（本文最初发表于Forbes.com）
软件定义的车辆正迅速发展为由人工智能驱动的智能、自我优化系统（AI ）。随着其能力的不断提升，核心挑战已不再是构建更大的模型，而是管理这些模型所依赖的海量数据。
根据其物联网、远程信息处理和传感器系统的复杂程度，一辆智能网联汽车（SDV）每天最多可产生2太字节的原始数据。即使按最低估算，这也相当于单辆汽车每天产生数百部高清电影的数据量。若将这一数据乘以数百万辆智能网联汽车，整个生态系统每年产生的数据总量将达艾字节级，其中大部分数据仍分散在车辆和云端之间，且未能被AI 系统充分利用。
与云原生公司不同，汽车制造商需要应对架构分散、数据标准不统一的问题。每次AI 的部署——无论是用于驾驶辅助、能源管理还是预测性维护——都需要进行定制化集成。这恰恰在人们期待车辆能够提供实时智能功能的时刻，阻碍了进展。
我认为，下一波汽车AI 的发展将取决于数据协调——即能够规范车辆、边缘设备和云端之间信息传输的方式，从而使这些信息能够立即用于学习和自动化。
从更大型的模型到更完善的数据基础
全球汽车AI 市场规模预计将从2025年的47亿美元增长至2034年的近500亿美元。随着算法领域的投资日益增加，最具变革性的进展正发生在幕后——即AI 算法和模型如何访问、处理和利用车辆数据。
在现代车辆内部，数十个电子控制单元通过CAN和以太网等网络进行通信。每个子系统都采用不同的数据定义、传输间隔和安全层。对于AI 的工程师而言，同步这些信号仍然是一项复杂的任务，而这一复杂性在不同车型和供应商之间还会进一步加剧。
新兴的编排框架能够实时对信号进行标准化处理，并将数据路由至车载或云端中的相应计算节点。开发团队可以在一个通用数据层上进行一次开发，并在不同车型系列中复用，从而既减少了集成工作量，又能够以车队规模实现更快、更安全的软件部署。
对于汽车制造商而言，协调工作的最重要要素之一，就是通过事件触发的流程实现持续创新，从而使车辆在出厂很久之后仍能不断进化。
这些工作流将车载传感器、AI 系统和云端智能相互连接，以检测各种状况并自动作出响应。碰撞检测就是一个明显的例子。当发生碰撞时，协调运作的系统可以实时触发一系列协调一致的动作：
• 启动驾驶辅助模块，使车辆安全停下
• 隔离高压电路，以防止碰撞后发生火灾
• 运行自诊断程序以识别损坏的部件
• 在车辆抵达之前，就将维修数据传输给附近的维修中心
通过将实时传感器数据与协调一致的响应措施相结合，汽车制造商能够借助软件更新来提升安全性、可靠性和性能，从而将原始数据转化为贯穿车辆全生命周期的持续改进循环。这些闭环反馈机制使原始设备制造商（OEM）能够更快地部署变更、从实际事件中汲取经验，并降低试验成本。 德勤报告显示，采用集中式（协调式）软件定义汽车（SDV）决策机制的原始设备制造商（OEM），其SDV相关研发支出可节省23%——在某些情况下最高可达7亿美元。
将数据协调转化为实际影响
汽车领域的AI 已超越算法范畴。如今，其核心在于如何在数百万个互联系统中安全、高效且盈利地扩展智能。一种有效的数据协调方法通过将从开发到日常运营的信息相互关联，将出行转变为一个持续改进的平台，从而使这一目标成为可能。
随着车辆逐渐演变为软件生态系统，协调管理也能在以下三个核心领域帮助提升效率、增强安全性并带来可量化的财务回报：
1. 效率：统一的数据管道减少了冗余的集成，使AI 模型能够复用现有的网络和计算资源，从而加快产品上市速度并降低工程开销。
2. 安全性：实时数据访问确保AI 系统能够立即对不断变化的道路或系统状况作出反应，而仿真环境则通过回放历史数据，在部署前验证系统性能。
3. 成本节约：到2030年，软件定义架构和智能编排有望通过加快开发周期、预测性诊断以及空中功能部署，释放4,000亿至6,000亿美元的增量价值。再加上编排效率的提升——例如将更新周期从数月缩短至数周——随着每一项改进都能立即实现规模化，其财务回报将在整个车队中呈复利增长。
实践中有效的数据协调是怎样的
对于致力于将协调机制付诸实践的汽车制造商和供应商而言，一套简明的原则有助于决定这些努力是能够实现规模化还是会陷入停滞。我建议从信号标准化入手，而非从模型入手。在车辆数据尚未在各平台间实现统一定义之前就部署AI ，会限制数据复用，并阻碍进展。统一的数据基础才能实现规模化。
此外，从一开始就设计一种能够覆盖车载边缘和云端的协调机制也至关重要。在云端处理所有数据会增加延迟和成本，而将所有数据都推送到车载端则会限制学习效果。有效的框架能够在两者之间取得平衡。
此外，应将事件驱动的工作流视为核心基础设施。当故障、崩溃或环境变化自动触发相应操作时，车辆便能在无需人工干预的情况下持续改进。应避免仅解决单一问题的点对点解决方案。硬编码的逻辑在孤立环境下或许可行，但在大规模应用时往往会失效。系统编排应随着时间的推移简化系统，而非增加复杂性。
这些原则相结合，能够将协调机制转变为持续创新的引擎。
重写AI 时代的汽车行业规则
Sonatus 对500多名行业专业人士进行的一项调查显示，2025年整车制造商（OEM）的若干首要任务包括数据管道集成、AI 就绪以及网络安全，这凸显出最具意义的进步将源于更强大的基础设施。该调查还发现，到2030年，软件定义车辆预计将占全球新车产量的很大一部分，这标志着汽车行业价值创造方式将发生根本性转变。
我相信，引领这一转型的制造商不仅会打造更智能的系统，还将掌握推动智能持续提升的数据基础。汽车AI 领域的下一个前沿不仅仅是自动驾驶，而是通过协调处理的数据，使车辆具备学习、适应和进化的能力，从而将智能转化为行动。
