现代汽车产业面临转型升级的重要方向是汽车+人工智能

汽车智能化、网联化、电动化和共享化的发展趋势对汽车产业带来诸多影响。在产业边界逐渐模糊、跨界竞争日趋激烈的同时，产业价值也在重新分布。汽车产业面临转型升级，“汽车+人工智能”成为重要方向。

人工智能是一门研究模拟、延伸和扩展人类智能的理论、方法及技术的科学，其诞生于20世纪50年代，目前发展为计算机视觉、自然语言理解与交流、认知与推理、机器人学、博弈与伦理和机器学习六大领域，并呈现出各领域相互渗透的趋势。

多项因素共同触发人工智能的快速发展。一是数据量的爆炸式增长，二是硬件设施的升级，包括运算能力、存储能力和网络传输能力的提升。三是算法和模型的不断优化。四是资本的助推。

感知处理、决策规划和控制执行均是人工智能在自动驾驶中的典型应用场景。感知处理方面，基于深度学习的计算机视觉，可获得较接近于人的感知能力。决策规划方面，深度卷积神经网络与深度强化学习，能通过大量学习实现对复杂工况的决策，并能进行在线学习优化。控制执行方面，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，包括神经网络控制和深度学习方法等。

以英伟达的Drive为代表的解决方案采用端到端的方法。即以传感器的原始数据作为输入，通过之前使用的数据训练出来的模型直接预测输出车辆的动作。端到端的解决方案通过缩减人工预处理和后续处理，尽可能使模型从原始输入直接到最终输出，为模型数据自动调节提供更大空间，从而减少基于规则的复杂性。但其解释性较差，准确度不容易控制。

深度学习是实现人工智能的关键技术，一般可以分为训练和推断两部分。训练是使用采集到的样本训练出一个复杂的深度神经网络模型。推断指利用训练好的模型，使用待判断的数据去“推断”得出各种结论。通常情况下，样本的数量越多，训练的精度越高，所以样本的数量是影响深度学习精度重要的一个因素。自动驾驶人工智能算法的开发需要海量的训练数据。

自动驾驶算法的优化升级需通过车辆传感器、车联网平台、周边基础设施等获取周边环境、交通规则、驾驶习惯、地图定位等数据信息。L3级以上自动驾驶汽车需处理海量、多源、异构的数据，例如L4级需处理的数据量可达4TB/天。另一方面，当前人工智能网络对于单计算节点的算力要求过高，但当前主流开源软件框架对于模型分割进行计算并没有实现。因此，自动驾驶方案的优化对算力提出更高要求。

为了应对自动驾驶方案的优化对算力提出的更高要求，新型汽车智能计算架构亟待研究。边缘计算成为行业研究热点，其是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。新型汽车智能计算架构包含多级中心云及最末端需要的巨量边缘计算节点，由边缘计算节点向自动驾驶车辆提供算力支持。新型汽车智能计算架构可以更加合理地分配计算资源和通信资源，但其在自动驾驶领域的应用尚需深入研究。

智能网联汽车测试部分析研究国内外下一代汽车计算平台的理论前沿、先进架构、共性技术与核心产品，旨在提出促进下一代计算平台关键技术及产业发展的可行性建议，为促进行业健康有序、安全可控的发展提供指导依据。通过密切跟踪国内外研究动态，组建覆盖多领域的资深专家库，实地调研企业收集来自实践应用的一线素材，智能网联汽车测试部为行业发展提供智力支持，不断推出理论模型、发展路线、标准规范及白皮书系列研究成果，并为管理部门与企业提供咨询服务。