大家好，今天非常高兴，也非常感谢盖世给我这个机会，来和大家分享智协慧同在智能汽车数据领域的一些功能和新的规划。

从2017年成立以来，智协慧同专注于为车企打造基于车云计算的数据底座，赋能车企具备跨车云的数据驱动能力。目前已经与超过15个汽车品牌达成合作，25款以上的量产车型搭载了EXD车端数据底座，并配套云端的数据分析、数据管理和智能诊断等一系列应用，真正帮助车企在数据驱动方面创造价值。

自2021年首款量产车型开始，我们就深耕数据应用的前沿。从去年开始，客户陆续与我们探讨如何更好地将AI融入整个业务流程。为什么大家开始关注这个问题？

因为当前我们看到的大多数AI应用，尤其是大模型，虽然可以进行问答或复杂的内容生成，但它们还没有真正深入企业的核心业务流程和数据体系。换句话说，我们虽然用AI提升了一些效率，但它尚未与企业核心业务流程进行深度结合。

智协慧同的愿景，是能够让AI在汽车行业里更好地发挥作用，实现车、车主与企业的数据深度集成。通过与客户的探讨以及对架构的分析，我们把这一能力拆分为从车端到云端的一整套体系支撑。

在这个体系中，最底层的基础是多模态数据收集。随着软件定义汽车的趋势，数据已经成为汽车的核心要素。在这个过程中，我们需要采集车端总线数据、日志、座舱内语音文本数据、SOA协议数据包等各类信息。如今，新一代汽车开始通过像我们EXD这样的车端数据软件，实现全量多模态数据的接入和存储。

传统的车端数据，如DTC（故障码）和总线信号，过去主要用于硬件问题的排故和诊断。但在软件定义汽车时代，这些已经无法满足大量的新软件Bug问题的分析需求。

另一方面，新型数据类型的增长也是关键因素。例如，语音、文本和向量数据与大模型的结合度更高。大模型更适合分析这些新一类的多模态数据。当这些数据被融合、接入并存储后，下一步的发展趋势就更加清晰——车企客户正在与我们一起探索如何更好地将 AI 引入车端的边缘计算引擎，来减少云端计算的压力和成本。

比如，在车端，我们过去可能运行的是一些物理仿真模型，如 Matlab Simulink 等。那么，现在的边缘计算能否利用大模型来替代其中的一部分计算？能否引入更轻量的机器学习或深度学习模型，如 ML 或TF Lite，在车端直接处理相关推理应用？

另一个典型例子是车载智能问答。目前，大多数语音和文本数据都会上传至云端处理，但这潜在地带来了隐私风险。如果我们能将嵌入式计算、向量支持、RAG系统等能力直接部署在车端，与大模型结合，就能在车上本地完成数据处理，无需将隐私数据传输至云端。

当然，将 AI 引入车端的边缘计算引擎也带来了一系列新的挑战。其中一个核心问题就是车端算力是否足够。无论是高端车型还是低配车型，驾驶过程中算力始终是一个稀缺资源，并且是影响车辆成本的重要组成。车企需要在有限的 BOM 成本内权衡计算能力和硬件投入。

那么，我们能否更高效地利用车端算力？实际上，大多数车主每天驾驶时间可能只有2到3个小时，其余时间CPU、GPU等计算资源基本处于闲置状态。基于这一点，我们在行业内首创了一种方案，可以利用充电、夜间停车等闲置时间，充分激活车辆内部90%以上的空闲算力，将一些传统上无法在车端运行的模型引入车端计算，从而真正为车企创造价值。这意味着，汽车不仅仅是交通工具，还可以作为计算平台，拓展更多的智能应用场景。

当然，即便车端可以进行离线计算，数据最终仍然需要回传云端。大模型仍然需要在云端进行多车协同训练，优化模型参数，并解决幻觉问题。这一过程中，涉及数据调优、带宽成本优化等关键环节。通过将采集上来的数据与传统业务模型+大模型结合，我们可以实现更智能的业务编排，例如：

• 将传统信号计算与AI模型结合，灵活实现车云协同；

• 打通工单、车辆数据流，优化问题标注和模型训练；

• 深度集成AI助手、流程助手、智能问答，重构业务流程，提高运营效率。

与客户深入探讨后，我们制定了这套技术规划。我们相信，在AI真正影响车企业务流转并指导运营优化的过程中，这些能力都是必备的，而不仅仅是提供一个问答系统那么简单。

那么，为了实现这样的功能，我们具体做了哪些工作呢？首先，从去年开始，我们在车端引入了完整的计算与存储能力。现在，文本、报文组、向量等数据都可以在车端进行存储和查询，同时，传统上难以处理的网络包、日志、文本分析也能够通过多模态融合进行高效解析。

一个典型的场景是全量日志入库。我们发现，不少车企的座舱部门都面临类似的问题：他们需要处理大量的安卓日志、系统日志以及各类应用日志，这些日志分析需求复杂，如何在车端实现统一处理？更进一步，能否在用户还未报障、工单尚未提交之前，提前检测到问题并触发智能关怀？这正是多模态AI数据基建能力的核心价值所在。

当然，软件能力需要与硬件能力匹配，今天的很多新一代芯片已经具备AI计算能力，我们的软件也必须相应适配，才能真正落地。不管是单车问题排查，还是多车问题汇总分析，我们的目标是帮助客户低成本、高效地解决最核心的业务痛点，这才是AI的真正价值。

一个客户告诉我，他们的车队规模已达数百万辆，原本所有数据全部回传云端计算，但当规模扩大后，他们面临的最大挑战是云端计算能力不足，成本高昂。他们希望找到一种方案能够降低云端计算压力，而我们的架构正是为此设计的——不论是在云端计算、车端计算，还是历史数据建模、实时数据推理，都可以灵活适配，真正做到车云一体，让传统模型与AI模型都能够高效结合运行。

我们也是行业内首家推出“闲时计算”动态调度方案的公司，通过这种方式，我们可以最大化利用车端闲置算力，同时优化云端成本。正如前面提到的，90%的时间车辆计算资源是闲置的，我们正是要将这部分潜力激活，真正让AI在汽车行业创造价值。

回顾云计算的诞生，90年代末，亚马逊为了应对“黑色星期五”这样的购物高峰，购买了大量服务器。然而，在非高峰期，这些服务器大部分时间都是闲置的。于是，他们开始思考：能否利用这些闲置算力？ 这一想法催生了全球最领先的云计算平台——AWS。

车端计算也正面临类似的问题。

目前，车辆的90%时间处于闲置状态，但云端计算成本却持续增加。传统模式下，AI计算通常依赖车辆运行时进行。如果能够远程唤醒一辆车的特定网段，使其在不启动整车的情况下进行计算，那么我们可以大幅优化算力使用，而几分钟的计算对车辆电力消耗几乎可以忽略不计，对车主体验也没有任何可见的影响。

通过这种方式，那些算力需求较大的AI模型可以直接在车端运行，不仅实现零额外成本，还可以减少云端60%以上的计算成本，降低带宽消耗，同时满足数据隐私要求。这种方案不仅可行，而且对于车企而言是极具吸引力的。

我们在与客户探讨高算力AI模型落地时发现，车计算平台正在成为一个明确的行业趋势。本质上，智能汽车就是一个计算平台，与20年前云计算平台的发展轨迹类似。

当数据上传至云端后，可以进行信号数值比较，也可以识别DTC（故障代码）等关键异常。但如果引入AI能力，计算方式将更加智能。例如，日志分析通常依赖关键词搜索，但能否利用向量检索提升查找的准确性？当然可以！再进一步，能否直接在云端调用ML或AI模型进行分析？答案同样是肯定的。

如今，云端技术已十分成熟，相信很多人都曾在自己PC上运行AI模型，只需简单几行代码即可实现demo。那么，将这些能力迁移到云端也是顺理成章的。但关键问题在于——数据如何获取？ 你既不能凭空创造数据，也不能做“无米之炊”。

这正是我们的优势所在：我们不仅提供数据采集和管理能力，还能将传统模型与AI模型结合，并且与告警或推荐机制深度融合，真正实现多模态计算。在云端，我们支持模型训练、建模、推理、优化，最终帮助客户降低成本、提升智能分析能力。

数据上云带来了一个明显的挑战——存储与计算成本。

今天，很多客户的车辆数据量已超过10PB级别，每年存储和计算成本都在持续上升。例如，一些客户在车端运行AI模型进行故障检测，当检测出问题时，相关数据需要上传至云端供工程师分析，并通过工单系统完成标注，再交由模型进行推理，优化诊断逻辑。这些计算都会产生大量成本。 因此，客户普遍关心的问题是：如何在应用AI的同时，优化云端成本？

在数据和计算能力提升的同时，智能AI的数据应用变得越来越重要。AI在当前阶段带来的首要挑战之一，就是云端数据成本的持续增加。尤其是随着更多新车上市，甚至一些老车型、低配车型也开始具备数据能力，数据量呈指数级增长。去年起，已有多个客户找到我们，希望做轻量化方案，让低配车型和老车型也能高效采集数据。

这意味着什么？意味着数据量更大，云端存储和计算成本更高。因此，我们需要一套完整的策略，包括柔性上传、多频策略、索引查询优化等方法，来有效降低成本。

未来的AI是赋能数据去主动驱动业务

以往，建立推理机需要大量专家投入，业务部门需要反复讨论，成本高、效率低。而通过大模型，我们可以自动生成诊断代码，将业务流程从简单的信息查询升级为智能化的故障分析。大模型不仅能自动生成故障树，还能将其嵌入到实时环境中，甚至在车端直接产生价值。

要让AI真正发挥更大的作用，不能停留在被动响应用户提问的阶段，而是要让数据主动驱动业务，为企业创造价值。这正是我们与客户合作的核心方向。经过技术验证，我们认为这个路径可行，并且可以通过多轮迭代，快速创造价值。

最后，我总结一下：

AI要真正上车，必须基于多模态、车云一体的融合存储架构，通过数据闭环驱动业务迭代。我们称之为“双轮数据驱动”模式——一方面，通过更高效的数据采集和优化策略，提升数据质量和利用率；另一方面，通过大模型的微调和优化，实现车端和云端AI应用的深度结合。

我们也欢迎各位对这个方向感兴趣的伙伴，与我们一起探讨，甚至共同应对技术挑战。希望通过合作，真正让AI在智能汽车领域落地，实现降本增效。