得数据者，得自动驾驶天下

冷淡的市场大情况让车企们的日子并欠好过，但幸亏，接下来会有新的增长极泛起。很快，从 2020 年开始，已往积累的自动驾驶技术科研结果及工程进步都将成为现实。自动驾驶汽车即将进入 10-20 年混淆模式的时代，而随着 5G 技术的成熟应，一块市值庞大的“蛋糕”即将摆在我们眼前。

公共团体 CEO 赫伯特·迪斯表现：未来汽车创新中，软件将占到 90%。现在公共有 2 万名研发人员，其中 90% 做硬件开发。到 2030 年，研发成本中软件将占到一半，也就是软件工程师将到达 1 万人左右。

自动辅助驾驶背后：对数据的分析无处不在

只要拥有足够多的数据，我们可以变得更智慧”是大数据时代的一个新认识。“大数据”就是一种规模大到在获取、治理、分析方面大大超出传统数据库软件工具能力规模的数据荟萃。它的运用场景相当广泛。

随着大数据应用规模的不停扩大，大数据所形成的价值正在快速提升。这是一个当之无愧的向阳行业。主要包罗互联网、软件及信息技术服务业、高端制造等行业。与你手中正在刷的抖音偏好推荐相类似，自动驾驶技术也离不开庞大数据的支撑。

因此，在大数据时代，原本庞大的“智能问题”可以简化为“数据问题”——只要对大数据的举行简朴查询就可以到达“基于庞大算法的智能盘算的效果”。为此，许多学者曾讨论过一个重要话题：“大数据时代需要的是更多数据还是更好的模型（moredata or better model）？”。在自动驾驶技术加持下，每辆车承载的数据量将是 TB 级的，玩转数据者将独占鳌头，实时交通中机械学习的体现是无人驾驶时代一个关键节点。这意味着并不是简朴的将路上发挥的某一路况反馈给无人驾驶车辆即可，而是要将历史数据和当前收集到的整体路网数据联合分析，通过机械学习举行判断。

以特斯拉为例

特斯拉曾在 2018 年 11 月宣布过一个数据：全球所有的特斯拉车主在自动驾驶 Autopilot 启动下驾驶的总里程数已经突破 10 亿英里(约 16 亿公里)。同年，Waymo 仅收集了约莫 2400 万公里。据知名投资公司 Ark 分析师塔莎•基尼称，当你视察特斯拉汽车上行驶的所有里程数时（无论自动驾驶系统是否启动），记载的总里程数都要凌驾其他公司。

特斯拉 FSD 视觉传感识别画面

毫无疑问，特斯拉的 16 亿公里是一个笑傲江湖的数值。随着 2019 年 Model 3 全球销量突破 30 万辆，这一数值显着还会有大幅的增长。特斯拉使用数据、人工智能和机械学习构建了一个神经网络，这是一个由传感器、数据、通信、CPU、外围硬件和软件组成的系统，它们像人类大脑一样同时处置惩罚信息、适应和学习，这才是该公司真正的亮点。

而最近一位来自日本汽车巨头的工程师在拆解 Model 3 后分析 HW 3.0 时震惊地叹息道：“我们做不到”。期间的原因在于 HW 3.0 中包罗有两块由特斯拉自主研发的 AI 芯片，并设计了专门的软件来做支持，以超强的盘算能力为焦点，为的就是能够承接即将到来的更智能、更自动化、更海量的汽车传感与处置惩罚数据。

眼下，特斯拉在全球有靠近 100 万辆车在路上行驶，它把每辆车、每一个传感器、每一个“事件”（即人与偏向盘、制动踏板等的相互作用）作为数据点。获取这些数据，对其举行分析，并使用这些数据革新算法，建立新的算法，并将这些革新通过空中升级 OTA 传送到车辆上。

简朴来说，特斯拉车主开着车上班或旅游的同时，也在资助训练特斯拉的人工智能和机械学习大脑网络。

对于掌握自动辅助驾驶数据的能力来说，现在来看，在特斯拉之后，差距比力小的是同样在 ADAS 领域接纳自研为主计谋的蔚来和小鹏，而其他接纳委托集成计谋的主机厂们，差距可能到达 5 年之久了。

小鹏 Xpliot 3.0 视觉传感识别画面

做好准备迎接海量数据的“洗礼”

我们知道，自动驾驶汽车在举行事情时会发生大量数据，每辆汽车每秒就会发生 6--8GB 的数据。据统计，仅仅在 2017 年，该领域就缔造了约莫 250EB 的大数据（1 EB= 1024PB，1PB=1024TB）。而这仅仅还是两年前的数据，所以，从 21 世纪 20 年月开始，每个主机厂都市有几十 PB 的数据，这就需要有先进的观点来处置惩罚这些数据并从中获取价值。

其次，在汽车研发与盘算机和数据科学之间搭建一座桥梁。工程制造是汽车厂商的强项，但他们对于数据科学可能并不太熟悉。这些学科的融会，可以帮汽车厂商打开新大门，加速其创新和研发。虽然车企研发部门也有专门的数据工程团队，但他们经常还是需要借助数据科学以及人工智能领域专家的气力，以实现最好的研发效果。

第三，高效处置惩罚和分析数据。当自动驾驶汽车举行测试时，LiDAR、视觉相机和雷达等部件会生产大量以 ADTF、ROSbag 和 MDF4 等花样出现的专业化数据。现在已经有可以对这些海量数据以 PB 为单元举行快速会见的工具了。在已往，通常需要好几天的时间来提取和分析数据，而现在只需要几分钟或几秒钟就可以获得效果。

第四，做一整套测试验证流程需要多种能力，除了基本的数据收罗外，还要对数据收罗有履历，建情况真值，对数据算法要有明白；做测试验证流程，对传统汽车行业测试工具链要掌握，最后面临海量数据，要有大数据分析能力。

最后，优化自动生成数据。当一个自动驾驶系统作出一个差别于人类驾驶者的决议，肯定需要被记载下来。同样，当半自动驾驶汽车发生决议错误而被人类驾驶者纠正时，也要加以重视，这样工程师可以对系统举行优化。如果自动驾驶系统可以连续优化和革新，那么消费者对于自动驾驶汽车也会更放心。

在未来，支撑特斯拉 3000 亿市值的或许会有许多因素，而这些年，他们自动辅助驾驶积累的海量数据以及处置惩罚数据的能力肯定是其中含金量最高的之一。

编辑总结 /

自动辅助驾驶生长如火如荼，诸多领域即将步入从 0 到 1 的质变历程，固然，如果做成了，接下来即是星辰大海。只有那些掌握了背后大数据的车企，基于自身优势深入专研这一块，逐步形成技术壁垒，建设起护城河，或许就可以在偌大的自动驾驶工业中站稳自己的脚跟。