AI 边缘计算如何改变驾驶员安全状况

0:00 《Driving Innovation 》播客简介

欢迎收听《Driving Innovation 》，这是Sonatus 推出的一档播客节目，旨在探讨正在重塑汽车和出行行业的技术与解决方案。

今天，我们将探讨边缘计算中的AI 如何正在改变驾驶员风险评估、保险创新以及车载智能领域。

0:19 嘉宾介绍：西瓦·约加纳坦

今天与我一同参与节目的是MOTER Technologies工程副总裁西瓦·约加纳坦。

MOTER 正通过突破传统承保模式，利用实际驾驶行为、车辆情境数据以及嵌入式AI 技术，重新定义保险科技，从而打造更安全、更个性化的出行体验。

0:39 MOTER与……的合作Sonatus

在本期对话中，我们将探讨MOTER与Sonatus 如何通力合作，利用Sonatus AI Director，将先进的AI 模型直接部署到车内，从而实现实时驾驶指导、可扩展的部署、更强的隐私保护，并为基于行为的保险和安全提供一种根本上全新的解决方案。

1:09 了解MOTER在风险情报中的作用

Sival，欢迎来到Driving Innovation 。首先请简要介绍一下你所在的公司以及你在那里的职责。

桑杰，感谢你邀请我参加本期播客。MOTER 是一家保险科技公司，我们专注于开发AI 基础模型，这些模型用于在边缘设备上进行风险智能分析。我们的重点不仅在于衡量风险，更在于切实降低风险。此外，我们并非仅仅将车辆作为数据采集工具，而是致力于构建AI 模型，以帮助解读和分析这些数据，并在边缘设备端直接创造价值。

正因如此，MOTER 才将重点放在这方面，正如其名所示，MOTER 代表“实时边缘移动性”（Mobility on the Edge in Real Time）。

好的。

所以这就是我们的名字。真有创意。

谢谢。据我理解，MOTER 的做法远不止于传统的基于使用情况的保险模式。能否请您解释一下，贵公司的驾驶员风险分析模型在根本上有哪些不同之处，以及为什么您非常重视“情境驾驶智能”，并认为它在此背景下如此重要？

2:21 传统风险分析与情境风险分析

对。所以，当你考虑传统的UBI时，它们主要基于刹车、加速和转弯等驾驶行为，对吧，还有超速。

确实，这些数据很有价值。但重要的是要理解特定驾驶员在何种情况下可能会踩刹车。我们以紧急刹车为例，好吗？比如，驾驶员可能会紧急刹车，因为同一车道前方突然出现了一个障碍物。

这就是避让。太棒了。但如果刹车是因为长时间的紧跟前车、分心导致偏离车道，或者过度偏离车道呢？这些都是可以纠正的高风险情况，能减少碰撞事故，对吧？

3:08 风险评估中情境化分析的重要性

因此，情境化至关重要。所以在构建基础模型时，我们会通过观察车内道路场景以及基本的车载信息来分析事件，从而构建出一套经保险局批准、用于风险评估的AI 基础模型。

3:28 车辆端AI 模型的边缘计算

很好，所以你们希望能够消除误报。如果有人出于正当理由踩刹车，你们当然不希望因此处罚他们。这完全说得通。此次合作最具吸引力的方面之一，就是这些模型直接在车内运行。对于Moter来说，边缘计算为何如此重要？

没错。桑杰，我在出行领域工作了很久，曾从事物联网（IoT）和车联网（V2X）相关工作，现在则在MOTER从事保险科技（insuretech）工作。在这里，能够近乎实时地提供反馈同样至关重要。就拿今天为例吧。

在美国，一个普通的日子里，路上行驶着数千万辆汽车。试想一下，如果每辆车都必须将所有车辆数据发送到云端进行处理，会是怎样的情景呢？而且其中一些关键信息，消费者就在车内。你必须将这些信息发回给驾驶员，供其使用。

所以这并不有效，对吧？因此，当我们能够在边缘端部署这些AI 基础模型时，这些令人惊叹的应用场景就能被立即调用和使用。这就是为什么能够在边缘端运行我们的模型对我们来说非常重要，对吧？这确实大大简化了流程。

大容量数据传输被中断，您在车内的用户体验以及隐私保护至关重要，对吧？既然数据可以在边缘端直接进行处理和分析，为什么还要把所有数据都发到云端呢？

5:05 部署过程中Sonatus AI 主任（现为Fastlane Edge ）的作用

让我们具体谈谈Sonatus AI Director。它在使此次部署达到生产就绪状态方面发挥了什么作用？

因此，从像我们这样的保险科技公司的角度来看，我们的核心竞争力在于驾驶行为分析。因此，我们花费了大量时间构建这些复杂的AI 基础模型。但这只是问题的一部分。我们该如何部署这些模型呢？

仔细想想，OEM厂商有几十家。每家都有许多品牌和型号。它们每年都会进行分销。而在这些之上，还存在多种硬件基础设施和操作系统基础设施。

那么，我们该如何部署这些模型呢？对吧？你们的“AI Director”就是一个绝佳的范例，也是一个非常出色的解决方案，它实际上将所有复杂性都从我们面前抽象掉了，对吧？这样，我们就能专注于我们的核心竞争力——驾驶员行为风险分析。

我们构建这些模型，并将它们应用到您的基础设施中。一旦建立了OEM合作关系，是的，这是必要的。

不过，实施基础设施这部分，就由你们来负责。对吧？你们让我们无需接触所有这些复杂细节。正因如此，我们才能非常轻松地在各种OEM厂商和不同品牌之间进行部署，同时仍能为用户提供一致的体验。

6:27 风险情报的多种用途

是的，这很有道理。现在，贵公司的平台既能生成保险评分结果，又能提供驾驶员指导建议。您认为汽车制造商和保险公司将如何从这些双重功能中受益？

你知道，如今保险行业在安全领域面临的一大挑战就是碎片化，对吧？因此，保险公司既希望评估特定驾驶员的风险，也希望评估整个保单组合的风险，对吧？而驾驶员则关注自己能从哪些方面改进，从而提升安全性，并有望降低保费。所以，必须建立一套统一的基础AI 模型，让该生态系统——即出行生态系统中的每个实体、每位利益相关者都能使用，对吧？

OEM厂商，对吧？所以他们也有需求，对吧？因此，他们在ADAS以及一级到五级的自动驾驶能力上投入了数十亿美元。但这些车辆功能——我们以ADAS中的“跟车过近”功能为例，对吧？

说明中提到，可以将配置设置为一辆车的距离、两辆车的距离或三辆车的距离。但作为消费者，他们怎么知道哪种设置对自己更安全呢？

对吧？虽然有推荐方案，比如汽车制造商提供的，但这些建议并没有根据我的安全特征进行个性化调整。因此，这些直接在边缘设备上运行的AI 基础模型，会存储驾驶员的安全特征档案，从而能够推荐适合该驾驶员的设置。

是啊。对吧？

因此，我认为教练系统的价值不仅在于提供即时警报和事件通知，更在于帮助车辆进行配置，使其在保障驾驶者安全的同时，也能提供个性化的驾驶体验。我们可以看到，这些AI 模型不仅能帮助保险公司评估风险、引导驾驶员改善驾驶行为，对于交通部（DOT）和地方政府等基础设施管理机构而言，它们也能帮助这些机构了解各自辖区、下辖区域及道路网络中存在的驾驶行为类型，并探索改进方案。 因此，所有这些系统都必须能够在边缘设备上运行，并收集、分析数据。这些AI 模型在边缘设备上运行，负责收集、分析、处理数据，并将处理后的数据根据不同用户偏好的用户体验（UX）分发给他们。

8:57 车载嵌入式AI 的未来

展望未来，您认为嵌入式AI 和车载智能将朝着哪个方向发展？请从宏观角度谈谈，显然您从事风险情报等相关领域的工作，但或许还能更进一步。

我真心认为，嵌入式AI 仍处于起步阶段，对吧？而问题的一部分在于如何管理基础设施的部署，对吧？我们虽然能构建出这些出色的模型，但还需要一种方法来部署它们，并将价值传递给消费者和客户，对吧？我认为目前正在投入大量精力关注安全性，比如从保险的角度来看，包括风险评估、风险分析模型以及实时驾驶指导等，对吧？

9:42 预防性风险路由的创新

我认为下一步是实现预防性风险路由功能。例如，今天我想从A点前往B点，输入目的地地址后，系统会综合考虑拥堵情况、预计到达时间以及其他几个参数来推荐路线。但试想一下，如果这些基于AI 的分析模型能够提供节点级的数据——比如每个交叉路口，或者每英里、半英里等固定点——并给出相应的评分，也就是风险评分。 如果这些数据被传送到云端，那么你的路线规划就可以根据你的目的地来确定了，对吧？

再看看这条路线，上面有十处停车标志，其中许多都属于高风险路段，那我们就换条路线吧，对吧？这就是路线规划创新的下一个层次，我相信边缘计算AI 将对此有所帮助。第三点我们刚才已经提到过，就是车内的个性化体验。 如今，当你坐进车里时，有些车型可能提供选项一、二、三，你可以选择预设模式，系统就会自动调整座椅、方向盘，甚至可能记住你的音乐偏好等等，对吧？

11:04 结论与未来展望

这真是太有趣了。希瓦，感谢您加入我们的讨论，并分享了MOTER如何助力重塑保险科技和智能出行领域的未来。此次合作充分凸显了车载边缘计算AI 日益增长的重要性——它不仅能够实现更智能的保险服务和驾驶指导，还能在整个联网汽车生态系统中提升隐私保护、可扩展性以及实时响应能力。

11:26 总结发言及后续安排

感谢收听，敬请继续关注我们与那些正在塑造软件定义车辆未来及汽车行业（AI ）的创新者们的更多对话。