车云协同让车企公司“把好钢用在刀刃上”

谭博实

中央控制的电子电气架构、车端算力的升级、软件定义汽车、车云一体化、车云环境对等、车联网、自动驾驶等汽车行业好像从不缺少概念！问题是，对于整车厂客户来说，如何借“技术红利”进行数字化转型，提供更贴近用户体验的全生命周期服务。

无论是利用自动驾驶、车联网或者软件定义汽车，最终目标是希望跟客户有更直接的互动，并且通过各种数据来指导业务，在车辆全生命周期里提供客户真正会买单的服务，而不只停留在卖车的那一瞬间。亚马逊云科技大中华区战略业务发展部总经理顾凡认为：“在车厂和客户之间的整个生命周期里，给客户不断提供增值服务，是很多车厂正在探索的方向。”

那么，整车厂如何站在客户的角度去思考，如何以反向思维能力提供车辆的全生命周期服务，可能会涉及到3个技术路线。

第一，电子电气架构。向新的集中化的汽车电子电气架构转变，真正让车端的算力达到一个非常高的级别；

第二，软件定义汽车平台。在新的电子电气架构基础上，有一个软件定义汽车平台，真正跨车和云做大量的软件开发工作，让服务型的软件实现车厂价值的差异化；

第三，更好地利用数据。无论是车联网，还是自动驾驶，本质上都是基于数据驱动的软件开发流程。

而从数字化创新的角度看，车厂会进行颠覆式变革，从原本的汽车制造和销售转为向整个用户车辆全生命周期提供各種服务。很多车厂已经具备自己的核心优势，比如市场保有量、品牌知名度、产品线丰富度、产品的影响力和销售服务渠道等，但在“新四化”的趋势中，整车厂需要更强大的助力，包括在软件开发能力、软件的迭代速度、DevOps、算法以及软件应用生态构建等方面，能够做到扬长避短。

作为云计算的开创者和引领者，亚马逊云科技能够助力汽车行业产业链的创新加速和转型，从汽车的研发、创新、生产制造、供应链到市场营销，到智能网联，再到终端用户的服务和应用，都能提供相关服务。

以自动驾驶为例，自动驾驶行业的应用范围在从乘用车扩展到干线物流市场，发展前景广阔。麦肯锡报告显示，到2040年，与自动驾驶汽车相关的移动出行市场会达到2万亿美元。但现实情况是，自动驾驶的成熟度还有很长一段路要走，自动驾驶领域正在经历从早期的实验到中长期的规模化生产的过渡。

自动驾驶基于深度学习、算法优化等技术，需要持续不断地收集数据，然后数据像“燃料”一样，不停地给算法去“投食”，进行更新迭代。所以，基于深度学习的自动驾驶软件，一定是一个由数据驱动的端到端的流程。从数据的采集到存储，到数据的预处理分析，到数据的标注、模型训练、仿真验证，再到最后的部署发布，会涉及一系列的工具链。另外，无论是自研，还是整合现有的工具，都会面临一个挑战，那就是工具链之间的割裂和数据孤岛问题，而基于云，或者说围绕数据湖去整合工具链的时候，可以从容应对自动驾驶开发流程过程中遇到的挑战。

自动驾驶测试车运行过程中，会产生大量数据，包括传感器、摄像头、激光雷达、毫米波雷达等，数据量达到TB级。这些数据刚开始存在车载硬盘里，车一旦回车库，拔出硬盘将数据放到本地的数据中心，然后再从本地的数据中心上传到云。而通过Amazon Direct Connect网络专线以及Amazon Snowball移动存储，可以快速地把数据上传到亚马逊云科技，放在Amazon S3上，并可以通过Amazon IoT FleetWise实现定制化的数据采集。同时，通过Amazon S3去构建自动驾驶数据湖，还可以实现预处理和分析。当数据处理完成以后，下一步一定是数据标注，通过端到端的机器学习集成开发环境，用户可以实现复杂的模型开发和训练。

亚马逊云科技在存储、计算、数据湖、AI/ML、CI/CD等方面都有丰富的应用，可以为车企和自动驾驶公司在整合工具链时提供强大的平台支持能力。所以，很多优秀公司都在亚马逊云科技上整合自动驾驶工具链，训练他们的模型。比如：丰田、Mobileye、Uber、Lyft、Zoox等。

自动驾驶开发流程的底层技术是由亚马逊云科技提供的云服务来支撑，很多合作伙伴会基于亚马逊云科技，为车企体提供最终的仿真验证、数据验证、数据管理和标注等一系列解决方案。

其中，Amazon SageMaker是一个全托管端到端的机器学习集成开发环境，可以帮助自动驾驶公司或者是车企，把复杂的模型开发和训练工作流串起来，让算法工程师把更多精力投入在高质量的模型构建和迭代上，不浪费时间去管底层的资源，真正做到“把好钢用在刀刃上”。