自动驾驶解决方案 招聘（自动驾驶，别让数据卡了脖子）

时至今日，中国汽车产业的强大已经“溢于言表”。

就拿已经过去的2022年来说，全年总产量达到2700万辆，直接占到全球总量的31.8%；出口量更是首次突破了300万辆，刷新到了全球第二；在全球汽车新能源化浪潮中，已经实现了25.6%的市占比。

绚丽的数字背后，是整体汽车产业的越来越成熟，各个自主车企都进入了品牌价值的快速上升期，逐渐从过去的“活下来”往继续“做大做强”发展。

也正是因为中长期持续发展的视角，让许多车企提前投入到了汽车行业的下一场战役——“以量产车推进技术能力成长，抢先在将来的自动驾驶时代拔得头筹”。

在自动驾驶的前期探索中，主流路线一直是跃进式的。最典型的例子是Way流量套餐mo，从一开始就大量使用昂贵的激光雷达，并且尝试直接去掉司机、彻底实现无人驾驶。在行业中辛苦熬了十多年之后，好不容易开始将过去的科研成果落地为Robotaxi业务，但好几年了还是在个别城市试点。

与Waymo形成鲜明对比的，是以量产车“持续迭代”模式推动、“渐进式”趋近自动驾驶终极目标的造车新势力们。从L2/L3能力起步的它们不仅通过高级辅助驾驶功能（ADAS）实现了产品力和利润的提升，同时还能持续收集现实驾驶数据，在良好的商业循环下继续发展自己的技术。

在自动驾驶这场短期内仍无望普及的长跑中，更有耐力、更符合商业诉求的第二种发展模式，正在成为中国汽车产业的大势所趋。

数据相关的挑战，自然而然地摆到流量套餐了车企面前。

从2020年开始，中国市场乘用车的高级辅助驾驶（ADAS）搭载率一直都在快速爬升，根据相关统计，2022年上半年ADAS前装搭载率已经达到了26.64%，L2级智能辅助驾驶同比增长接近70%，相应的汽车价位已经进一步渗透到15万左右。

乘用车市场L2/L3前装率快速提升，恰恰说明了“拼制造拼硬件”是中国汽车产业最不怕的课题。真正困扰中国汽车产业的，来自汽车实体之外，至关重要的一个环节就是——数据，尤其是怎么把数据跑起来。

作为自动驾驶走向现实的关键，深度学习的基础原理，就是通过收集海量相关数据给计算机，并且进行特征分析、训练、验证，最终“训练”出一个高度精准的AI算法，用于实时感知不断流量套餐变化的路况，通过推理计算给出可靠的驾驶指令。

换句话说：计算机只会它“学”过的，遇上没“学”过的题目，输出的驾驶指令可靠性就会迅速下降。无论是“跃进派”还是“渐进派”车企，都必须对数据进行布局，具体包括数据的收集、挖掘、训练等一系列环节。

过去在相对基础的L2自动驾驶产品中，车企往往会直接找外部采购mobileye一类的整体解决方案。但随着L3/L4技术难度的增大（市场上并没有很多公司做出成熟的解决方案，形成良性竞争），以及消费者对于L3/L4自动驾驶的看重，车企之间的激烈竞争已经让他们“不得不”自己下场，以实现比友商更快、更好的自动驾驶能力增长。

严峻的IT能力挑战，给包括造车新势力在内的所有汽车流量套餐厂商，都提出了一道难题。

“数据”为何能难倒大车企？

自动驾驶“数据”听起来很简单，实际上涵盖了一系列难点各异的处理环节。例如数据的采集、脱敏、标注、仿真等等。

先说采集，根据汽车工程师协会（SAE）的相关要求，L2-L3通常要求测试车辆累计收集20万至100万公里的真实路测数据，L4至少需要200万公里的数据。

以一个典型的L2级自动驾驶项目为例，如果以75公里每小时的平均速度（这个速度已经非常快了）收集20万公里里程，将生成近3000小时的数据，单个传感器需要大约4PB（1PB=1024TB）的存储空间，所有传感器加在一起将生成约20PB的原始数据，2万多块1TB的硬盘才装得下。而这还只是基础要求流量套餐，随着车企量产产品的不断运行，累积的数据量只会越来越多。

如此海量的数据不光是存储的问题，还有传输和归档管理的问题。车企必须将存在于海量的实际用户车辆当中的数据，合规地收集起来，高效地通过网络传输到大型数据中心。在数据到达数据中心之后，还需要进行分类归档，不仅要保证数据存储的合理性，同时还要保证后续数据的存取足够高效。

紧接着是数据的脱敏，早在2022年8月中汽协就对汽车数据的脱敏提出了要求，包括车内（人脸）和车外（人脸+车牌）的图像数据都需要脱敏。但汽车收集的数据往往是动态的视频，所以同样需要人工智能的能力来对敏感数据进行追踪，进行相应的擦除、涂抹等操作。

然后是数据的标注，在给计算机投喂数据的过流量套餐程中，并不是乱投一气，而是要在人类工程师的监督下，有规划地组织计算机学习，也就是提前由人类和程序对数据进行“标注”。寻常的驾驶数据可以归类之后让计算机自己学习，特别有价值的例如特殊天气下道路标志的识别、特殊的红绿灯识别、不寻常的障碍物等，则由人类工程师重点投喂，并且进行针对性的训练。如果“标注”的效率太低，前面数据收集的过程再快，也会被卡在这个环节上。

再往后，是关键的AI处理能力，自动驾驶PB级别的海量数据需要超大型的GPU加速器阵列才可以处理，在计算的过程中，还必须实现高效、高性价比。

在计算出结果之后，对结果的仿真验证也十分关键。通过在数字世界中的仿真，可以把大量只能在现实世界进行的自动驾驶流量套餐开发和测试成本，转化为GPU的物料成本和工程师的知识经验成本，变相为车企节约了大量的成本。

最后是车企们对于自主可控的诉求，早在两年前，上汽董事长就曾表示过“上汽要把灵魂（自动驾驶）掌握在自己手中”。这种说法虽然听起来比较强势，但对于在汽车产业中投入最多、产值最高、产业金字塔地位最高的车企来说，将主动权掌握在自己手中的确是一个合理的诉求。

车企们再明显不过的需求，很快吸引来了众多的“外援”。

双向奔赴的汽车产业和IT产业

能帮到中国汽车产业的，只有中国的IT产业龙头们和紧随而来的生态。

车企一系列数据需求，尤其是数据的传输、存储、大规模处理，以及在数据需求背后对效率和性价比的需求，已经为汽车产业指明了最流量套餐关键的合作伙伴：云厂商。

后者拥有遍布中国乃至全球的数据中心和网络节点、超大规模的数据存储能力、以及云端大规模的AI计算处理集群，就是车企解决一系列数据难题的最好倚仗。

车企与云厂商合作的深化，最终转化为了中国汽车云市场的快速增长，在这个市场中，中国本地的云厂商反而比国外云厂商更领先。

按照国际权威分析机构沙利文2022年的调查，华为等国内云厂商在这个市场中已经处于领先地位。其中，华为云在细分市场基本处于龙头：在自动驾驶汽车云拿下26.9%的市场份额，车路协同汽车云则拿下了23.6%。

国内的自主车企们也在这个过程中受益甚多，其中一个例子是比亚迪。作为国内领先的新能源汽车厂商，比亚迪拥有超过250万辆流量套餐产品行驶在路上，这些产品均需要通过OTA（远程无线升级）来保持汽车软硬件系统的更新。如此数量庞大的用户，通过华为云强大的网络分发能力和资源调用能力，能做到在OTA分发过程中不“卡顿”，在分发完之后迅速减少云端资源的使用，降低费用成本。

只不过，再强大的通信和云能力显然不足以解决车企们的所有需求。回到自动驾驶这个远期挑战中，不同车企就有着不同的自动驾驶硬件方案、也有着不同自动驾驶发展思考，在自动驾驶的云服务上并没有像互联网那么统一的需求。

同时，车企的软件实力也比较有限，云厂商主动去服务每一家车企的每一个需求，只能换来最糟糕的结果，单个能力不强且解决方案无法在不同车企之间互相套用。

专攻自动驾驶的专业流量套餐软件公司在这个过程中就体现了他们的价值。

在云厂商完成了数据的加密、上传、存储之后，这些专业软件公司就可以针对自动驾驶数据处理过程中的一个、几个甚至整个环节，结合自己的技术积累，基于云厂商输出的基础能力，向车企输出更加完整、更定制化的解决方案。

以自动驾驶数据的“标注”为例，现实驾驶数据在经过脱敏（保护隐私）、加密（数据安全）传输到云端之后，需要通过计算机和人工进行“归纳整理”。哪些片段的数据最日常、哪些最特殊、哪些自动驾驶功能意外“罢工”、哪些片段出现了全新的“道路情况”。

通过这些数据“归纳整理”并且打上对应的“标签”，再把数据给到计算机，计算机就能按照特定的规则进行学习，例如罢工场景中哪些物体流量套餐其实不危险、道路中出现意料之外的石头，需要及时退出自动驾驶，并且让驾驶员接管等等。复杂的审查和标注过程，很有可能拖慢整个自动驾驶研发的流程。

国内领先的数据标注公司“星尘数据”为此推出了Stardust全场景能力平台，拥有强大的人工标注、智能标注、自动化标注等能力。基于华为云ModeArts&星尘数据标注训练一体化方案，帮助车企在“标注”环节提高研发效率30%以上。

车企用户所需要做的，只是在购买云能力的基础上，增购这个解决方案的费用，就能将两者像“积木”一样拼起来，大大缩短了自动研发平台搭建所需的时间。

四维图新是另外一个典型的案例，作为国内知名的自动驾驶高精地图厂商，它所提供的高精地图数据能够精流量套餐准地定位车辆，给出精准到车道级别的定位信息和道路数据。

但这种数据稀少、昂贵且不及时，在部分特殊场景如高速道路的车道临时施工中，高精地图甚至会影响自动驾驶的安全性。为了彻底解决这个缺陷，让自动驾驶汽车可以更信赖高精地图，四维图新提出了一整套云联合解决方案，将过去软件厂商独立生成的地图数据上云，并且将车企实际驾驶收集来的数据，一并加入到自动驾驶高精地图的数据闭环中来，相当于路上每一辆车都是高精地图的数据收集车，最新数据在经过一系列处理之后，还能重新进行下发，最终让高精地图实现前所未有的即时性，甚至是帮助汽车提前感知视距以外的路况。

实现这套解决方案的关键，依旧是云。四维图新在华为云提供的自动驾驶云平流量套餐台基础上，搭建了包括数据合规、地图闭环平台、数据处理、数据标注、模型训练、仿真测试在内的一系列任务模块。车企完全可以根据自己的需求，采购服务能力和云资源，或者是调配资源的量与使用时间，轻松实现最高的性价比。

与它们相似的案例还有很多，例如专攻自动驾驶数据管理的格物钛，帮助车企在云厂商数据库技术的基础上，更好地管理自动驾驶数据；例如专攻自动驾驶数据仿真的赛目科技，车企可以在云上对收集的数据进行重现、仿真，甚至还可以估算出单个场景下车辆的安全程度。

这些细致而又丰富的能力与云厂商一起，最终形成了“云厂商基础能力+云厂商自动驾驶服务能力+专业软件公司服务能力”的三重组合，为中国汽车产业给出来自IT产业的流量套餐完美回答。

全力助攻自动驾驶的华为云

在前不久举办的中国电动汽车百人会论坛上，华为云EI服务产品部部长尤鹏就公开介绍了华为最新的“自动驾驶数据闭环解决方案”，为车企全面提供训练、数据、算力三层加速。整体覆盖车企在自动驾驶开发过程中的数据采集和数据处理需求、算法开发需求、模拟仿真需求。真正克服影响高阶自动驾驶落地的不常见但不断出现的“长尾问题”，提升大规模高效处理新场景数据并且优化算法模型的能力，最终实现数据的高效流动。

帮助华为实现这套解决方案的，是华为强大的云底座能力，例如华为的昇腾芯片和ModelArts就提供了业界最强大也是最高性价比的AI算力；DataTurbo等数据库技术，消除了数据的读写流量套餐训练的带宽瓶颈；在许多自动驾驶具体场景的算法中，华为也进行了深度优化，较之前的解决方案性能平均提升30%-45%。

与此同时，在成本高、耗时长的仿真环节，要借助先进的技术缩短数据积累周期。华为云计算通过NeRF技术，通过采集的2D图片，可以生成、重建多个3D场景，大幅度提升仿真数据的构建效率，降低数据积累成本。

我国自动驾驶产业应秉持开放合作的心态，才能有更多精力投入自动驾驶的业务创新。如华为提供了开放的、乐高式的工具链平台，自动驾驶厂商可以根据自己的实际开发需求，如同搭积木一般灵活的组合，满足自身的开发需求。

目前，在云计算之上，华为云、星尘数据、四维图新、赛目科技等等一批业内专业软件服务商的技术流量套餐与能力，进一步提升对车企的服务能力水平。

可以预见，双向奔赴的中国IT产业和汽车产业，正在通过瞄准自动驾驶变革，以开放的产业生态理念，披荆斩棘的发展新思路全速前进，共建良好生态的协同思维，必将推动中国智能汽车产业走向新高度。