多种交易工具
广州
汽车云，自动驾驶的隐秘战场
8 月 2 日，小鹏汽车宣布建成国内最大的自动驾驶智算中心「扶摇」，专用于自动驾驶模型训练。
据何小鹏介绍，「扶摇」是为了处理自动驾驶越来越大的数据量，具备 60 亿亿次浮点运算能力。
在此之前，特斯拉也发布了用于训练神经网络的超级计算机 Dojo，浮点运算能力达到了 exaflop 级别，即每秒百亿亿次运算，被马斯克称为「如野兽一般」。
正巧此时，由安永（中国）企业咨询有限公司（下简称「安永」）和华为智能汽车解决方案 BU 共同编写的《智能汽车云服务白皮书》发布，里面深入分析了云的数据赋能和业务赋能能力，并根据行业痛点以及企业发展阶段，探讨车企和云服务商应该如何进行合作，助力自动驾驶研发与持续升级。
01、海量数据时代，「上云」是必由之路
现在无论是风头正盛的造车新势力，还是高举高打的 L4 级自动驾驶公司，抑或是正大力转型智能化的传统车企，都在争分夺秒地将自动驾驶功能上车，以期实现量产应用。
与此同时，挑战随之而来。自动驾驶时代，车端数据量指数级上升，由于需要借助激光雷达、摄像头等各种传感器「观察」道路，根据 Garner 估计，每一部自动驾驶联网车辆每天至少产生 4TB 数据，而当车企销售出数十万，甚至上百万的自动驾驶车辆时，其数据量将是从 PB 级到 ZB 级的增长，十分消耗车企在数据获取、存储和计算上的资源。
由于测试车辆规模不大，传统的数据中心足以应对。甚至在一些 Robotaxi 公司，仅用最原始的「硬盘拷贝」方式，回传全量数据，然后再进行数据挖掘。
而到了量产阶段，接入的车辆数、产生的数据量大幅提升，训练和并行仿真对 GPU 算力要求陡然增大，传统数据中心难堪重负。
对此，部分车企开始寻求变革。有消息称，某一外资新势力车企已自建超算中心，用来挖掘海量冗余数据，从成本上来说，可谓是投入不菲：仅硬件耗资就高达 1.4 亿美元。
「上云是自动驾驶从开发到商用的必由之路。」在安永和华为智能汽车解决方案 BU 共同编写《智能汽车云服务白皮书》（以下简称《白皮书》）中，旗帜鲜明地提出了这一观点。
据了解，基于云服务的方式，通过对多元算力的支持，可满足车企在自动驾驶开发过程中，模型训练和并行仿真对海量基础设施资源极致算力、安全可靠和弹性灵活的业务需求，且相比传统数据中心，可以有效提升 60% 以上的运维运营效率，并降低 30~60% 的 TCO（总拥有成本）。
02、不止于效率工具，更是一场自动驾驶革命
一个完整的自动驾驶系统闭环由感知、规划、决策构成，其中感知和规划构成了数据生成的主要部分，包括数据采集、数据清洗、数据标注、仿真测试。
要知道，自动驾驶系统采集的内容类别繁多，包括视频、图像、激光点云、雷达点云等，除了数据量大，更显著的特点是，价值数据占比低，无关和无价值信息占用了极大存储空间。
「在需要云端主动搜集积累数据进行学习的场景，例如通过隧道、遭遇电动二轮车，可以让开发人员上传需要车辆获取的图片，通过云端下发指令，车端会采取类似『以图搜图』的方式，将类似场景自动截取下来。这样可避免上传整段数据，而只需要把打过标签的『有价值』数据筛选出来上传到云端即可，大大提升了 Corner Case 挖掘的效率。」一位汽车云服务商内部人士向汽车之心介绍道。
在挖掘到价值数据后，接下来是对数据进行清洗和标注。简单而言，数据清洗就是擦除车端采集的敏感数据，由于其中包含地理位置、人脸、车牌等涉及国家安全和隐私的信息，必须进行脱敏合规处理，并统一格式，而数据标注则是对清洗后的数据进一步加工，大致分为 2D、3D 目标物标注、联合标注、车道线标注和语义分割等。
无论是数据清洗还是数据标注，都需要大量的人力劳动参与。经过这种方式处理的数据质量质量参差不齐、返工率高，且效率十分低下。即便后来车企慢慢引入本地 AI 训练数据处理，较人工处理提升并不大。
国内某科技龙头公司在标注工作中，就投入了超 100 人的团队，发现依靠人工进行标注的工作量占机器学习的比例极高，且耗时耗力，作业效率还难以提高。
《白皮书》中提到，汽车云高算力结合智能策略，综合数据处理效率提升 10 倍以上，数据处理成本较人工降低 50%。
按照业内的普遍说法，自动驾驶系统要走向成熟，需要至少 100 亿英里的试驾数据。这对于任何车企来说，仅仅依靠实车路测，都是不可能完成的任务，因此仿真测试成为了一条必经之路。
03、车企研发之痛，呼唤专业汽车云赋能业务
不少车企已经认识到云服务对于自动驾驶的重要性，相应的投入正在快速上升，有数据显示，2020 年，车企在该领域的投入占到整体汽车数字化投入的 60% 以上。
不过，车企上云的方式各有不同，大体可分为两类：自建私有云、采购公有云（混合云）。
小部分原有 IT 实力较为强劲的车企或新势力以自建云（私有云）为主，仅外采部分针对图形数据的云计算和云存储服务，这种方式有利于车企掌握核心数据以及全流程算法技术能力，打造产品差异化。
公有云则完美解决了这一问题，不仅能提供强劲的算力，其数据管理能力更是毋庸置疑。这也导致车企近些年纷纷转向公有云。艾媒咨询数据显示，2020 年，公有云规模在 2019 年超过了私有云，成为中国云计算最主要的市场。
某汽车集团信息技术部 VP 表示，公司现在对公有云的采购规模连年大幅增长。「单是云存储这一块，2022 年的预算要比 2021 年增长了差不多 30%，云计算同比也增长了 26%。」
某汽车集团 IT 多种交易工具 总监对此深表认同，他认为云厂商应该在 SaaS 层面，给企业提供更轻量化的研发场景，以使自己能专注到最核心的研发上面去。「比如把自动驾驶训练模型都准备好，让企业直接拿来即用。」
这一期待对云服务商提出十分高的要求，意味着后者不仅需要 ICT 能力，还要懂汽车，拥有专业的知识储备，并且能做到二者深度融合。
要解决这一痛点，需要汽车云服务商拥有提供或整合统一工具链的能力，打通上下游链路，帮助车企尽快跑通（数据驱动）Pipeline。
《白皮书》认为，车企对云服务的需求已经从 IaaS 和 PaaS 层的「资源云」转向 SaaS 层的「能力云」，且不再满足云服务只针对场景中的单一业务，而是希望能纵向延伸至多项业务，解决「数据孤岛」和「业务断层」，单线打透形成体系化输出。
某汽车集团 IT 总监直言，选择汽车云服务供应商的考量指标之一就在于，能不能把底层耦合拆干净。「业务和业务之间的协作并不在于云的一体化，我们更看重的是云服务商能不能灵活地适配需求。」