智协慧同是一家创业型公司，有多年产品和技术的沉淀，去年和华人运通首次实现了车云一体计算架构量产，如今正与多个头部车企的新架构车型在推进量产合作和生态应用的落地。

智能汽车是万物智能的开端，我们把智能汽车定义成机器数据的生产终端，机器数据注重信号数据的时序性。车上每天有上万个信号在产生，主要就是传感器、执行器、功能和服务的中间态数据组成的，如果一天开几个小时的车，光结构化数据量就会超过10个G以上。这么大的数据量，其不可能把全部的数据都搬到云端去，无论是从流量成本还是带宽，都是很难支撑的，而且从整个数据使用效率来看也没有必要。智协慧同看到另外一个趋势，未来智能车上，一定会在车上做计算和存储，进行筛选、压缩、上传以及处理，这样来保证数据采集的低成本、灵活性和高效性。

智协慧同看到更强调边缘计算和云计算协同的计算架构会引领下一代万物智能新的IoT架构。今天智能汽车发展速度非常快，在整个行业，中国处于比较领先的位置，智协慧同从汽车角度出发，未来可以渗透到更多场景。

现在产品的竞争力，更多是从AI竞争力来看，包括自动驾驶、智能底盘等等，AI能力有多强，就代表未来产品竞争力有多强。这个层面竞争力其实背后是靠更精准的算法，算法其实需要高价值数据，高价值数据背后就需要有效的corner case来积累。

现在有几个难题，如何让业务模块与数据更高效地去耦合？如何能低成本采集量产的高精度、高质量数据？如何高效迭代corner case？

现在大多数车企的面临的问题是影子模式尚未上量产车，大量有效数据难以快速积累，同时corner case通过OTA的形式进行迭代，1-2个月或者更长的时间去更新迭代一次，影响有效数据的采集效率。而在这个问题背后，其实因为传统的车联网架构不适合智能汽车，智协慧同从三个维度来看传统车联网架构的局限性。

首先在车端，目前很多功能汽车都是没有计算、没有存储，而在车端又不能把所有信号往云上去搬，成本受不了，现有的技术也难以支撑10ms级的数据采集。另外一个挑战是车云异构，车端是嵌入式环境，从云端分布式环境下发一个算法到车端，从编译到依赖库适配等等，实现周期长、部署门槛高，影响数据采集的灵活性和效率，从而导致数据闭环很难高效运转起来。

同时，车联网是一个非常不稳定的网络，车在快速移动过程中会跨越很多信号不稳定的区域，通信基站切换，以及3/4/5G之间的切换，都会导致信号的丢失和乱序。所以车企用传统车联网采集到的数据是从几千上万个里面采集100~200个，并且是低质量、低精度的贫矿数据，这样的数据价值非常有限，不能赋能研发业务。

最后，传统车联网架构很大的一个问题是成本和效率，把大量信号数据都汇聚到云端之后再来做排序和ETL，导致信号数据有上百倍的膨胀，会产生极大的计算数据和存储成本，同时数据到桌面的效率也非常低，影响了数据驱动的效率。

此刻，我们正经历从功能汽车到智能汽车的转变，一方面有上亿行新代码在车上出现，另一方面整个车型开发周期在缩短，这样一个矛盾如何去解决？

一定是需要用新的技术和新的方法去重新定义开发流程，重新定义效率和成本。在这样的背景下面，智协慧同开发了车云计算解决方案。车端边缘计算由边缘计算引擎和数据库组成，相当于是计算机计算和存储的功能，把信号的筛选、计算、压缩、上传，这些工作前置到车端，车企可以非常灵活的采集需要的高精数据，可以触发采集，也可以随时灵活采集，非常适合量产阶段的车辆高精数据采集。

另外，我们首次为汽车原创了一个时序信号数据库，它能实现对信号进行解析、按列存储、同时通过压缩算法实现上百倍的无损压缩，大幅降低了整个传输链成本，数据到云端之后也无需再做解析、排序和ETL，云端成本大幅降低。

数据采集到之后，云端还有一个分布式计算引擎和低代码的开发工具，让业务人员可以高效地进行建模、数据分析。智协慧同用低代码的工具，将计算的过程封装成一个个的算子，业务人员可以根据know how通过托拉拽建模，实现数据分析和模型训练，实现数据驱动研发和高价值业务。

值得一体的是，智协慧同采用了车云一体的计算架构设计，通过低代码工具建好一个算法模型，从车端到云端的下发是秒级的，大幅提升了算法的下发效率。同时从数据到桌面的效率能达到秒级，这样实现了高效的数据闭环。

智协慧同产品大概的组成，车云一体的计算引擎，其实就是把SOA理念在计算引擎里面进行实现，封装了很多计算服务，车端开发了一套，云端开发了一套，车云之间进行调度和算法下发的时候会非常快。另外智协慧同首次原创车端数据库、车端计算引擎和数据库，门槛非常高，一方面智协慧同要保证高性能，另一方面智协慧同要满足车规级很多要求，降低资源消耗，而且CPU占用会保持非常稳定的状态，智协慧同采取的是流计算、流压缩，从整个底层的架构设计到数据库的设计，其实里面的挑战是非常多的，我们解决了100多个车链技术难点，实现了量产上车，另外云端的SDK是非常轻量化的，车企用很短的时间，就可以把这些数据利用起来。低代码工具把行业很多计算过程都封装起来了，让很多汽车工程师自己就能驾驭数据。

目前智协慧同还在和车企联合开发围绕自动驾驶的高效数据闭环，基于中间件产品，利用车云一体计算架构，智协慧同会把AI模型在云端进行封装，下发到车端的边缘计算引擎，这样可以不通过OTA就可以实现神经网络模型的快速迭代，这是目前第一阶段做的事情，未来还有更加完善的Shadow Mode方案。基于ExceedData中间件的数据闭环方案，还可以通过更多结构化数据来定义Corner Case，比如说异常变道、AEB触发、特殊场景等，让Corner Case的维度更加丰富。

智协慧同可以通过边缘计算，对车端的很多信号异常进行实时监控，对于BUG和异常故障都可以第一时间触发数据上传，业务人员可以快速定义这些问题，给到相关的开发人员，实现快速的版本更新与迭代。

智协慧同把数据驱动分为四个等级，L1获取数据的能力，这里讲的数据是指的量产的高精度、高质量的数据，这样的数据才能释放更大的业务价值。L2数据到云端之后L，可以使用低代码的建模工具，让业务人员可以自己通过拖拉拽的方式进行实现模型开发与数据分析。L3闭环数据能力，算法模型通过车云一体架构能够快速下法，让业务人员不用关注底层的实现，就能把整个功能进行实现，从而加速产品智能化的迭代。L4是数据开放的功能，刚才中汽创智的同志也讲到了，他们在做数据共享，智协慧同现在已经跟一些车企在做开发者平台，这个平台把这些高质量的数据去赋能给有看know how的开发者，释放更多数据价值。

通过车云一体的计算架构实现了数据采集、加工和开发等功能，在最上层，智协慧同是帮着车企实现数据的开放，帮车企实现数字化转型。因为车企掌握了数据和计算资源，成为一个数据平台商，赋能开发者和供应商利用这些高价值的数据去迭代他们的算法模型，为用户提供更智能化的产品体验。这个过程中，车企变成平台服务商，收平台的费用。此外，车企也可以使用高精数据闭环为用户提供全生命周期的高价值服务，这样车企可以转型成为移动出行服务商+平台商，我们认为这是车企在智能汽车时代的终极转型。

刚才讲的是比较宏观的东西，智协慧同从微观的案例来展示底层的信号数据价值，看左上角演示了一个汽车变道场景，边缘计算引擎会在变道这个场景观测车辆的很多信号（速度、位置、制动、油门、转向灯…），这些信号单拿出来看，其实是没有任何价值的，它的价值是通过算法模型和信号去结合提取一些特征数据，这些特征数据才是真正有价值的数据。比如说变线一次的时长，是加速变道还是减速变道，变道的时候是不是打转向灯了，等等这些特征来判定一个用户的驾驶行为习惯，进一步可以去做很多保险的定价，也可以提取更多的特征去计算对车辆的损耗二手车的价格评估，以及去赋能更多的商业场景，这就是智协慧同从微观的信号数据到最后宏观的商业价值转变的路径。

这是智协慧同提炼出的一个公式：通过车云一体计算架构来赋能，把整个智能网联的数据价值做全面的展现，你能有效的把数据转化为资产，这才是车企数字化转型底层支撑，整个车联网数据里面关系到人、车、环境，如果把这些数据能进行高效利用，进行价值转换，这才是车企数字化转型最核心的部分。

上层使用再好的软件和算力（生产力），但是如果没有高价值的生产资料（人-车-环境的高质量数据），那车企的数字化转型就难以真正的实现。

综上，智协慧同认为车企的数据资产，包括很多的个性化、智能化服务，一定是通过数据与Know-How相结合，同时要考虑效率跟成本，这才是有效的数据驱动，是数字化转型的核心支撑之一。这这个公式里，智协慧同可以帮车企实现更高效、更低成本的获取到数据，赋能车企打造更高效的数字化转型。