1、 1. 数字化推动汽车产业进入“软件定义”时代 02 1.1 全球汽车市场四大颠覆性趋势 03 1.2 传统车企的迷思与前瞻 04 1.3 未来软件定义汽车成为趋势 05 2. 中国汽车制造业现状及发展前景 06 2.1 中国汽车制造业在全球潜力无限 06 2.2 中国新型汽车行业三大主力 07 3. 释放数据潜能，打造具有全球竞争力的车企 08 4. 中国车企数字化业务升级典型场景和解决方案 10 4.1 车联网典型场景与方案 10 4.2 自动驾驶典型场景和方案 14 4.3 移动出行典型场景和方案 19 4.4 智能制造典型场景和方案 22 目录 汽车行业转型升级之路 01 在全球数字化
2、浪潮的席卷下， 传统汽车行业的生产模式、 制造模式、服务模式，都面临着前所未有的挑战。这些 挑战一方面来自基于新数字化技术的新兴车企，涉及自 动驾驶、新能源、车联网等汽车产业新方向，另一方面 则来自共享移动 / 服务商，旨在满足用户个性化的用车体 验。在此番“前后夹击”的窘境下，如何迎接和平衡四 大颠覆性技术趋势（车联网、自动驾驶、共享移动 / 服务 和电动汽车） 所带来的冲击， 以及如何直面现阶段的不足， 将“软件定义汽车”和“释放数据潜能”转化为自身“涅 槃重生” 的杀手锏， 是值得全球传统车企仔细思量的问题， 当然中国车企也不例外。 中国汽车市场无论是销量还是利润都有着无限发展潜力。 但
3、对中国传统车企而言却是无形的压力，一方面，优质 的市场总是能吸引优质的新入者；另一方面，数字时代， 用户需求升级背后体现的是，用户从对“汽车本身”的 注重转向对“服务体验”的需求提升。面对这些挑战和 压力，中国传统车企向新兴车企和出行服务商转型成为 必然趋势，那么，如何通过软件定义和数据价值挖掘， 推动传统汽车产业链实现重构与外延的同时，助其全面 提升自身的数字化和智能化水平，以及全球竞争力，是 本报告内容的核心所在。 前言 汽车行业转型升级之路 02 全球汽车行业正在从传统的单纯汽车生产和销售模式迅速向“汽车即服务”转型。传统汽车产业的典型特征 之一就是重资产，以大批量生产营销模式为主。从汽
4、车零配件、整车生产到汽车 4S 店销售，包括后期汽车 维护等环节，往往都是相对独立运营。进入数字化时代，新兴的汽车产业，通过以优化体验和快速迭代为核 心的数字化协作和智能制造，缩短产品迭代周期，同时改变传统汽车产业链价值分配，颠覆汽车市场格局。 正如麦肯锡所述 (1)， 汽车行业正快速从硬件驱动机械产品向软件驱动电子产品转型。共享移动、车联网、自 动驾驶和电动汽车将形成汽车行业新的创新力，到 2030 年，软件对汽车行业总产值的贡献将达到 30% 。 中桥调研咨询认为，在向软件定义汽车转型过程中，数据和软件成为提升车企竞争力的“杀手锏”，更提高 了中国车企在汽车产业链重构过程中的生存能力和出海
5、发展空间。 数字化推动汽车产业进入 “软件定义”时代 1 汽车行业转型升级之路 03 1.1 全球汽车市场四大颠覆性趋势 当前汽车行业，车联网、自动驾驶、共享移动 / 服务和电动汽车已成为全球范围内四大颠覆性技术趋势。 车联网：数据的交互处理速度和低延迟直接决定着车联网的用户体验，甚至用车安全。车联网 包括车内联和车外联，并产生巨大的数据量。仅就车内联而言，配备上百个传感器的汽车每天 产生的数据可达 TB 级，而智慧出行和自动驾驶等车外联需求更使数据量飙升。再者，车与车、 车与云的连接，以及与摄像头和雷达等设备的车外联，导致每辆车每天产生的数据大幅增加。 Gartner 的市场报告预测，到 2
6、020 年底，将有超过 2.5 亿辆联网汽车，所带来的数据量增长 更将达到 EB 级。因此，加速车内联和车外联融合，确保数据采集、交互、分析、事件驱动的 实时响应以及数据安全，是决定车联网服务升级的关键。 自动驾驶： SAE 美国汽车工程师学会将自动驾驶分为 5 级。就目前全球范围而言，L1 驾驶支 援和 L2 部分自动化均已实现，L3 有条件自动化是现阶段大多数车企的共同目标，而下一个重 要阶段则是实现 L4 高度自动化，即长时间适当的不干扰驾驶，最终是 L5 完全自动化。大数据、 人工智能、边缘计算，以及低延迟和数据安全是自动驾驶的技术基础。预计到 2030 年，将有 多达 15% 的汽车
7、出行采用全自动驾驶（2），呈现全新的出行服务体验。自动驾驶将进一步推动 数字化出行服务市场的细分和汽车后服务能力的提升。 共享移动 / 服务：目前，全球普遍存在着车辆出行效率低、使用率低等问题。如何从高“拥车” 率向高“用车”率转型，催生了共享经济在汽车行业的发展。预计到 2030 年，共享汽车占比 将达到 10% （3），这将加速传统车企实现 B2C 和共享出行应用的整合。同时，消费者对移动 出行服务、商用车个性化配置（例如：会议商用车、旅游商用车）、车内数字化娱乐的需求将 日益旺盛，由此车辆数据变现服务也将逐渐形成。 电动汽车：有数据显示，预计到 2040 年，全球 33% 的汽车将是电动
8、汽车。电动车占新车销售 比将从 2021 年的 4% 上升到 2040 年的 54%（4）。就 2018 年而言，中国电动车占全球电动 车 51% 的市场份额，年增长 69%。电动汽车在吸引新兴车企入市的同时，也催发了中国电动 汽车的出海潮。同时，全球领先的电动汽车厂商，针对汽车和出行服务的纵向产业链资源整合， 将颠覆传统汽车的产业格局。 汽车行业转型升级之路 04 1.2 传统车企的迷思与前瞻 在以上四大颠覆性技术趋势下， 以特斯拉、 谷歌等为代表的 “颠 覆者”推出了一系列新兴汽车产品和服务，给传统车企的未来 发展带来严峻挑战。如何通过跨界融合、技术收购或并购，实 现向数字化、智能化转型成
9、为传统车企的首要任务。 转型的关键是将战略重点从传统的以 “车” 为核心， 转向以 “人” 为核心， 充分利用大数据、 物联网和人工智能等数字化新技术， 逐步顺应四大颠覆性技术趋势。一方面，通过业务创新和服务 升级，快速响应客户需求，优化汽车生产、销售与服务全流程， 通过实时数据集成和智能交互系统，全方位满足客户的个性化 需求；另一方面，充分挖掘数据价值，释放数据潜能，从而实 现数据驱动业务创新。预计到 2030 年，汽车生成的数据将有 可能形成 4500 亿 7500 亿美元的市场（5）。在这一转型过程 中，传统车企无论是生产运维、产业链协作、产品和功能开发， 还是车联网方面，面临以下挑战：
10、 孤岛式生产运维：由于传统车企在产品研发设计、生产制造、销售服务等环节一般采用分步骤 实施信息化的方式，这就导致不同应用往往采取不同的架构，从而带来大量的数据孤岛。因此， 传统车企转型的第一步就是通过业务系统的整合升级，横向打通设计、生产、销售、服务全流 程及上下游产业链，消除数据孤岛，实现数据的互联互通。并通过实时大数据分析，最大限度 地释放数据潜能，为业务带来洞察，实现业务全流程的统一化、自动化、精细化和智能化管理。 产品设计周期长：传统车企的产品设计周期长，其研发设计更注重成本而非客户体验。在汽车 行业向服务化和智能化转型的大趋势下，新的智能功能和服务需求的更新周期越来越短，而且 还要根
11、据客户需求进行定制化生产。传统车企的设计流程往往无法支撑以数字为核心的创新需 求，需要通过仿真设计、跨地域协同设计来缩短机电一体化工具和模具的开发调试周期，在用 户需求的基础上通过大数据快速开发部署具有地域性或群体性的定制化功能，从而加速数字化 汽车产品的研发与功能迭代。 产业链亟需合作创新：传统车企的产业链上下游之间（如上游的零部件生产商和下游的 4S 店）， 往往是相对独立的个体。产品设计、生产与销售、服务等相互脱节，导致产品的质量与服务难 以把控，例如：某个零部件的质量问题，甚至某间 4S 店的服务问题，都会直接影响汽车的品 牌与销量。同时，由于信息缺乏互联互通，客户需求无法迅速反馈，上
12、下游厂商和 4S 店无法 在同一平台上实现协同创新，以及资源的优化配置和集中管理。因此，在保证各自业务数据所 有权和安全性的前提下，构建产业生态平台，打通产业链上下游，实现协作创新和技术升级， 通过车联网、出行服务提升客户体验，成为传统车企实现转型的关键。 汽车行业转型升级之路 05 1.3 未来软件定义汽车成为趋势 20 世纪，汽车行业以发动机和工程技术为核心。到了 21 世纪，数据、软件和算力 成为汽车产品缩短迭代周期，提升利润空间的关键，同时，传感器、车联网和人工 智能让用户体验获得前所未有的提升与优化。未来的车企，无论业务核心是偏向新 能源 / 自动驾驶汽车生产、汽车应用及服务平台运维
13、，或是出行服务，都需要全智 能和全连接来快速满足不断变化的移动环境。在这个发展趋势下，汽车已不仅仅是 交通工具， 而将是集办公、 社交、 娱乐、 支付等为一体的智能空间。 “软件定义汽车” 成为新趋势。 对于整个汽车产业链而言，尤其是出行服务，“软件定义”是一个持续演进并不断 升级的过程。 新型车企通过应用解耦、 服务平台化和车联网能够快速实现服务输出， 打破传统车企的“黑盒子”五层架构（即针对单一车企的软件开发，及软硬件绑定 的架构）（见图 1）, 通过中间层提升应用开发和产品迭代速度，综合云计算和人工 智能带动整体汽车产业向平台化和智能化升级。 未来，基于软件定义的汽车架构将推动整个汽车产
14、业链快速实现全智能和全连接， 加速汽车行业向服务型制造转型。数据和应用成为未来车企生存发展的核心“软实 力”。 图 1 基于软件定义的汽车架构 未来的分层式车载及后台架构 未来的品牌差异化 / 个性化元素： 云平台链接车内数据及外部环境数据 APP 数量急剧提升 实时决策、无人驾驶 出于整车安全考虑，严密监 控附带应用及模块 车载娱乐系统要求实现 “即插即用”功能 具备无人驾驶功能，同 时可以通过传感器融合算 法增强硬件的能力 安全系统具备高容错能 力 软件将在堆栈中进一步 向硬件端移动（智能传感 器） 堆栈横向集成化 在堆栈中增加新的层 现有层级新层级将得到改善的层级 互联性 用户界面 /
15、用户体验 应用程序 传感器执行器电力系统部件 整车 人工智能 / 大数据 中间件层 / 操作系统 电子电器硬件 汽车行业转型升级之路 06 过去 10 年，中国汽车市场成为全球增长最快的市场，年复合增长率达到 15%，占全球市场增量的 70%（6）。 虽然在 2018 年中国车市销量首次出现近 30 年来的下滑，但“限购放宽”、城镇化等政策仍将持续刺激中国 汽车销量的增长。与此同时，对新兴车企而言，未来还拥有着无限发展潜力。 2.1 中国汽车制造业在全球潜力无限 相比发达国家和全球平均水平， 未来中国汽车市场拥有可观的增长空间。 目前， 中国千人拥车量是150辆左右， 相比美国 (850)、
16、德国（600）、日本（500）和韩国（420）（7）等国家仍有较大的增长空间。另外，城镇 化和宏观经济调控也将促进汽车销量大幅增长， 预计自2015年到2030年， 中国汽车增量将多达1900万辆 （见 下图 2）。 过去几年，中国汽车市场已呈现明显的两极分化态势。围绕汽车后服务和移动出行所产生的利润持续增加， 同时卖车的利润空间受到挤压，由此新一轮市场竞争已然拉开帷幕。随着与汽车应用、服务相关的新兴企业 和衍生服务业迅速崛起， 行业整合与跨界协作也在不同领域间火热展开。 它们在创造新的市场利润空间的同时， 也在不断蚕食传统车企的市场份额。同时，近年来，消费者对移动出行方式的选择，以及自动驾驶
17、和新能源 技术的日益成熟，都推动了汽车所有权模式向共享模式转变，并成为智慧出行方式之一，推动智慧城市的落 地与成熟。麦肯锡的研究表明（8），中国消费者对于未来共享无人驾驶汽车的接受程度高达 80%，是德国和 美国的两倍，再加上政府政策的支持，中国很有可能成为新移动出行模式的先行者。 受益于宏观经济因素和共享汽车的增长，到 2030 年，中国汽车销量将持续增长 图 2 中国年度汽车销量 1（百万辆） 轻型商用车 乘用车 共享汽车 私家车 2030 年，因城镇化和宏观 经济所产生的汽车销售增量 2015 24 41 2030 2030 年，私家车销量有所减少 1包括乘用车和轻型商务车，例如货车和皮
18、卡车；不包括巴士车和其他卡车。 19 39 2 19 5 4 中国汽车制造业现状及 发展前景 2 汽车行业转型升级之路 07 2.2 中国新型汽车行业三大主力 除了传统车企，近年来在中国汽车市场上还涌现出一批以自动驾驶和新能源 为核心的新兴车企，以及提供共享出行服务的移动出行服务商，构成了汽车 行业新格局。 传统车企：即以生产、制造汽车为主的汽车零配件或整车生产 商。这类企业的核心在于生产制造和运营销售，在向数字化转 型的过程中， 其所遇到的严峻挑战大多源自以下两个方面：一， 生产线的自动化和智能化水平低，生产效率低且成本高；二， 生产、运营、销售等部门间数据孤岛严重，对数据价值的挖掘 与使用
19、更是缺少安全且高效的IT基础架构支撑。 面对这些问题， 通过数字化转型和智能制造，提升生产、运营、销售等全流程 的智能化水平，加速向服务型制造业转型，成为传统车企当下 突出重围的最佳路线。 新兴车企：即更注重汽车“软实力”，以自动驾驶和新能源为 业务核心的车企， 以及基于车联网提供应用和服务的科技公司。 这类新兴车企往往更注重云计算、物联网、大数据、人工智能 等新技术的创新与融合，将数据的实时收集、处理与反馈，以 及数据安全视为命脉。面对这类企业，构建跨边缘、核心、多 云的集中统一管理的大数据平台必不可少，一方面能够对不同 传感器、芯片、应用等端口产生的数据进行统一管理，提升数 据处理的效率和
20、业务运行的敏捷性；另一方面还能够将不同的 新技术进行融合创新，进而提升企业的创新力和智能化水平。 出行服务商：即旨在满足消费者出行需求的移动出行服务商。 这类企业的核心要素是：移动平台、地图、数据和雷达相关的 应用与服务，以及用户服务接口。德勤公司预测（9），到 2025 年，车企 20% 的利润将来自移动出行及相关数据的管理。面 对出行服务和“乘客经济”的日益繁荣，这是汽车产业链重塑 的难得机遇。未来，出行服务将不仅仅局限于即用即付的移动 出行模式，而是能够为消费者提供车队服务、保险、广告、信 息娱乐订阅、 收费停车、 加油， 以及汽车数据变现等全方位服务。 在此基础之上，构建以汽车为核心的
21、移动生活圈，将成为车企 利润的新来源。 汽车行业转型升级之路 08 设计研发数字化：设计研发数字化，不仅要满足以新能源汽 车和自动驾驶技术为代表的汽车电动化和智能化的需求， 同时应对汽车产业链的分工细化和不断外延，以及与数字化 新技术融合过程中遇到的挑战。对于传统车企而言，不仅需 要建立数字化协作创新平台，能够支持异地、跨国以及跨 产业链的研发协同，打造数字核心架构，实现研发设计与 ERP、CRM、MES 等系统集成，实现数据的全链路交互， 提高设计研发的敏捷性，以及同产业链其他环节之间的数据 交互和快速响应；同时需要结合数字孪生 / 仿真技术与汽车 全生命周期管理，利用虚拟和可视化技术加强产
22、业链上下游 间的协作与沟通，并辅之以人工智能、机器学习和高性能计 算技术，提高设计研发的智能化和精细化水平。 释放数据潜能，打造具有 全球竞争力的车企 3 目前，在中国汽车市场，传统车企、新兴车企、出行服务商，形成“三足鼎立”的态势。未来，随着数字化 进程的不断加快，自动驾驶和新能源技术的日趋成熟，传统车企向新兴车企或出行服务商转型成为必然。而 传统车企转型成功与否的关键则在于数据。随着车联网技术日趋成熟，V2V（车辆与车辆互联）、V2X（车 辆与基础设施及其他事物互联）趋势逐步深化，通过车联所收集的数据量将呈几何倍数增长。收集有意义的 数据并提炼数据价值，从而掌控汽车产业上下游价值链动态并挖
23、掘其中潜力，有效变现数据，成为新型汽车 产业必不可少的一环。要释放数据潜能，实现汽车产业链数字化，需要从以下四个方面着手：设计研发数字化、 生产制造数字化、服务体验数字化和产业协作平台数字化。 生产制造数字化：生产制造是汽车产业之本，只有生产制造实现数字化和智能化， 才能带动整个汽车产业摆脱传统机械加工的束缚。传统车企向智能制造演进过程中 的起点是，构建车企智能大数据中台，突破产业链的数据屏障。在此基础上构建汽 车智能工厂，一是要能够基于云平台部署大量传感器，使系统可以不断抓取、整合、 分析数据，以加强业务决策的可预见性；二是要能够快速融合人工智能、机器学习、 数字孪生、建模仿真等先进技术，使
24、生产制造流程更加敏捷与智能；三是要构建汽 车产业的智能开放平台，充分发挥平台的网络协同效应，使数据在汽车产业链上下 游之间实现无缝交互，助力生产场景实现优化与改进。 汽车行业转型升级之路 09 产业协作平台数字化：设计研发数字化、生产制造数字化、服务体验数字化 这三个维度绝非相互孤立，其交叉可形成高效协同网络，是汽车业实现创新 转型的关键。但无论何种形式的协同，都需要一个全面且统一的数字化中台 为支撑，这就是汽车产业协作平台。一方面借助 5G 和传感器，实现汽车产 业链上下游间的紧密融合，以整车制造商为中心，上到传感器制造商，下到 应用及服务提供商，提升汽车产业整体价值的同时，使数据潜能获得最
25、大限 度挖掘；另一方面，通过生态开放开源平台，快速将各种技术整合转化为业 务价值，通过模块化满足新能源汽车、自动驾驶技术、智能交通运输系统的 快速开发部署的需求。与此同时，数字化技术作为“粘合剂”，使数字化中 台更成为未来汽车产业实现“软件定义”必不可少的基础性平台。 服务体验数字化：针对消费者的体验优化，主要包括后服务和出行服务两方 面。对于后服务而言，一方面要借助云平台、大数据和物联网技术实现数据 互通，满足消费者的个性化需求；另一方面借助传感器、物联网技术，将维 护维修管理，与产品和服务的生命周期管理相结合，通过对关键指标的监测 和分析，实现产品的预防性维修维护，并带动备品备件的销售，以
26、创造新的 利润空间。就出行服务来说，为消费者提供人 - 车 - 路无缝协同的数字化 体验，不仅需要建立统一的车联网平台，持续不断优化消费者出行场景，提 升服务体验；还做到 V2X 打通，围绕车内体验，打造包括加油、停车、餐饮、 旅游、保险、医疗、生活缴费在内的商业生态圈。 汽车行业转型升级之路 10 4.1 车联网典型场景与方案 数字化时代，传统车企与新兴车联网公司之间 的跨界融合，加速了车内联和车外联的技术融 合，也推动了车联网平台（图 3）逐渐成为汽 车产业链上的核心元素。具体而言，车内网可 实现车载电器间控制信号及状态信息在整车网 络上的传递。车外网通过车载终端与外部网络 相连接，实现车
27、与车、人、路、服务平台的信 息交换。同时，车联网的平台化还外延了传统 汽车产业链，打通产业链上下游，实现全产业 链的数据交互和协作创新，更通过车险、车队 管理、车内娱乐，以及车数据变现等衍生服务 触发汽车产业链价值重组，加速汽车制造向服 务型制造转型。 图 3 车联网产业链 中国车企数字化业务升级 典型场景和解决方案 4 车载终端设备 交通基础设施 网络通信设备 地理位置数 据、 应 用、 系统等软件 供应商 元器件硬 件制造供 应商 O2O 在 线广告商 个人用户 智能终端 设备提供 商 车载终端 设备提供 商 4S店 （汽 车销售） 整车厂保险公司 设备提供商 车联网系统 网络通信 提供商
28、 信息内容 提供商 大数据服务平台 车联网 服务平台 车联网 设备 TSP+ CAN OBD “端” “管” “大数据” “云” 前装 后装 汽车行业转型升级之路 11 IT 挑战和需求 无处不在的传感终端和数据 车联网采集数据主要来自两个方面，车辆自身状态数据和车外环境数据，这些数据不仅类型多样，且数据 量巨大。这些数据都需要集中存储，便于数据分析和处理。因此，如何通过构建数据湖，来存储多类型且 多数据源的数据，并对这些数据进行分类、转化、查找等操作，是车联网面临的一大挑战。 实时大数据分析 海量的多数据源多类型数据的实时大数据分析，是为用户提供个性化服务体验，以及包括车辆安全预警、 事故救
29、援、安全驾驶、道路安全在内的安全保障服务的关键。因此，为保证实时大数据分析，车联网的 IT 架构不仅需要提供稳定的高处理性能， 还要具备灵活的可扩展能力。 同时， 还要保证跨多云的数据统一管理， 以保障大数据分析的高效 。 跨混合云和多云的车联网协作 随着汽车产业链重构，车联网不仅服务于“产车”和“用车”方，也成为汽车数据变现、汽车保险等衍生 产业的生态协作支撑。如何通过 API 实现业务的跨界融合，将数据在数据中心（私有云）和公有云之间自 由传输和共享，成为汽车产业链重构的核心问题。因此，车联网 IT 系统面临着数据跨边缘、核心和云实现 统一透明管理的挑战。 汽车行业转型升级之路 12 联想
30、凌拓解决方案 针对车联网向融合化和智能化演进的趋势，以及车联网支撑产业生态协作和数字化服务输出的特点，联想凌 拓提供了车联网整体解决方案（图 4）。用户可以通过模块化部署，满足车联网演进过程中对不同功能的需求， 同时，可以透明地实现对终端数据、数据流，以及各种工作负载的监控管理，让车联网成为车企升级和车联 变现的可靠平台支撑。 数据湖：联想凌拓数据湖解决方案借助 NetApp 技术，使用全闪存储（AFF 和 EF 系列）及对象存储 （StorageGRID）产品构建联接多数据源的数据湖，实现 PB 级数据的规模化管理；通过数据分层按需调整 集群规模；通过存储策略自动实现数据移动。 实时大数据分
31、析：联想凌拓实时大数据分析参考架构，支持 Hadoop、Splunk 和 NoSQL，通过 Data Fabric、ONTAP、StorageGRID 实现跨混合云 / 多云的大数据分析。其 IT 基础设施不仅能够满足大数据 分析对高性能和灵活扩展的要求，且无需移动数据或建立单独的分析孤岛，或设定一个单独的 HDFS 集群， 就可以从 HDFS 切换到 NFS 或与 HDFS 一起运行 NFS，实现外部数据与自身业务数据的统一大数据分析。 此外，联想凌拓基于快照、SnapMirror 实现跨混合云 / 多云的数据保护，保证了实时大数据分析的顺序进行。 车联网服务及出海平台：联想凌拓与 AWS、
32、Azure，以及国内主流云计算厂商合作，提供云存储服务，让用 户可以快速整合任意公有云资源，降低存储采购，提高出海业务创新能力。同时，OnCommand Insight 为 用户提供跨多云智能监控管理平台，保证出海业务合规和安全。联想凌拓为车联网提供集成的数据保护，包 括存储快照、SnapCenter、SnapVault、SnapMirror，进一步确保了用户的业务安全。 图 4 联想凌拓车联网整体解决方案 Databricks/EMR Data Fabric CVO 数据主权 数据湖统一架构平台 Hadoop 计算群集 部署在企业数据中心的 Hadoop云端的 AI 归档 IoT 数据 边缘
33、 设备 大数据平台 HDInsight NFS connector NFS connector NFS connector 汽车行业转型升级之路 13 解决方案价值 联想凌拓数据湖解决方案，能够在数据生命周期内对海量数据进行规模化、自动化管理，并能够根据策 略自动在存储层迁移数据，帮助用户提高基础架构使用效率，有效降低开支。 联想凌拓实时大数据分析参考架构，帮助用户灵活应对数据激增所带来的业务挑战，通过超可扩展、高 并发处理能力提高车联网数据变现的能力，以及灵活应对市场变化的能力，并为车联网持续增长的数据 提供安全保障。 联想凌拓全球化服务覆盖和升级能力，帮助用户快速整合任意公有云资源，降低存
34、储采购开支，提高出 海业务创新能力；同时为用户提供跨多云智能监控管理平台，保证出海业务合规和安全。 1 2 3 汽车行业转型升级之路 14 4.2 自动驾驶典型场景和方案 自动驾驶汽车通过人工智能、视觉计算、雷达、监控装置和全球定位系统的协同合作，实现汽车驾驶的自动 化和智能化。基于高性能计算、人工智能和大数据分析，可提高自动（辅助）驾驶汽车的用车安全，优化用 车体验；通过传感器和车联网，提高车与人、车与车、车与道路、车与环境之间安全有效的数据交互；此外， 基于大数据的实时分析，可实现低延迟事件响应，减少安全隐患。由此可以看出，大数据和人工智能是解决 这个难题的关键技术。 在自动驾驶中（图 5
35、），四大核心技术分别是环境感知、精确定位、路径规划、线控执行。环境感知包括路面、 静态物体和动态物体感知，其中对于动态物体，不仅要能检测到，还要对其轨迹进行追踪，并根据追踪结果， 预测该物体下一步的轨迹， 需要机器深度学习作为核心技术支撑。 自动驾驶不仅要应对海量数据的采集、 分析、 控制，同时，要保证越来越多的数据源和数据流能安全整合到自动驾驶平台中。全自动驾驶如何保证无线信 号和雷达出现“意外”时的车辆安全稳定运行，对车自身的智能化水平和低延迟提出了更高要求。 图 5 自动驾驶技术要求 SIDE IMPACT SIDE IMPACT BLIND-SPOT DETECTION CROSS-
36、TRAFFIC ALERT CROSS- TRAFFIC ALERT PARKING ASSISTANCE BRAKE- ASSISTANCE COLLISION AVOIDANCE ADAPTIVE CRUISE CONTROL LANE-DEPARTURE WARNING LANE-DEPARTURE WARNING LANE-CHANGE ASSISTANCE LANE-CHANGE ASSISTANCE RADAR APPLICATICN ULTRASONIC PARKING ASSISTANCE/ VISION BLIND-SPOT DETECTION SELF-PARKING SE
37、LF-PARKING 侧面防撞 侧面防撞 自动泊车偏离车道警报系统 偏离车道警报系统 车侧警示系统 停车服务 刹车辅助 自适应巡航 刹车辅助 车侧警示系统 盲点侦测 倒车雷达 辅助变换车道 辅助变换车道 盲点侦测 蓝色区域为雷达应用功能 黄色区域为超声应用功能 自动泊车 汽车行业转型升级之路 15 IT 挑战和需求 简化人工智能系统部署和管理 确保数据流线化，实现数据的采集（Ingest）、准备 （Data Prep） 、 训练 （Training） 、 验证 （Validation） 、 部署（Deploy）和归档（Archive）的流程化，是将 数据转化为自动驾驶决策的关键。因此，如何通过
38、简 化人工智能系统部署和管理，从而有效利用来自大量 不同数据源的数据，快速实现从数据到业务价值，提 高稀缺的数据科学家资源的利用率，是自动驾驶面临 的挑战之一。 对开源框架的支持 传统汽车产品和汽车生产的“黑匣子”具有封闭性特 征， 阻碍了车企自动驾驶技术的创新升级能力的提升。 作为自动驾驶的核心技术人工智能，能否安全可 靠地实现对主流开源框架的支持，将决定着自动驾驶 技术的升级速度和潜力。 高性能和低延迟 在无人驾驶中，一旦云端或近云端产生延迟，其带来 的安全隐患往往是致命的。如何保证边缘推理和近云 控制 “万无一失” ， 这对云端或近云端数据采集、 交互、 分析、控制的安全性和低延迟提出了
39、极高的要求。 车载数据导出及上传 自动驾驶汽车每辆汽车每天至少产生 4TB 的数据。成 千上万的汽车产生海量数据，这些数据中有些需要实 时上传处理，有些数据只需要每天收集统一处理。如 果全部数据通过网络上传，会占用大量的网络带宽， 产生庞大的开支。如何实现数据的灵活上传，以及合 理控制开支，是车企面临的一大问题。 汽车行业转型升级之路 16 联想凌拓解决方案 联想凌拓为自动驾驶汽车数据从车、私有云、近云到公有云，提供自动化、高效率、高性能、安全可靠的存储、 访问、传输、归档。 数据中心灵活部署深度学习平台：联想凌拓提供的 ONTAP AI 深度学习解决方案（图 6），是一套经过验 证的参考架构
40、，能够让用户快速完成前期选型，从而将深度学习平台搭建时间从几个月缩短至 1-2 周。该架 构包含 NVIDIA DGX 和联想凌拓全闪存存储，为深度学习提供了性能保证；联想凌拓全闪存统一存储通过 ONTAP FlexGroup，可创建 20PB 的单个命名空间，支持超过 4000 亿个文件，能够为机器深度学习构建 数据核心池 （Data hub） ；联想凌拓提供的StorageGRID可以跨企业数据中心和公有云建立统一归档数据池， 实现跨数据中心单个命名空间中归档数据的管理，实现数据自动迁移到云或在云之间迁移。此外，联想凌拓 提供的 Data Fabric 能够实现单一管理平台上的数据流管理，
41、并且提供专业的服务支持。 图 6 联想凌拓提供的 ONTAP AI 深度学习解决方案 对深度学习框架及开源的支撑：联想凌拓对开源的支持，综合 OnCommand Insight 为车企提供一个透明的 管理平台，在确保 IT 安全的前提下，加快了自动驾驶应用的开发速度。联想凌拓方案支持深度学习主流框架 TensorFlow 、Keras、PyTorch、Caffe and Caffe2、Microsoft Cognitive Toolkit (CNTK)、MXNet、 DeepLearning4j、Chainer、Neural Network Libraries、PaddlePaddle 和深度
42、学习应用框架 Allegro. ai、Element AI。 边缘 载入数据预处理 开发式数据载入 高效的数据存储 高效的复制 1x NetApp A800 4x NVIDIA DGX-1 ONTAP Select 4x 100GbE 2-4ISL 4x 100GbE 100GbE switch 100GbE switch StorageGRID 公有云 ONTAP CVO/CVS 2x 100GbE2x 100GbE 多个数据源（NAS 和 SAN） 独立扩展计算和存储 随机和顺序 IO 的闪存性能 从生产到云深度学习工具集 访问活动和归档数据 跨云移动数据 训练集群部署 训练集合 测试统一
43、数据湖存储库 Direct Conned Express Route IM1 IM2 IM3 分析 核心云 汽车行业转型升级之路 17 混合云、近云方式灵活选择（图 7）： 筛选分类后的数据，根据企业的策略，可以保存在私有云上，利用本 地的计算（CPU/GPU） 和存储资源完成训练，或者数据上传到公有云。根据数据合规和低延迟要求，上传 到公有云的数据又可以分为云和近云保存。联想凌拓与 AWS 联合提供混合云解决方案、近云解决方案和混 合云 + 近云解决方案，这为车企用户提供了灵活的方案选择。 混合云解决方案：在企业数据中心部署训练集群，通过 ONTAP SnapMiror 在企业数据中心和 A
44、WS CVO 间进行数据传输，在 AWS 上保存历史数据进行容灾、分类检索、大数据分析等。 近云解决方案：企业数据中心不部署训练集群，只进行数据预处理，然后数据通过 NetApp Private Storage 存储在近云端（不使用 AWS 公有云存储）。通过在 AWS 上部署训练集群，使用 AWS 的计算 资源访问高速联通的 NPS 内的数据进行训练，数据完全“私有”。 混合云 + 近云解决方案：在企业数据中心部署训练集群，通过 ONTAP SnapMiror 在企业数据中心和 NetApp Private Storage 间进行数据传输，在 AWS 上部署训练集群。这种方式可以同时利用企业
45、数据中 心和 AWS 的计算资源进行训练，而数据完全“私有”。 图 7 灵活的混合云、近云方式选择 车载导出 车载导出 训练集群 计算 (CPU/GPU) 大数据分析 / 搜索 SnapMirror SnapMirror CVO 公有云 低延迟高 宽带网络 近云 汽车行业转型升级之路 18 在车载边缘服务器上安装 ONTAP Select 进行边缘端数据管理，每天 更换车载边缘服务器，通过 ONTAP SnapMirror 将换下的车载服务器中 的数据复制到联想凌拓存储设备中。 在车载边缘服务器上安装 ONTAP Select 进 行 边 缘 端 数 据 管 理， 每 天更换车载边缘服务器中的
46、硬盘， 并执行数据导入，再通过 ONTAP SnapMirror 将数据复制到联想凌拓 存储设备中。 在车载边缘服务器上安装 ONTAP Select 进行边缘端数据管理，根据设 定规则，通过 ONTAP SnapMirror 在万兆以太网或 WiFi 或 5G 网络环境 下将数据复制到联想凌拓存储设备中。 解决方案价值 为自动驾驶车端、数据中心、云端的所有数据流提供高效管理和处理， ONTAP 可以在车载端、私有云、 近云及公有云部署，帮助车企实现跨核心和多云的数据管理，并通过存储底层高效数据块复制技术保障 数据的自由流动，全数据流均采用 NFS 协议。 ONTAP AI 在提供高吞吐量性能
47、的同时保证低延迟，并且支持 100GbE 和 40GbE 网络，满足深度学习 平台高带宽高并发的需求， 可以为各种大型和小型文件的顺序和随机读写提供高性能。 联想凌拓可以独立、 无缝且无中断地实现扩展，满足数据量快速增长的处理性能及容量需求。对容器技术的集成，可以加快 部署速度，缩短训练时间。 边缘车端 ONTAP Select 支持以软件方式安装在 KVM 上，也支持存储硬件方式部署，部署极其灵活。 车端数据通过底层存储复制 SnapMirror （WiFi, 5G 或者以太网）到数据中心，也支持物理插拔硬盘或 边缘设备方式传输数据，保障海量路测车数据的快速导出到数据中心。 内置快照、备份、
48、容灾全套数据保护方案，支持跨企业数据中心和公有云统一归档数据管理，能够对归 档数据实现分层管理，提高数据利用率，实现数据生命全周期管理。 1 2 3 4 自动驾驶路测车数据导出 ： 边缘端提供车载设备和软件定义存储 （ONTAP Select） ， 实现自动驾驶车数据采集。 海量车载数据的及时上传是一大挑战。联想凌拓为车载数据导出提供 3 种方案选择： 车载边缘服务器装 ONTAP Select 数据存储设备 ONTAP SnapMirror WiFi/5G On-Premise/POP 车载边缘服务器装 ONTAP Select 导入数据设备数据存储设备 ONTAP SnapMirror O
49、n-Premise/POP 每天更换车载 边缘服务器的 硬盘 车载边缘服务器装 ONTAP Select 导入数据设备数据存储设备 ONTAP SnapMirror On-Premise/POP 每天更换车载 边缘服务器 边缘端 边缘端 边缘端 汽车行业转型升级之路 19 4.3 移动出行典型场景和方案 早期移动互联网出行平台的主体主要是互联网企业和租车企业。近年来，传统车企在生存压力下，也开始加 紧开发共享出行、数字娱乐、车辆管理等衍生业务。这种趋势既加速了新型移动出行平台和传统车企间的业 务融合，也推动了移动出行服务的创新发展。 图 8 移动出行服务框架 移动互联网出行平台（图 8）往往基 于混合云或多云，其数据中台不仅要 整合地理信息和实时交通数据，以提 供准确的定位及合理的线路导航；同 时需要通过采集车内的音频和视频信 息，规范驾驶者的行为，保证驾乘人 员安全，同时接入公安报警系统，进 一步确保驾乘人员的安全；与支付平 台对接，实现支付的快捷、准确，从 而提供优质的个性化出行体验。 移动出行平台与人工智能技术融合是 未来发展趋势。为了更好地为驾驶者 和乘客服务，需要对地理数据、
sgpjbg002
工作日 8:30 - 17:30
会员动态：
报告分类
新质生产力
ChatGPT
新能源汽车
大模型
Sora
机器人
微短剧
芯片
薪酬
白皮书
低空经济
数据要素
创新药
人工智能
AI产业
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医药健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
扫码登录
手机快捷登录
账号登录
