作者 | 鹿尧
编辑 | 桑明强
在汽车圈，从来没有哪场变革，能像今天的智能化一样产生无差别的冲击。
根据相关数据显示，去年年底，电动车销量占比已经超过了全部汽车的23%，与此同时，车企们也陷入新一轮内卷，最直观的表现就是：硬件堆料、成本提升、玩家变多、特斯拉全系降价、还有国内众多的高配低价。
当然，这些对于传统燃油车来说都不是好事，加上同行的竞争加剧，油车和电车都在转型和优化的路上，只不过重心从动力、底盘的研发，转移到怎么应用新技术上，比如智能驾驶、智能座舱、智能车联等。
一时间，拥抱智能化成了国内所有车企的必选项。
对于车企们来说，只有更高的算力，更好的芯片，才能驱动这些软硬件发挥出极致的性能。加上辅助驾驶技术不断迭代，对算力也提出了更多的需求。据 Garner 估计，一辆联网车每天至少产生4TB数据，车卖得越多，数据量甚至能从PB级到增长到ZB级。
此时如果将数据存下来做模型训练，车企们显然很难独立完成。这一点，何小鹏看得很清楚，所以在去年8月，小鹏和阿里云合作的智算中心落地乌兰察布，他算过一笔账，预计2025年起，小鹏汽车每年花在算力上将超过10亿元。“如果现在不提前储备算力，那么今后5年内，企业算力成本会从亿级，加到数十亿级。”
顶着同样焦虑的不只有新势力，为了花更少的钱挖掘更多的数据价值，国内有超过70%的车企，例如一汽、吉利、长城、长安，包括地平线等自动驾驶公司，都上了阿里云，后者打造的汽车云覆盖了“产研供销服”各个环节，包括最复杂的生产制造环节。
在一些汽车业内人士看来，云计算和汽车产业的融合是大势所趋，车企对云的需求，已经从拿来即用的资源升级，变成了在智能网联各垂直场景的专精，这是每一家车企都不能错过的效率变革。
01
智能车的数据“围城”
建造专用的智算中心，小鹏并不是第一个。此前特斯拉也发布过超级计算机Dojo，专门用于人工智能机器学习，帮助训练自动驾驶的视觉技术等，浮点运算能力甚至达到exaflop级别，即每秒百亿亿次运算。
Dojo的首席工程师曾透露，早年前在测试基础设施时，Dojo的功耗直接把当地变电站搞跳闸了。到了今年，马斯克预计，年底将通过Nvidia、Dojo芯片将神经网络训练再提高一个数量级，在算力上把自动驾驶的进程向前再推一步。
汽车智能化最直接的体现是实现自动驾驶，这点特斯拉走得最早，单车智能也被认为是可行的方案，近两年的国内情况也是一样，去年末，国内纵目科技申报IPO、包括MINIEYE、宏景智驾、福瑞泰克在内的十多家量产型ADAS企业均拿到了新融资,规模大部分在数亿元，流向更容易落地的辅助驾驶。
这里面就包括同样是新势力的理想汽车，和其他玩家相比，理想算起步比较晚，为了赶进度，采用的是硬件和系统标配的策略，并且给用户免费使用。反观特斯拉，车主开通自动驾驶辅助系统是要花钱的，但所有的车辆都标配了感知和计算平台硬件，如果车主同意条款，部分数据就可以回传。
这两件事至少可以说明，在自动驾驶技术还未成熟的阶段，拉满硬件配置的确是一个很有吸引力的卖点，800万像素高清摄像头、4D毫米波雷达，很多玩家在硬件上采取堆料超配。这不仅为了吸引更多的用户，考虑到自动驾驶更高阶的场景下，功能和服务的迭代，也都离不开后期持续增长的数据支撑。
毫无疑问，现在的特斯拉在交付量上遥遥领先，这给包括理想在内的玩家，造成了很大的心理压力。业内人士认为，如果理想要在数据规模上争取根本变化，就得尽量降低车辆和硬件成本。
有理想汽车的PM称，中国企业和特斯拉的成本差距，主要体现在硬件配置和芯片上，随着辅助驾驶新车市场渗透率达到30%，李想本人也做出判断，自动驾驶功能会在这两年集中落地。中高端车型如果不能跟上步伐，很可能会成为消费者不买这辆车的理由。
事实上，成本和算力几乎是每一家智能车厂商都要权衡、克服的问题。做自动驾驶，就要有海量数据支撑，这是一个大前提，正常情况下，辅助驾驶每提升一个级别，车载算力需求就提升一个数量级，而训练研发的算力要提升两个数量级。
如果未来三年还有上百倍算力提高的需求，算力和灵活性的不足，会让大部分的自动驾驶都面临“研发跟不上数据增长”的困境。这种情况下，想要进一步提升用户体验，就需要“云”的加持。
所以回到一开始，小鹏给出的解法，就是和阿里云“自动驾驶云”建造一个算力规模达600PFLOPS的专用智算中心“扶摇”，并且效果已经得到了验证：算力达到60亿亿次每秒运算，训练提速达到170倍，同时节约了用电；在存储层面，阿里云提供最多7层冷热程度的数据存储架构，大幅降低了数据存储成本。
02
为什么说云计算天然适合汽车行业？
实际上，在车联网概念出来前，部分车企就已经把一些数据和服务迁移到云端，这是最早的汽车云雏形。但当时的云还没有突破“车”的限制，只扮演着资源+容器的角色，提供存储、计算等帮助。
当然，这也是车云一体中最基础的功能，等到高阶辅助驾驶爆发，数据进一步增长，存储和计算的功能仍然是车云最底层的联系。通常来说，一家传统车企的业务系统甚至能超过300多个，智能汽车的业务还会更多，他们的共同需求，都是想让汽车产业变得更轻盈。
举个例子，传统车企往往会通过自建IDC来进行数据运营，当量产车规模越来越大，需要即时回传的信息也就越来越多，加上不时的高算力需求，这时候仅靠专有云是不够的。这也解释了，为什么长城汽车会在2018年选择和阿里云建立合作，专有云之外，“公有云+数据中台”的配合，在保证对海量数据进行实时计算与处理的同时，它的数据管理能力也毋庸置疑。
后来随着智能化趋势加剧，包括蔚来、吉利等，都有参与到这场竞赛中来，但回到基础设施本身，早期的搭建仍然是一件重资产、重研发、耗时长的苦差事。相比之下，技术积累深厚、开放灵活，且已经有很多场景实践的云厂商，可能是更好的选择，因为它们更懂得怎样才能架好车企上云的梯子。
尤其对于新成立的公司来说，前期并没有那么多的数据要积累，所以一开始都会采用云原生的模式。诞生在2020年的智己走得就是这样的路线：摒弃传统的线下机房，将需要重投入的运维任务交给阿里云，包括车联车控平台、用户管理平台、研发平台、SAP系统、安全运营等多个核心业务都放在云上。
按照阿里云智能副总裁李强的理解，智己的云原生才刚刚开始。
这样的判断来源于智驾系统的一个场景实践，对比传统的单点解决方案，阿里云从车端的采集、传输、存储，到最终的发布过程进行拆解，构成一套完整的端到端处理方案。但这并不是终点。实现自动驾驶的过程需要不间断的性能迭代，前提是对路况、车辆信息的进一步收集挖掘，匹配高精硬件，并且降低网络延迟，解决这个问题的关键之一，就是提高云计算平台使用效率。
无独有偶，前段时间吉利星睿智算中心落地湖州，同样也是基于阿里云飞天智算云平台打造来提升后续研发效率，星睿案例的特殊性在于，在智能驾驶、车联网之外，新能源动力管理方面也将基于智算中心加速智能应用的研发，比如根据用户驾驶习惯和路况，对电池进行实时管理。
除此以外，对于一辆车来说，除了车辆本身，从车厂到市场，中间的研发、生产、营销，同样被车企认为是令人头大的环节。举个简单的例子，当新势力的直营模式带来更好的用户体验时，D2C直营模式和混合代理模式也成了很多车企的转型方向，在这一过程中有很多新问题出现，比如怎样运营，并触达更多用户。
一汽奥迪和一汽红旗的解决方案是，在阿里云“营销云”上建设内容中台。前者构建出170多个内容标签，这么做直接带来超过10万的DAU；后者在运营成本降低30%的情况下，品牌线索转化率提升超过10%。对比传统的投放方式，阿里云“营销云”最大的特点是能够带来新的增量，背后的技术能力则来自瓴羊的数据智能和达摩院的数字人。
但这并不是最关键的，对于一家将近2万设备同时在线的工厂来说，如何协调资源才是最棘手的难点，这也解释了为什么一汽红旗会选择和阿里云“智造云”合作、进行仿真试验，底层逻辑仍是对数字化和智能化的应用：借助数字孪生、智能计算、辅助决策，本质上来说，智能工厂压缩的不仅是周期，还有出错率。
03
全周期服务的起点
某种程度上来说，当下的数字化转型就是向云转型，韦青是微软（中国）的CTO，他的描述很贴切：“就像电力系统被发明出来，我们花很长时间让工具都接上电，之后就是生产力的大爆发。”
对于任何一家企业来说，想克服的都是怎样才能把产品快速打造出来，并且能够卖出去，在这个过程中，稳定、安全、高效缺一不可。拿云计算来说，经过二十多年的演变，它已经成功实践在金融、政务、零售等各个领域，本身的应用场景也已经非常成熟。
然而，由于过去很多云厂商的收入主要来源互联网企业，一度让人以为只有互联网才需要云计算。但事实上，很多传统实体制造业在越来越卷的情况下，也需要借助云计算实现转型、突围，而汽车云，就是这种环境下诞生的产物。
但问题是，同样是卷算力，芯片和云是两种不同的解决方式。前者更倾向对汽车产品本身的优化，后者则关联了企业背后全流程的数字化，从后端的制造，到终端的供应链，到前端的营销，再到最前端的用户使用，整个过程不仅有正在爆发的驾驶数据，还有未来增长的生产制造侧、营销流通过程的数据。
因此，行业需要更加聚焦应用场景的云，将数据收集上传至云端，进行存储、计算、模型训练，并通过OTA升级的方式，把不断迭代的软件算法下发，另一面，云厂商也需要躬身入局，深入到汽车行业的毛细血管里。
值得注意的是，在数字化和智能化的浪潮下，汽车云在智能网联车的应用空间远不止这些。在车联网的背景下，汽车云对数据发挥的作用，能够把对用户的服务，从原本的产品交易终点，转变为提供车辆全生命周期服务的起点，在优化用户体验的同时，也为车企创造了实打实的价值和收益，而这，极有可能成为一场变革的开端。
