车云一体数据闭环的趋势｜盖世大学堂车云一体系列知识讲解

一、从技术思维到第一性原理的认知升级

如今，行业内的概念层出不穷，如车云一体、SOV、敏捷开发、控制器等，各类公众号中的相关名词更是繁杂。但从授课角度而言，我并不推崇这些花哨的名词，我认为在众多新概念涌入脑海后，需剔除背景干扰，把握核心本质。

当前，大量概念不断冲击着我们的认知，我们需厘清知识间的关联。唯有如此，在面对新名词、新概念及它们之间的关系时，才能有更清晰的理解。人的记忆容量有限，应聚焦本质内容。

首先，工程师需要掌握技术思维，即图中蓝色部分。各行各业都有其职业方向，大学期间或刚入职时，所学知识多属此类。例如汽车工程、计算机软件等专业，在大学中都能学到相关基础。

通常，1-3年经验的工程师，若能在某一技术领域深耕并做出成绩，基本可满足工作要求。但这些横向的技术知识，在工作2-3年后便可能难以应对需求。这类技术知识在网络上及学校教育中最为常见。然而，2年后，尤其是在智能汽车或其他智能化产品领域，工程师更多面临的是图中黄色部分的问题。以安全为例，系统层面的安全涉及ISO 26262标准，而从硬件、软件维度看，又分别对应不同的知识体系。

真正能贯穿所有业务线的功能安全工程师极为稀缺。但在打造安全产品时，每个环节都至关重要。因此，资深工程师需打通各环节的关联，以确保产品概念的完整性。目前，这样的工程师数量较少，导致许多安全设计或敏捷体制设计呈现割裂状态，各技术维度各自为战，难以发挥实效。由此可见，从产品维度出发的知识体系比技术思维更重要，也更稀缺，且这类知识难以在学校习得，多靠1-3年的工作经验积累，这一点至关重要。

从技术思维过渡到产品思维后，新的问题又随之出现。以安全与敏捷为例，二者冲突显著。互联网行业强调敏捷，追求快速迭代，如五天一版本甚至一天一版本。

而在汽车工业中，传统GVDP流程下，一款车的推出往往需要2年至1.8年，如今却缩短至8个月或1年。智能汽车既需敏捷又需安全，这类矛盾需在更高层面解决。产品思维在各技术维度上也可能存在矛盾，使得智能汽车开发变得复杂，产品思维的逻辑也逐渐显露出不适用性。

这就需要运用第一性原理。马斯克常提及这一概念，我本人也是其坚定支持者。当遇到非A即B的矛盾问题时，多数情况下需提升思考维度，以实现矛盾的统一。若仍有矛盾，则继续提升维度，直至触及本质，即第一性原理。在智能汽车行业，第一性原理应用广泛，且触及本质时，行业界限会变得模糊。闲暇时阅读基础科学、关键原材料、哲学、人类本性等相关书籍，虽看似玄妙，但在面对复杂问题时，能帮助我们更好地理解。

掌握本质后，面对各种繁杂的概念，能快速认知其内涵，这在时代快速变化的背景下至关重要。唯有思考本质，才能加快认知世界的节奏，为自身发展留出准备时间，避免在新概念面前手足无措。因此，面对任何事物，都应追溯源头，探寻本质，这也是我的授课建议。在后续讲解具体概念时，我也会追溯其源头，以帮助大家理解，例如敏捷开发并非绝对完美，SOA架构亦非万能，互联网对车企的颠覆也需辩证看待，关键在于把握其中的界限。

二、智能汽车的第一性原理与系统架构逻辑 

那么，智能汽车的第一性原理是什么？这一问题说法众多，以下仅为我个人观点。传统汽车被视为可靠的机械产品，车企的目标是将其打造成符合客户预期、顺手好用的工具，这是所有汽车人的追求。

但大约从2004年起，互联网思维开始融入车企。以特斯拉为例，其颠覆性在于从机器人的角度看待汽车制造，核心是做机器人。若以传统汽车的观念去审视特斯拉，往往会难以理解其行为，甚至认为其做法错误，但实际上特斯拉并不受传统汽车观念的束缚。

基于这种思维，特斯拉先造车，再研发机器人，未来涉足无人机领域也不足为奇。从机器人维度看，汽车行业因对安全性要求较高，发展相对缓慢，而其他行业已基本完成相关转型。

当前，汽车行业正逐步构建智能体的“身体”。机械产品为保证可靠性和质量，多采用离散型设计，如分布式控制器及分解式开发流程。

而从智能体角度，“身体”是有机整体，各部分关联紧密。当前汽车行业中，控制器正从离散化向域控制器演进，芯片也在不断整合，旨在降低计算单元间的功耗（不仅指能量消耗），为软件运行提供更大自由度，以推动汽车向真正的智能体发展。

目前，尽管我们常说汽车已成为智能体，但实际上仍有较大差距，不过这是我们的发展目标。只有具备良好的“身体”，智能体才有可能实现；若仍停留在传统机械结构层面，智能体则无从谈起。

从知识体系划分来看，建议将汽车思维和互联网思维分开考量，不相互混淆。最终，需明确这两种思维在智能化产品开发中各自的角色。在开展工作时，若错误运用思维方式，往往难以取得良好结果。以上是对智能汽车后续发展方向的总体概述。

今天我们探讨的是车云闭环链路。无论哪节课，我基本都会展示这张图。如前所述，我们正在打造辅助驾驶、智能座舱等智能体，而人类是智能体的最佳典范，若产品能接近人类的智能水平，便基本达到了智能的标准。

左边这张图从人类角度出发，蕴含了解剖学、生物学、认知学等概念；右边则是辅助驾驶软件（座舱软件与之类似）的基本运行结构或系统架构，二者可按同一框架梳理，这一对应关系十分形象。其中的部分概念，后续会详细展开，此处先对这张图进行简要说明。

今天所讲内容与这张图关联紧密。左边图中的“内景”，类似道教所说的内心世界，包含对外部世界规律的理解和内心记忆。对于任何智能体而言，我们对事物的判断、行为准则等，并非完全基于客观事实，更多是内心世界的主观认知，这一点至关重要，它影响着我们对事物正确性的判断。

整个辅助驾驶系统或人工智能系统，实则是在构建一个内心世界模型，以更好地适应外部环境。外部世界包含信息和能量，人类与汽车皆是如此。这里有一个反认知的概念，以人的手为例，未断裂时我们认为它是自身的一部分，断裂后则不然。

但总体而言，这些身体部分更类似外部环境，会对我们的决策和行为产生影响。例如，跑步会让人神清气爽，饮酒过量可能导致决策失误。对于辅助驾驶而言，具身认知部分，即控制器、执行器、传感器的建模，会对决策产生重大影响，是系统架构设计需重点考量的内容。算法层面需应对外部环境的不确定性，如场景库的构建、识别各类物体等；系统层面则需处理内部的具身认知问题。

因此，辅助驾驶系统的架构设计需同时解决对内和对外的问题，以形成完整架构。关于自我意识，虽难以准确定义，但可理解为脑内电信号的传递与存储，它构建了我们对世界的理解，支撑决策和对外部事件的认知。而辅助驾驶汽车的“自我意识”，不能简单等同于车端软件。

从汽车行业视角看，传统车端软件架构的存在感较弱，占比不足10%。但在智能系统中，情况有所反转，车端软件架构的占比会降低，因为车端代码将越来越多地由机器控制。

云端软件架构将成为重点，其开发量可能占90%以上。这是一个重要的变化，以往汽车行业较少涉及java等云端技术，如今云端构建已成为核心，这可能会让传统汽车行业人士难以接受。

内部模型中的差异识别，或称为差异编码理论，虽对大脑的研究尚未完全明确，但我个人认可这一说法，因为它与人工智能的实际应用相契合。

行为闭环（图中紫色部分）具有高频实施的特点。如抬手、观察他人表情等动作，都是下意识进行的，我们时刻都在经历感知、认知、预测和执行的过程。

辅助驾驶系统亦是如此，不同的感知、融合、预测和规控模型会在10毫秒至1秒内运行，以保障系统的正常工作。

在此，重点谈谈预测的重要性。首先，需明确传感器存在延时这一事实，即使看似实时传输的相机、雷达数据，也存在延迟。人类大脑同样存在延迟，如饮酒后反应变慢。

这种延迟会对智能体的生存产生影响。智能体的本质是在不确定环境中生存，延迟会导致其无法及时对外部环境做出反馈。例如，在危险情境中，延迟可能引发严重后果。因此，预测对智能体至关重要。人类在做出动作时，大脑一直在进行预测，因为我们知道眼睛看到的并非实时画面，规控所依据的是融合预测出的未来场景，而非单纯的感知结果。此外，执行环节也存在延迟，如想到抓贼时，贼可能已逃脱。因此，融合和预测对于闭环至关重要。

预测的另一作用是差异识别。驱动人们前进的并非虚无缥缈的信仰，而是差异识别。以女性找男朋友为例，初期感知到的多为正向信息，世界模型会预判与该男性有美好未来，进而促使其做出持续交往的决策。

差异识别则是在决策反馈过程中，发现预测结果与实际感知存在偏差。例如，预判会与该男性结婚，但对方突然离开，这种偏差会通过感知反馈至大脑，使人产生不适。这种不适虽是本能的消极情绪，却至关重要。它会驱动人们反思，意识到预测模型的不准确，进而重新建模，如总结识别“渣男”的经验，调整感知和融合方式，以在未来做出更准确的预测。

这一过程类似于成长，它是触发性的，帮助我们发现内部世界模型与外部世界的差异，并根据客观反馈调整模型。

第三个过程是云端训练，核心是差异消减。即根据获取的信息，调整大脑中的世界模型，这一模型更多存在于云端。我们会通过FOTA、OTA等方式，将调整后的模型反馈至车端。人类的学习过程与之类似，总结经验后避免再犯同样的错误，形成脑内自循环。

智能体正是在与不确定环境的对抗中不断成长。传统车企也存在类似的闭环，如工程师根据用户反馈进行调整，但这一过程依赖人工，并非机器自主完成。

抖音的成瘾性是一个有趣的现象。我们身处的不确定环境中，除客观世界外，还存在其他智能体，如抖音。如今，人们与客观世界的直接交互减少，更多通过手机、大屏等电子设备进行，这些设备阻断了直接沟通。

从赛博朋克的视角来看，这并非好事。生物与智能体之间存在博弈和对抗，而客观世界的教育具有强制性，人们需根据客观事实调整自身。

但在被电子设备屏蔽后，人们面对的可能是不那么客观的世界，如抖音、元宇宙等。这些智能体并非教育人们，而是迎合人们，以降低大脑的功耗，使人获得愉悦感，但这会阻碍成长，而这些智能体自身却在不断成长，深入了解人类。从这两张图的对比中，可看出人类认知模型与人工智能认知模型的紧密联系。

三、智能汽车行业的发展趋势与模式革新 

后续我们接触的各类概念，都可从这张图引申，回归到打造机器人这一第一性原理。所有技术都服务于提升智能体的性能，车云一体系统的讲解也是为了阐明这一点。

以下总结行业在这一思想指导下的几大趋势。首要趋势是削弱硬件研发制造对软件迭代的影响。要实现意识自由，需先保证“身体”自由，而传统汽车工业的逻辑并非为此服务，因此需要变革。整车电气化、精简化、平台化、生产自动化等，都是为了优化硬件，避免拖累软件迭代。传感器、执行器、控制器的硬件预埋，是为了方便用户后续扩展功能，但这一策略存在争议。电子电气架构的域控化、集中化，如舱驾一体，使得汽车逐渐向“电脑加四个轮子”的方向发展。

第二个趋势是软硬件协同开发思路的整体调整，这涉及人的因素。供应商与甲方的关系、行业标准、芯片选型、人才培养等都将发生变化，且这种变化可能与传统认知相悖。

传统汽车思维与互联网思维不应混淆，但也需认识到，汽车行业在百年发展中积累了处理硬件事务的宝贵经验，在软件层面则需借鉴互联网思维。

例如，在敏捷开发与V模型的应用上，存在困惑。有人第一天学习V模型，第二天学习敏捷开发，却不知在项目中如何选择。这需要找到融合两种思维的方法，后续会介绍相关方法论。

第三，软件工具被视为与工程师同等重要的生产力，这是互联网思维的重要体现。互联网企业曾通过调整生产关系盈利，但未提升生产力，如动态定价等，这并未真正降低社会成本。

而人工智能行业能提升生产力，在不增加人口的情况下创造“人口红利”，这使得我们有能力兼顾更多需求。数据驱动成为重要的开发方式，数据资产的保护力度加大。在车端软件无需过多人工开发时，数据的重要性愈发凸显。

研发过程中对数据管道构建的重视程度提高。数据管道是信息流转的抽象概念，传统的数据流转依赖人工，如邮件沟通，存在诸多不确定性，如遗漏、错误、版本不一致等，且受时间限制，可靠性低。

汽车工业虽有完善的流程和文档，但人工处理过程仍存在风险。例如，软件迭代速度加快，传统V模型体系难以跟上，严格执行可能导致失控。因此，需将处理过程自动化、流程化。

软件从1.0到2.0的转变是一大趋势。软件1.0以硬件流转为主，软件静止，依赖工程师的知识和规则算法，迭代效率受物理限制，软硬件解耦以保证硬件流通性，但处理效率较低。软件2.0则以软件与IP流转为主，硬件静止，依赖数据管道和数据资产，对工程师要求提高，机器迭代效率高，在工具层面软硬件耦合。

传统开发中，工程师独自思考，开发规则算法，使用Matlab/C/C++等语言，硬件通用。软件2.0中，工程师构建知识和管道，机器产生数据并形成一体化设计，采用Python/C++/定制加速库等，使用定制化芯片。

当下处于过渡阶段，即软件1.5，融合了两种模式。对于软硬件解耦与耦合的争议，需结合具体业务体系来看。汽车行业在传统业务中采用低代码方式，实现了软硬件耦合，保证了效率；而在保证硬件流通性时，又追求软硬件解耦，但这影响了处理效率。

随着整车功耗要求提高和计算量增加，传统方式已难以为继。车云一体的业务逻辑构建，使得机器能自主处理一些简单问题，如分析司机的常规车速，类似抖音的自动化逻辑，且正逐步处理更复杂的业务。

车云闭环的基本逻辑是构建数据闭环，即机器人的闭环。车端软件中，深度学习模块占比增加，减少人为迭代；云端则实现自监督学习，即“授人以渔”。

在时间维度上，软件迭代是人工开发与数据驱动模式的结合。初期功能多由人工开发规则算法，同时开发筛选器以发现差异，这是成长的关键。从大量数据中筛选出有价值的信息是难点，筛选器在这一过程中发挥重要作用。

随着发展，数据驱动型算法占比增加，筛选器的维度提升，人工开发代码减少，实现迭代。这一过程类似教育子女，从父母教导到子女自主学习。

闭环在智能体中无处不在，车云一体构建的是数据闭环，与传统车企的闭环相比，更直接、高效，能减少失真、错位和主观干扰，直接对接用户需求。

传统车企的闭环链路长，反应迟缓，而现在的闭环更强调与用户直接挂钩，若能达到抖音对用户需求的响应程度，智能汽车的发展便较为成熟。

总结而言，车云一体化旨在构建高效的数据闭环，以第一性原理为指导，借鉴人类认知模型，推动软件从1.0向2.0转变，实现智能体的自主成长。对于传统汽车行业人士而言，这些新概念虽陌生，但了解其源头和逻辑，有助于适应行业变化。这些变化的源头在于智能化浪潮下，对智能体本质的探索和追求，以及为应对快速变化的市场和技术需求而进行的模式革新。