬件資源下發揮最大效能，提升整體性能。三是資源消耗大，通過對硬件和模型的深度優化，降低了功耗和佔用的計算資源，使技術能在資源受限的車載設備中運行。

在駕駛場景中，AI 助手如果誤解了你的指令，可能會帶來危險。值得注意的是，Cerence 還引入了英偉達的 NeMo Guardrails 技術，它就像 AI 助手的 “安全網”，能過濾掉不正確或不安全的操作指令，還能避免惡意輸入（如用户嘗試誘導助手生成危險內容）。這對保障保障駕駛員和乘客的安全尤其重要。

聚焦生成式 AI，力爭 2025 財年重返盈利

值得注意的是，Cerence 過去 12 個月的收入為 3.315 億美元，毛利率高達 73.7%.在第四季度，Cerence 實現收入 5480 萬美元，超出預期，調整後 EBITDA 為負 190 萬美元，表現優於預期。公司預計其 2025 財年的自由現金流為 2500 萬美元。

此前，Cerence 宣佈向生成式人工智能轉變的戰略，目標是到 2025 財年恢復盈利。

CerenceAI 產品與技術執行副總裁 Nils Schanz 表示：

“通過優化 CaLLM 系列語言模型的性能，我們為汽車製造商客户節省了成本並提高了性能，這些客户正在迅速為他們的駕駛員部署生成式 AI 解決方案。隨着我們以 CaLLM 為基礎推進下一代平台，這些先進功能將為駕駛員提供更快、更可靠的互動，增強他們在路上的安全、樂趣和生產力。”

英偉達汽車副總裁 Rishi Dhall 則表示：

“大型語言模型提供了廣闊的新用户體驗，但在規模和部署的複雜性可能會使開發者難以將 AI 驅動的解決方案交到最終用户手中。通過這次擴大合作，Cerence AI 正在部署先進的英偉達 AI 和加速計算技術來優化其大型語言模型的開發和部署。”