智协慧同：车云数据底座打造智能汽车的先进生产力

基于车载数据库打造智能汽车的数据底座

智协慧同在2021年完成国内首个车云计算架构的量产落地交付，围绕车云计算在数据方面进行了诸多探索。

智协慧同合伙人兼战略总监胡勇表示:“汽车时代正迎来范式升级，数据驱动成为车企的核心竞争力。针对数字化转型，最重要的是以用户为中心，构建起产品全生命周期的数据驱动能力。”

智协慧同合伙人兼战略总监

以下为演讲内容整理:

数字化转型的关键在于怎样将底层车辆的数据，用户的数据更好的采集起来，更高效的利用起来。智协慧同从基础软件的角度，从计算架构解决汽车数据问题。作为创业型公司，我们在2021年实现了行业首个车云计算方案的量产交付。目前合作客户已超过10家车企，我们致力于通过数据更好地连接产业链条。

汽车迎来范式升级，数据驱动成为车企核心竞争力

目前汽车的进化范式发生很大的变化。以前我们通过经验，通过写代码把策略固定在控制器上，全生命周期中车辆都不再迭代。现在，智能汽车依靠各种模型，各种策略来让车辆更智能，模型的背后是大量数据的驱动。如今汽车数据的增幅飞快，高级自动驾驶的汽车每天产生的数据量超过20TB，这种速度还将持续。未来，车企如何构建数据驱动的能力是竞争的核心所在。

数字化转型需以用户为中心，构建产品全生命周期的数据驱动能力。我以前在车企做过产品规划、做过智能网联，现在在软件公司做基础设施。在做很多事情时，我会充分考虑之前做产品规划遇到的问题。比如在产品规划阶段，定义产品时怎么定义功能和性能？以前，好多时候都是拍脑袋，或者买数据、找对标，但都是靠不太可信的数据做的决策。现在，从产品规划到开发、售后，到用户运营以及持续的升级，我们要把车辆产生的数据贯穿起来。只要将这个环节做好，数字化转型才能有所支撑，我们的决策也将是依靠科学的数据。

车上的数据非常复杂，车辆数据、位置数据、应用数据、驾驶行为特征数据，道路和环境特征等数据维度日益增多，高达20000+；这些信号又是毫秒级的高频信号，数据种类繁杂，而且这些数据的特点是价值稀疏，有价值的数据不到10%。这些数据如何采集？过去10年车联网都在这被卡住了，很多有价值的数据上不了云，无法驱动价值。

比较有成功的数字化实践案例是特斯拉。特斯拉基于车云计算构建数据闭环，从车端进行数据采集、存储，在云上进行数据归集汇总，进行数据开发。并基于这套架构打造出来了高价值的应用生态，包括FSD的快速迭代、优化；其成本和质量控制也都是靠数据决策。

从特斯拉的方案可以看出，数据驱动被划分为四个层级:L1是灵活的高精数据获取能力。但就这一层，90%的车企也做不到；L2是敏捷的数据开发能力。传统方式会把很多业务人员需求给到IT，IT写代码，在云端做大数据分析，从业务人员到IT人员沟通效率极低。最后把云上写好的模型跨车云进行部署，又造成了时间和效率的浪费，这是L3级的数据闭环能力。再往上是L4开放的数据生态能力。

从L1-L4的数据驱动能力，我们进行了数字化的定义。现在，特斯拉把整套链路跑通了。我们也提出了类似的一套计算架构，这是我们基本的产品组成，也是车云计算的框架。

EXCEEDDATA——全面赋能数据驱动

首先在车端，我们用了边缘计算的中间件软件和时序数据库。通过车端的存储和计算，我们能帮助业务人员采集其需要的、有价值的数据。边缘计算将业务人员的需求直接建模、下发，还能够采集各种特殊场景，或者各种事件数据。

同时，车端的数据库可以对毫秒级的信号进行高效采集，对结构化数据进行上百倍的无损压缩，并支持数据的周期性存储。针对车企比较关注的数据，可以进行周期性的常规采集，把数据采集进行分类。

今年，我们又推出了“灵活数仓”的概念，帮助业务部门更好地基于基层产品，搭建数据应用，进一步封装产品。

在前端给到业务人员低代码的建模工具，可以让不会写代码的工程师通过拖拉拽快速建模，建好的模型可以在云上跑和车上跑，省去了模型迭代的过程，实现了数据从高效采集、灵活采集到模型迭代，再到模型下发，整个数据闭环非常高效，效率提升几十倍以上。

基于车端数据底座，我们深耕三大核心应用场景，赋能整车数智化。一是整车数据智能。包括底盘、座舱、车身、动力等，我们都需要在上面通过边缘计算和各种业务模型提取有效特征，并将有效的特征数据反哺给策略和模型，让它能够持续迭代，解决各种问题。

二是智能诊断。汽车的智能化带来了产品的复杂度提升，但开发周期在不断缩短，很多问题在开发中不能识别，不能定义，这需要一套在线智能诊断系统。在产品交给用户后还可以快速发现异常，快速解决问题。

三是自动驾驶。我们的架构可以帮车企进行快速的CornerCase数据采集迭代，从CornerCase的建模，到下发，再到数据回传，基本上是进行分钟级的迭代。

基于上述数据底座，可以实现的数据场景比较多，我们的产品部署也很灵活。现在，我们已经与很多车企展开了合作。

图形化、可调整、敏捷支持业务部门的灵活数仓

关于“灵活数仓”，它区别于传统数仓，使很多业务提数据需求时，可以通过工具链进行拖拉拽，就可以把灵活数仓的各个层级进行灵活搭建。如果业务需求发生变更，还可以自己快速调整。传统数仓的数据需求汇集非常多，每次调整都要通过写代码，非常麻烦。我们直接拖动模块，按照需求去拖即可，效率得到了大幅提升。

首先当大业务模块变成小的灵活模块时，企业对计算资源的使用也会更高效。可以使很多数据更高效地实现业务价值。对比来看，传统数仓规模大而全，但颗粒度非常大，不能满足各个业务部门的需求，很多车企建了数仓但业务部门不用，因为解决不了问题，很多需求在不断变化。尤其是在智能汽车初级阶段，家对数据的认知、使用都还处于初期，不可能清晰地定义数据需求，而灵活数仓可以支持实时的迭代更改，能够更快地满足业务数据需求。

图源:智协慧同

第二传统数仓结构庞大，每次改动效率都较低，都会把大批量数据进行无效计算；在灵活数仓上，针对具体模块来调用相关资源来进行计算即可，效率提升了十倍。

第三传统数仓从构建到运维门槛很高，需要IT人员写代码更改。灵活数仓通过拖拉拽就可以快速迭代，由业务人员迭代数仓的设计。

第四帮助车企沉淀更多的数据资产。通过底层算子可以打造多层业务模型，这些模型只要通过内部验证就可以作为标准，在车企和云端存储，相关业务需要时直接调用即可以，车企内部不用再重复造轮子。

第五灵活数仓有专门的人服务车企，从而更好实现整套数据的自动化生产线的搭建。

打通数据全链路，助力产业数字化转型

我们的产品从车端基础软件到云端工具，从数据采集，到存、算、用和开放给生态，全链条进行打通，打通后在数字化转型时，能很好地利用最重要的数据信号，对产品进行升级，对功能性能进行迭代。同时还可以实现降本提质。

举个例子，在车端搞边缘计算引擎和数据库，车企最关心的是CPU上到底占多少资源，以及运行这些资源时稳定性如何。为了上量产车型，我们已经把性能提升了一倍。现在，在客户的单核A55上，大概会占7%-8%的CPU算力，而且CPU占用是非常平滑的直线，不会上下浮动特别大，不会影响整车的其他功能。

通过量产实践，我们真正打通了从底层基础设施到上层数据应用的数据链条，从数据到价值进行流转，未来，还可以帮助车企创造新的商业模式。这是基于技术产品打造的全生命周期的数据驱动能力。