【智能驾驶】吉林大学:对汽车智能化进程及其关键技术的思考

2020-06-13 06:24:15

厚势按：本文为吉林大学汽车仿真与控制国家重点实验室陈虹教授发表在 2017 年 6 月 13 日《科技导报》上对于自动驾驶汽车发展历程与关键技术的综述文章，是第十九届中国科协年会「未来出行-氢燃料电池及智能车辆技术国际研讨会」特邀文章。

对当前汽车智能化研究中以车企和 IT行业所主导的 2 条技术路线进行介绍，深入分析了汽车智能化在各个发展阶段的特征和含义，并概括了汽车智能化所面临的多源信息融合感知、智能汽车控制架构协调决策控制、人机交互与拟人共驾等挑战性问题。最后，对中国汽车企业智能化发展提出建议。

笔者认为，本文第三部分关于自动驾驶汽车「网联化」、第四部分关于自动驾驶汽车「关键技术」的论述较为精彩，可与清华大学 Li 教授的文章《智能网联汽车技术的发展现状及趋势》以及国防科技大学贺汉根教授的文章《智能交通条件下车辆自动驾驶技术展望》中的内容相互印证。

随着互联网技术、通信技术、人工智能、计算机技术的快速发展，智能化已经成为了一种趋势和潮流。从智能手机、智能家电，到企业的智能制造、智能物流等，智能化已经渗透到整个社会的各行各业。而在「工业 4.0」、「智能交通」、「智慧城市」和「互联网+」的大背景下，汽车智能化已经成为汽车产业发展最重要的潮流和趋势。

21 世纪以来，互联网、IT 技术和智能技术的发展给人类日常生活带来巨大改变，同时进一步促进人们对智能产品要求的提高。对于汽车这一现代人类出行的重要交通工具而言，人们对其安全、节能、环保、便捷、舒适等性能有了更高要求。汽车在带给人们方便快捷的同时，也带来了交通事故、城市交通拥堵和环境污染等一系列问题。而从国家和社会层面来看，汽车产业的良好发展已经不仅关乎汽车行业本身，更关乎国家的经济、环境、就业等问题。因此以信息化、自动化为核心的汽车智能化得到广泛关注。

更值得注意的是，在汽车智能网联化的大趋势下，除了传统汽车企业外，互联网企业也正在加入汽车制造行列，无人驾驶汽车、互联网汽车等成为关注点。在此发展趋势下，一向被认为「循规蹈矩」的传统车企将如何面对当前快速发展的智能化趋势？

在此背景下，本文将综述汽车智能化大趋势，概述国内外相关发展规划和产业现状，对以车企和 IT 行业为主导的 2 条技术路线进行介绍，深入分析汽车智能化在各个发展阶段的特征和含义，概括其所面临的挑战性问题，并对其技术发展提出建议。

1. 汽车智能化大背景

汽车在提高人们生活水平的同时，也带来了能源、环境、安全、拥堵等日益严重的社会问题。中国已成为全球第一大原油进口国，第二大石油消费国，当前中国汽车耗油约占整个石油消费量的 1/3，预计到 2020 年这一比例将上升到 57%[1]。因此，如何有效提高能源利用率、降低能源消耗、减少尾气排放是国家和行业所面临的巨大挑战。

在交通拥堵方面， 2014 年发布数据显示，中国交通拥堵带来的经济损失高达 2500 亿元人民币，占城市人口可支配收入的 20%。另外，据美国交通信息服务公司 INRIX 在 2017 年发布的一项全球交通排行报告显示，在 2016 年交通拥堵在美国造成约 3000 亿美元的损失，其中，洛杉矶以 104 h/人的拥堵时间成为这项报告中最拥堵的城市[2]。

安全方面，据美国国家公路交通安全管理局统计，在 2015 35092 人，比2014 年增加 2348 人，7.2%的增幅也成为近 50年来之最[3]，而在 2015年，欧洲由交通事故造成的经济损失达到 GDP的2%[4]。

以自动化、信息化为基础的智能汽车有解决能源、安全和环境问题的巨大潜力，因而受到人们极大关注。目前，对于汽车智能化有以下共识：

通过采用自动驾驶技术，能够减少 90% 的由于人为操作失误引起的交通事故 [5]；
通过车-车通信和智能速度规划，在智能化发展的前期可以将道路通行率提高 10% 以上，在高度自动化阶段可以将道路通信率提高 50%~90% [5]；
在节能减排方面，通过经济性驾驶和整体智能交通规划，能源消耗至少能降低 15%~20%。

不仅如此，随着近年来电子信息领域新技术的应用，物联网、大数据、移动互联、自动化、智能化技术迅速发展，也为汽车智能化带来良好的技术条件。因此，传统车所带来的问题、对汽车发展提出的新目标和需求以及技术发展所带来的智能化实现的可能性，形成了汽车智能化发展的拉力和推动力。在此环境下，汽车智能化已经成为了行业发展的热点，并且正在引起行业的巨大变革。

为此，世界各国纷纷制定出相应的汽车智能化研究计划，欧盟、美国和日本均发布政策法规来推动智能网联汽车发展 [6]。中国在《中国制造 2025》中也明确给出了汽车智能化技术的总体目标，即制定中国自主驾驶标准：

基于多源信息融合、多网融合，利用人工智能、深度挖掘及自动控制技术，配合智能环境和辅助设施实现自主驾驶；
可改变出行模式、消除拥堵、提高道路利用率；
装备自动驾驶系统的汽车，综合能耗较常规汽车降低 10%，减少排放 20%，减少交通事故数 80%，基本消除交通死亡。

在《中国制造 2025》后，工信部、国家发改委、国家测绘局等相关部委出台多部政策，从智能车、网联化、智能制造、地图信息采集、大数据等多个方面促进智能汽车的发展[7]。

2. 汽车智能化的 2 条技术路线

目前，汽车智能化有 2 条不同的技术路线：一条是以汽车企业为主的渐进提高汽车驾驶自动化水平；另一条是以科研院所和 IT 企业为主的无人驾驶技术发展路线。

2.1 渐进提高驾驶自动化水平

以逐渐提高汽车自动化水平为目的的技术路线是汽车企业推动智能化进程的主要思路。从汽车技术的角度看，汽车自动化程度不断提高，向着辅助驾驶、半自动化驾驶、高度自动化驾驶和完全自动驾驶的智能化方向发展。

图 1 辅助驾驶阶段

在辅助驾驶阶段，车辆控制以驾驶员为主，机器辅助驾驶员，降低驾驶负担。而从驾驶权或者驾驶意图来看，驾驶员掌握最终的驾驶权（图 1）。目前量产乘用车上装有的辅助驾驶技术，有侧向稳定控制、电动助力转向控制，部分高档车装有自动泊车、自适应巡航、车道偏离预警系统等。

图 2 半自动化驾驶阶段

在半自动化驾驶阶段，车辆的自动化水平得到进一步提高，在特定工况下可以有短时托管的能力，此时，汽车具有一定的自主决策的能力（图 2）。目前，各大汽车公司投入巨资开发具有特定工况（低速）托管能力的半自动驾驶技术，有防撞紧急制动、手机遥控泊车、拥堵跟车、车道跟踪控制技术等。

图 3 高度自动化驾驶和完全自动驾驶阶段

在高度自动化驾驶阶段和最终的完全自动驾驶阶段，车辆具有高度的自主性，汽车可以进行自主规划、决策和控制，可以实现复杂工况的托管能力甚至完全自动驾驶（图 3）。

图 4 汽车电子技术发展时间历程

汽车智能化伴随着汽车电子技术的发展而形成，其中最显著的变化是电子控制单元（ECU）在整车开发过程中所占的比例。汽车电子技术第一次出现，是在 20 世纪 30 年代早期安装在轿车内的真空电子管收音机，那时汽车仍然是完全由人操控。随着科技的进步，微型计算机逐渐应用于汽车的各子系统中，用以弥补人类驾驶员的不足，帮助其更好地完成驾驶任务，同时提高驾驶安全性、舒适性及燃油经济性（图 4）。

图 5 汽车电子规模发展

现如今，各大汽车厂商已经为其生产的汽车配备了各种各样的驾驶辅助系统，而此时，汽车电子成本已占汽车总成本的 45% 以上 [8]。不难看出，智能化也已经成为未来汽车的发展方向之一，而这条发展路线的最终目标将是实现完全自动驾驶。汽车电子规模增长如图 5 所示。

图 6 典型汽车自动化分级

在国家层面上，不同国家发布的智能汽车自动化分级标准总体原则相同，但具体略有不同。在《中国制造 2025》中，中国将智能汽车自动化分为驾驶辅助（DA）、半自动驾驶（PA）、高度自动驾驶（HA）和完全自主驾驶（FA）4 级 [9]，并给出各阶段的功能性定义。典型的汽车智能化技术分级标准如图 6。

2.2 无人驾驶技术发展路线

无人驾驶技术是汽车智能化另一条技术路线。无人驾驶的主要特点是跳过汽车自动化逐级发展的思路，直接实现车辆的无人驾驶，其研究主要来自科研院所和 IT 企业，以展示技术为主，应用领域可以拓展到封闭半封闭的矿山、码头、大型物流场等特殊场景。近年来，美国、欧洲、日本等国家都进行了无人驾驶汽车的研究，且已经取得了一定进展。

图 7 国内外无人驾驶技术研究进展

美国是无人驾驶汽车领域研究最早也是技术最领先的国家。在国家层面，、科研机构和高等院校进行资助，用于研究无人驾驶技术在军事领域的应用，具体项目包括：ALV 项目、DEMO-II 计划、DEMO-III 计划等。谷歌公司是目前国际上无人驾驶汽车领域取得成果最为显著的企业，谷歌无人驾驶汽车已在公路上进行了 300 多万公里的测试。目前，美国内华达州、佛罗里达州、加利福尼亚州、德克萨斯州、密歇根州及首都华盛顿已立法准许无人驾驶汽车上路，虽然目前还仅限于测试目的。

德国也是最早开始研究无人驾驶技术的国家。早在 20 世纪 80 年代，德国慕尼黑联邦国防军大学就与奔驰公司合作开始研发自主驾驶汽车。其代表性成果是奔驰 S500 无人驾驶汽车，2013 年该车在城市和城际道路完成了长距离自主驾驶试验，复制了 125 年前奔驰夫人贝尔女士的旅程（图 7）。

尽管国外对无人驾驶领域的研究起步早、投入大，但是该领域国内外技术差距并不很大。南京理工大学、北京理工大学、清华大学、中国科学院合肥物质科学研究院、西安交通大学、军事交通学院、上海交通大学、湖南大学等院校在无人驾驶车辆关键技术方面取得一系列研究进展。

国防科技大学从 20 世纪 80 年代就开始无人驾驶汽车研究，2003 年成功研制了「红旗旗舰自主驾驶系统」，该系统在高速公路正常交通情况下，具有自主超车功能，最高稳定自主驾驶时速达 130 km/h。2006 年研制成功新一代红旗 HQ3 无人驾驶轿车，该车在 2006 年 9 月参加东北亚投资贸易博览会，并于 2007 年 1月作为中国的先进技术成果参加俄罗斯「中国年」活动。2011 年完成长沙到武汉长距离无人驾驶。

从这些研究机构和科研院所取得的研究成果来看，中国无人驾驶技术已经取得了很大进展，但是目前面临的困难还有很多，技术水平不足、关键零部件依赖进口、政策法规不完善等问题较为突出。

图 8 无人驾驶技术在汽车智能化各阶段的应用

虽然无人驾驶技术已得到长期的关注和研究且已取得较大发展，但从实际推广和大批量应用的角度来看，无人驾驶汽车要想成为人类交通工具，将面临法律、事故责任、驾驶乐趣等问题。但无人驾驶技术在汽车智能化进程各阶段可发挥重要作用，如无人驾驶技术中的传感感知、车道跟踪、路径优化、主动避障等场景化的功能和技术，可以移植到渐进式发展路线中的特定阶段中（图 8）。

3. 汽车智能化进程中的网联化

3.1 汽车网联化

近年来，随着电子信息领域新技术的发展，物联网、云计算、大数据、移动互联等新技术正在向传统行业渗透。在汽车行业，与此对应的趋势称之为汽车网联化。汽车网联化是指基于通信互联，使汽车具有环境感知、决策和控制运动能力。而在车联网的环境当中，车辆位置、速度和路线等信息构成了巨大的交互网络：

通过全球定位系统（GPS）、射频识别（RFID）、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；
通过互联网技术，所有车辆可以将自身的各种信息传输汇聚到中央处理器；
通过计算机技术，这些大量车辆的信息可以被分析和处理，进而被车辆所使用 [10]。

从汽车的角度来看，车联网使得车与车、车与基站、基站与基站之间能够通信，从而获得实时路况、道路信息、行人信息等一系列交通信息，最终实现提高驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等功能。

图 9 车联网主要功能示意

车联网是车内网（通过应用成熟的总线技术建立一个标准化的整车网络）、车载移动互联网（车载终端通过通信技术与互联网进行无线连接）和车际网（基于专用短程通信技术（DSRC）技术和无线局域网的动态网络）三网融合的技术 [11]。就车辆本身而言，车联网的主要功能为：

信息服务和管理，主要体现在车载服务和互联娱乐上；
提高车辆传感和感知条件，为汽车的自主规划和决策提供更丰富的外在资源和参考（如交通信息、道路地理信息、车与外界的信息交换技术（V2X）、大数据、云计算等）；
使得汽车更安全、更节能和更舒适；
车联网还可以提供智能化交通管理、紧急救援等社会性功能（图 9）

值得注意的是，智能网联汽车也早已经不是汽车行业专属的名词，一大批 IT 科技企业也纷纷投身到智能汽车、无人驾驶以及车联网技术的研究，一批科技公司诸如谷歌、百度也纷纷推出自己的无人驾驶汽车。但是，就如同上述汽车智能化 2 条技术路线，互联网公司和 IT 公司实质上想为用户提供一个联通世界、舒适温馨、可娱乐办公、可靠的驾驶舱。而实现如此功能的前提条件则是汽车的高度自动化（托管技术）甚至无人驾驶的实现。

所以，相比传统汽车厂商的思路，互联网和 IT 企业更加追求无人驾驶和纯电驱动，以避开传统汽车公司的技术壁垒，而复杂的道路交通环境又决定了无人驾驶阶段短期不可能实现。因此，互联网和 IT 企业的研究重点将放在未来智能网联化所必需的智能传感感知、RFID 射频识别和通信等技术上，并积极寻求与车企合作，为其提供无线通信网络和高精度地图等服务 [12]。

3.2 网联化给智能化进程带来新机遇

从控制技术的角度纵观汽车智能化的发展，汽车智能化的技术主要由感知、规划、决策和控制几个部分组成。

在感知和信息获取层面上，主要有车载式和网联式 2 种。在智能化发展的前期，通常不考虑车-车、车-路通信，自动化车辆的智能控制依赖于车载的雷达、摄像头等信息。车载式方案的局限性主要表现在不能充分获取周边行车环境信息，大规模应用成本较高，缺少城市环境的全方位扫描。

图 10 汽车智能化系统示意

而随着自动化水平的加深，尤其在高度自动化和完全无人驾驶阶段，汽车自主驾驶的需求和日益复杂的道路交通环境使得车辆对周边环境有了更高的需求。交通系统的智能化和汽车的网联化为填补这样的需求空间提供了可能。在智能交通系统和车联网中，依托高速通信设施和统一的通信协议，车辆能够充分感知和理解周边复杂的交通环境、道路地理信息、周边车辆信息及行人信息，进而可以实现自主规划和决策。从控制的角度，这种机遇可以表达为外界信息的充分获取（图 10）。

4. 汽车智能化发展的关键技术

智能化汽车是集环境感知、规划决策、执行控制、多等级辅助驾驶等功能于一体的综合系统。对于智能化汽车的研究，需要对计算机、现代传感、信息融合、通信、人工智能及先进自动控制等多个高新技术进行综合利用。

汽车智能化发展的关键技术主要有环境感知技术、车辆协同控制技术及行驶优化技术、人-机交互与驾驶权分配技术、数据安全及平台软件和基础设施、技术法规及验证平台等。下面分别从传感感知、决策与控制、辅助平台与技术 3 个层面进行阐述。

4.1 传感感知层面

在传感感知层面，主要有环境感知与多传感器信息融合技术、感知与在线智能检测技术、汽车行驶状态估计方法、交通车辆与行人行为预测、车载与网联信息融合技术、V2X 通信模块集成技术等。

在这一层面，主要的功能和目的是利用激光、毫米波、超声波雷达、摄像头等车载传感器和通过车联网获取的多源数据，为车辆提供规划决策所需的必要条件。而提高信息的可靠性、安全性及高精度和可信度也需要充分考虑。

4.2 决策与控制层面

决策与控制是汽车实现自主驾驶的核心部分，其中规划与决策的目的是对采集的信息进行进一步处理，根据所获取的信息进行规划和决策，实现辅助驾驶和自主驾驶。

4.2.1 决策和控制架构

图 11 智能汽车网络架构和控制架构

智能汽车网络架构和控制架构如图 11 所示，可以看到规划决策层和执行控制层构成了汽车上下层控制框架。

上层规划与决策在整车控制单元中进行，决策系统的任务是根据全局行车目标、自车状态及环境信息等决定驾驶行为、路径规划、速度规划等问题，决策机制应在保证安全的前提下适应尽可能多的工况，进行舒适、节能、高效的正确决策 [13]。

下层执行层可以按照功能分为转向、驱动、制动和悬架横纵垂向系统。下层执行层如何快速响应和执行上层规划的指令，也是开发智能系统所要重点研究的问题。因此，从控制架构的层面来看，汽车智能驾驶是在整车层面上进行控制，实现这一目标的前提是整车层面上的协同控制。关键技术有：

车辆协同控制及行驶优化技术；
多目标优化理论及方法；
车辆自主运动决策与高精度横纵向跟踪控制技术；
综合车辆与环境信息的节能技术；
高速近距离跟车/编队行驶技术；
极限工况车辆紧急避障技术等。

4.2.2 决策和控制方法

从实际工程方法来看，决策与控制主要分基于人工启发式和自主学习式的决策与控制方法。目前传统车辆一般采用人工启发式的控制器，其中大部分控制系统主要依赖于确定的规律或规则表。这种方法工程应用性好，但是控制结构简单，只能处理预期之内的结果。

而随着汽车自动化水平的加深，对车辆自主决策能力提出了新的要求，汽车不仅需要在某个具体工况进行规划决策，如超车、巡航、跟车等单一工况，还需要有在线学习能力以适应更加复杂的道路交通环境和不可预期工况，而这种能力也是实现无人驾驶不可或缺的能力。

同时，现有的汽车控制系统，运行一段时间之后，部件老化、磨损等问题使得出厂时的标定参数不再处于最优状态，导致控制性能下降。汽车的「自主」也可以体现在自我维护和调整上，汽车自动控制系统也需要结合智能算法，基于汽车行驶数据、性能评价进行智能整定（自标定）、诊断和维护。

考虑以单一车载控制系统为核心的计算单元已不满足实时计算的要求，通过人工智能（状态机、决策树、深度学习、增强学习等）、大数据技术、云计算由计算机自动完成决策的方法也逐渐受到人们关注。

4.2.3 人-机交互与驾驶权分配

随着汽车辅助驾驶与自动化驾驶技术的不断发展，汽车与驾驶人之间的关系变得十分复杂，各种基于环境信息感知的车辆主动控制系统与性格各异的驾驶人共同构成了对智能汽车的并行二元控制，人-车之间形成了一种动态交互关系。虽然汽车的智能化已经得到很大发展，但是真正意义上的无人驾驶在短期内也很难实现，因此在未来很长一段时期内，智能汽车仍然面对人-车共同控制的局面。

随着汽车自动化程度的提高和自主决策权限的扩大，车的意图和人的意图必然出现耦合和与制约关系。同时，不同于其他的工业产品，汽车作为个性化需求较强的产品，用户对于汽车自主决策和控制的接受度是衡量汽车价值的一个重要指标，因此建立人性化、个性化的汽车智能控制系统，实现人-车-环境整体性能最优是智能汽车技术发展过程中必须和亟待解决的关键问题。

与车辆的精细化感知、控制能力相比，人的驾驶行为具有模糊、退化、个性化等特点；而车辆对比人而言，学习能力相对较弱，对于未知复杂工况的决策能力较差。因此，人车交互及人机共驾存在 2 个任务分割层次：

第一是驾驶人与机器控制的驾驶权切换：切换的时机、切换的平稳性、切换时驾驶人的适应性和接受性是需要解决的关键问题；
第二是驾驶人与机器控制的驾驶权融合：需要着重考虑机器控制对人操纵的干扰、机器控制对人驾乘体验的影响及驾驶人对控制系统的干扰。

因此，人-机交互与驾驶权分配问题中主要涉及人机动力学一体化建模方法、人机共驾、代驾策略、人机交互失效补偿方法、人-车-环境闭环系统的运动稳定性理论及评价方法等关键问题。

4.3 辅助平台与技术

4.3.1 信息安全技术

汽车网联化带来更好的应用体验和智能化的可能性，同时也带来了新的互联网连接方面的安全风险。从技术角度分析，汽车网络在设计时没有考虑信息安全问题，而控制汽车的电子控制单元（ECU）逐渐增多，攻击点变多。汽车信息系统已成为汽车行业的一个重要发展领域，该问题的解决也是汽车智能网联化实现的一道门槛。

信息安全技术，包括汽车信息安全建模技术，数据存储、传输与应用三维度安全体系，汽车信息安全测试方法，信息安全漏洞应急响应机制等 [13]。

360 智能网联汽车信息安全实验室曾发布《2016 年智能网联汽车信息安全报告》，提出智能网联汽车面临的 7 种安全威胁及主要攻击方法和必要防范措施。报告指出，智能网联汽车遭受的信息安全威胁主要包括 [14]：

汽车远程通信服务提供商（TSP）安全威胁；
APP 安全威胁；
车载 T-BOX（Telematics BOX）安全威胁；
车载信息娱乐系统（IVI）安全威胁；
Can-BUS 总线安全威胁；
ECU 安全威胁；
车内通信安全威胁等。

4.3.2 技术法规及验证平台

随着汽车智能化进程的不断深入，尤其是面对网联化的新机遇，推动建立智能驾驶辅助技术标准体系、多网融合的测试评价与标准及 V2X 通信技术标准体系已经成为亟待解决的问题。例如，在 1968 年通过的《维也纳道路交通公约》中，一项有关车辆自动驾驶技术规定，驾驶员应一直控制其车辆或指引畜力，且驾驶车辆的职责必须由人类驾驶员负责，而这一规定限制了汽车自主决策和控制。

因此，，道路安全论坛（道路交通安全工作组，WP1）近年致力于这一规定的修订。该修订案于 2016 年 3 月 22日正式生效。这项修订案明确规定，，将驾驶车辆的职责交给自动驾驶技术可以被允许应用到交通运输当中 [15]。

在技术示范应用和验证平台方面，以往汽车安全技术试验多被限制在较小试验场地进行单一工况测试。而随着智能化程度的加深，单一工况的测试和相对简单的基础设施和验证平台已不能满足智能汽车技术示范应用和产业化的需求。此外，V2X 技术需要车辆与其他车辆、交通基础设施、自行车等进行通信以获得多种信息，无论对试验场地大小还是对工况复杂程度，都提出了较高要求。

基于此原因，需要建立封闭的智能网联试验区域，即建立足够长的真实道路并包含尽量丰富的工况，其中的道路基础设施配备统一标准的通信设备，试验车辆也采用统一的通信方式[16]。因此，试验道路基础设施建设及智能化技术验证平台开发也是需要重点关注的领域。

5. 对发展智能化汽车的思考

从汽车智能化发展进程来看，传统汽车厂商一直是推动汽车智能化的主力军，无论是人工驾驶到辅助驾驶还是从辅助驾驶到半自动化驾驶的过渡，都是解决固定工况下特定问题的过程。在智能化的前期，汽车的智能化控制都依赖于车载传感（雷达、摄像头等）的增加和底层控制的改善，而网络架构和控制架构并没有结构性的改变。

但是随着汽车网联化程度的加深，汽车智能化进程显著加快，对于汽车产业而言，深入融合智能化和网联化的智能化升级是不同于以往的任何一次汽车技术升级，因为车联网、智能交通、大数据、云计算、智能决策等技术的融入意味着汽车的网络架构发生改变。因此，互联网制造汽车车企的兴起，给传统汽车厂商带来了空前的压力。

然而，值得注意的是，汽车智能化进程的主体路线并没有改变，依然延续了「以车为本」的技术发展路线，逐渐完善汽车智能功能、提高自主驾驶程度仍是智能化发展的核心。而相比较互联网造车，传统车企具有明显的制造优势和技术积累。因此整车厂商在自动驾驶领域的影响力也必将超越互联网巨头和创业公司。

对发展智能汽车的思考如下：

1）智能零部件和系统的深度开发，打通下层各控制单元，实现整车控制器对于整车的实际控制

虽然中国汽车行业的自主创新能力不断提高，汽车电子市场的自主品牌数量和规模也不断扩大，但是汽车核心零部件以及与整车控制相关，尤其和安全性能相关的系统控制单元仍被外资企业掌控。

而要想在智能化的大趋势下走车企自己的智能路线，整车控制器层面的自主能力就尤为重要。因此，在着眼未来智能汽车和定义智能功能的同时，还需要沉下心思打通下层各控制单元，提高实现对整车各执行层的控制能力，为智能规划和决策提供实现基础。

2）紧跟自动化与信息化的发展趋势

从汽车智能化的发展历程来看，即使加入了网联化这一新的资源，汽车智能化的过程本质上来说是提高汽车自动化水平的历程，也是汽车电子和自动化系统在汽车上的应用规模不断扩大的过程。

因此，要想真正深入汽车智能化的潮流，开发有自己优势的汽车智能系统，车企以及参与汽车智能化发展的零部件企业需要补工业 2.0、3.0（自动化、信息化）以及自动化系统的课程。

3）主动研发车联网相关技术

由于车联网的引进，汽车的网络架构及软件平台需要改变，应重点对系统健康智能检测技术、系统智能修复技术、车载互联网应用整合平台软件、自主车载嵌入式操作系统平台软件等进行研究。

参考文献

CV 界学术明星肖建雄创业了，他想让自动驾驶像电脑一样普及 | 厚势

来源：机器之能

出走学界、仍是商界新人的肖建雄，正用十分之一的成本构建自动驾驶解决方案。

从副教授到企业家，肖建雄对新身份适应得很快。

33 岁的肖建雄以企业家身份入选今年 MIT Tech Review —— 35 Innovators Under 35 ，这是由美国科技媒体 MIT Tech Review（麻省理工科技评论）自 1998 年创立的一项年度科技人物评选，旨在表彰全球 35 岁以内最杰出的 35 位创新人士。

相比于其他入选者，例如美国一流转基因公司 Caribou Biosciences 创始人 Rachel Haurwitz ，亦或是市值超过 30 亿美元的柔宇科技创始人刘自鸿，肖建雄还是个商界新人。2016 年 10 月，他正式创办了研究自动驾驶技术的企业 AutoX 。

今年 2 月，在一场由丹华资本和斯坦福华人创业者协会主办的斯坦福 AI 活动中，肖建雄介绍了他的自动驾驶公司 AutoX

在随后的半年时间里，AutoX 获得了加州自动驾驶牌照，其无人车已经能在硅谷的车水马龙间穿梭自如。在今年三月披露的首款测试视频中，AutoX 摒弃了市面上的主流传感设备，仅依靠低成本的摄像头，实现了无人车在不同天气情况下的路面行驶。

这也是 MIT Tech Review 看好肖建雄的重要原因。其科技主编 Will Knight 认识肖建雄已久，他认为：「肖建雄希望将无人车变得和计算机一样普及」。

在成为企业家之前，肖建雄拥有璀璨的学术生涯―― 2012 年世界顶尖计算机视觉大会 ECCV 最佳学生论文奖获得者；2012 年 Google Research 最佳论文奖获得者；普林斯顿计算机视觉和机器人实验室创始人；两度获得 Google Faculty Awards ；美国国家自然基金委员会研究奖……

不过，入选 35 Innovators Under 35 对肖建雄有着不同的意义，「这是我第一次在商业上得到认可。」

拓荒三维深度学习

肖建雄热爱计算机科学，聊到人工智能（AI）时，他整个人都兴奋了起来，「人类能造车、造机械，什么都有，但最缺智能化，AI 是很神奇的。」

同时，他又是一个很直观、喜欢视觉的人。个人喜好引领他在十多年前就读本科期间选择了计算机视觉――一种数学和工程学的结合体。肖建雄在读博士之前就读于香港科技大学，学习三维视觉重建，师从该校计算机科学与工程学的终生教授权龙，他是三维视觉的学术权威。

在港科大分别完成本科和硕士学位后，肖建雄进入麻省理工大学（MIT）。他在 2012 年获得的 ECCV 最佳学生论文奖，是在谷歌实习期间的作品《重建世界上的博物馆》（Reconstruct the world’s museum)。这是一篇有关室内场景重现的经典论文――用 Google 街景相机，在博物馆内部拍照，继而重现博物馆的内部三维构造。

在 MIT 的 4 年，肖建雄已经开始琢磨如何将深度学习和三维视觉结合在一起。当时，深度学习之父 Geoffrey Hinton 和他的学生 A Krizhevsky 在 NIPS（神经信息处理系统进展大会）递交的那篇经典论文《ImageNet Classification with Deep Convolutional Neural Networks》，让卷积神经网络大放异彩，深度学习也迅速地在计算机视觉领域普及，这对肖建雄的影响很大。

毕业后，肖建雄加入普林斯顿大学视觉研发团队，开始着手研究一个新领域――三维深度学习。深度学习被证明在一维（语音）和二维（图像）上有着显著的效果，但将深度学习模型应用在三维数据（点云、深度图像、网格）的深度特征表示，是在最近几年才开始慢慢流行起来。

近三年，肖建雄发起或参与了几乎所有关于三维深度学习的研究——参与发布目前最大的公共三维数据集（三维数据里的 ImageNet ）ModelNet 和 ShapeNet ；创建了研究三维深度学习的基础网络框架 Marvin，为后来者做了铺垫；推出 3D 卷积网络 Deep Sliding Shapes ，在 RGD-D 图像中研究三维物体的特征……值得一提的是，Marvin 的所有权如今属于 AutoX。

「这个领域是我们创建的。」提起三维深度学习，肖建雄毫不掩饰内心的骄傲。

由于该领域技术在自动驾驶中有可观的应用前景，原本相对独立的三个领域——计算机视觉、深度学习和机器人找到了应用的结合点。这种趋势在近几年愈发明显，今年，机器人学术圈正在筹办一个大会，取名「机器人学习大会」，以此推广机器人和机器学习的相关研究。肖建雄受邀成为第一届大会的领域主席。

不难理解，当肖建雄在 2016 年离开普林斯顿大学后，一条知乎评论写道，「肖教授走了，普林斯顿视觉岂不是又没人扛把子了。」

入局自动驾驶

「我觉得这个（企业家）可能更适合我。」对肖建雄来说，创业和做学术更像是一个数学问题。「做创业，90%会失败；做学术，90%会成功。」

初见肖建雄，一如照片上的样子：白衬衫，深蓝色的西装裤，棕色的尖头皮鞋，梳着整齐的飞机头，戴着一副眼镜，文质彬彬。他出生在广东潮州，和马化腾、李嘉诚是老乡。他的家里人，包括爷爷奶奶、父母、姐姐，都是商人。

早在 2013 年，肖建雄就有了创业的念头，但没有迈出那一步。在他看来，刚刚从 MIT 毕业，花 4 年时间读完计算机科学的博士学位，在技术层面还达不到通透的程度。此外，当时也没有多少人真正相信无人车的前景。

学术圈有比较完整的体系和硬件支持。对计算机科学家而言，创新点往往在算法上，许多流程可以按部就班地进行。肖建雄之前在学术界从事过四五十个项目，对做学术稍有些倦怠。每个学术项目的周期都很短，如同经历一个又一个小的循环，成就感自然不如自己开公司。

三年后，情况扭转。肖建雄从普林斯顿大学辞职，离开美国东海岸的新泽西州来到硅谷。知乎有人评价肖建雄创业，是典型的「学而优则商」。但真正踏出那一步，说服自己的内心，需要勇气。肖建雄是一个愿意冒险的人，「这项创业是我一辈子做到现在最大的一件事情，也是最激动的事情。」

事实上，2016 年也是一个入局的好时间。此前，肖建雄一手创办了普林斯顿大学的计算机视觉和机器人实验室，掌握了自动驾驶的核心视觉技术。

另一方面，自动驾驶市场也日趋成熟，成为如今人工智能在应用领域里最炙手可热的一块蛋糕，传统车厂和互联网新贵都在全面押注自动驾驶。就在上周，三星也获得了加州道路上测试自动驾驶汽车的许可，正式进入这片群雄逐鹿的战场。

自动驾驶分 5 个等级区分，这是由 SAE ，从 2016 年 9 月统一使用 SAE International的分类标准），这 5 个等级从最初级的 L1 辅助驾驶出发，到 L5 已经是完全智能化驾驶的水平。

目前，主流的自动驾驶解决方案将目标定在 L3（高度自动驾驶，由人类负责激烈的驾驶情况）和 L4（超高度自动驾驶，由系统负责激烈的驾驶情况）。在 2020 ~ 2023 年间，自动驾驶车辆能够在特定的路段，比如城市街道、高速公路上行驶。至于 L5 什么时候来临，有业内人士预计是 2030 年，持悲观态度的人甚至认为 L5 可能永远不会到来。

「实现完全无人驾驶没有这么快，有些初创公司完全押宝在完全无人驾驶，我觉得非常危险，我不清楚接下来五年他们怎么生存。」肖建雄说，但他仍然希望尽快普及无人车，AutoX 宣传口号也是 Democratizing Autonomy（普及无人车），而他准备从摄像头入手。

挖掘摄像头的潜力

作为重要的自动驾驶传感器，摄像头主要是用于目标识别和对象跟踪任务，如车道检测、交通信号灯检测、行人检测等。

完全基于摄像头的自动驾驶解决方案在市面上并不多见。Mobileye 算是自成一派，这家创立于 1999 年的公司致力于研究基于视觉的辅助驾驶科技，目前主要面向 L1/L2 等辅助驾驶；特斯拉也曾是 Mobileye 的用户，但因为一场事故，两家分道扬镳，现在正独立研发基于摄像头、前向雷达、超声波雷达和 GPS 数据的全自动驾驶方案。

主流市场常常质疑摄像头的安全性问题。相比之下，汽车厂商们更青睐于能够主动探测的激光雷达，后者不会受到视线的限制，通过反射光波测量反射时间来确定和物体之间距离，精度高。

肖建雄并不排斥激光雷达，但他始终认为，在目前这个阶段，摄像头应该扮演传感器中的主角。从今年三月公布的首支无人车测试视频来看，他们使用改造自林肯 MKZ 的原型车，装载 7 个单目摄像头，成功地在晴天、小雨、晚间、晚间多云这四种天气情况下行驶无人车。在肖建雄看来，「摄像头的潜力被低估了，理论上，摄像头可以做到比人眼还厉害。」

AutoX 种子轮投资方丹华资本的董事总经理万卉，在年初体验了最早的 Demo。她告诉记者，在创立 2 个多月的时间里，AutoX 成功让仅有两个低端摄像头的无人车在城市街道行驶，「这种强大执行能力给人留下深刻印象。」

万卉看好摄像头为主、传感器融合为辅的自动驾驶解决方案，「基于高端激光雷达与三维高清地图的解决方案始于 13 年前的，该架构有其历史包袱与局限性。人类不会发射激光，也不需要提前记录下道路上每一个细节，我们可能会迷路，但仍能安全驾驶。」

为了提高摄像头的安全性，AutoX 下了很大功夫。硬件上，装在 AutoX 无人车上的 7 个单目摄像头，是从 AutoX 团队购买的 300 多种摄像头中所甄选出来的，但依然没有完全符合要求。肖建雄列举了一长串摄像头标准，包括符合车规硬件标准、自动化、高动态范围成像、夜视以及算法需求等。

但这不会造成太大的麻烦，伴随手机市场过去 10 年的发展，摄像头工艺也跟着突飞猛进，厂商有能力制造出满足需求的摄像头。「我们知道需要什么，我们可以让厂商提供定制。不是他们做不出来，是从来没有人和他们提过。」肖建雄说。

软件上，基于摄像头的解决方案对算法的鲁棒性要求很高。这是 AutoX 的优势，除了肖建雄外，公司 20 多人都来自高等院校或谷歌、Facebook。

除了技术层面，成本也是一个重要的考量因素。到 2019 年，AutoX 将提供基于摄像头的 L2.5/L3 自动驾驶软件解决方案。作为创业者，肖建雄需要盘算自动驾驶在商业上的可行性。动辄上万美元的激光雷达，直逼一辆乘用车的市场价，相比之下，几十美元的摄像头就变得无足轻重了。

「我们现在主要是以摄像头为主，然后把摄像头的软件模块提供给感兴趣的汽车厂商。」肖建雄没有披露更具体的应用场景，但提到了两种适合 AutoX 的落地方式：

第一种是特殊场景，比如运输卡车、机场巴士等在限定路线和区域内的完全无人驾驶；
第二种是半自动化驾驶，即在乘用车上实现 L2/L2.5/L3 的水平。

肖建雄从内心觉得，这是一件正在改变社会的事情。正如他人尽皆知的外号 Professor X 所代表的另一个人物——查尔斯教授（Charles Francis Xavier ，漫威漫画 X 战警里的重要角色），「不是因为这个角色有什么超能力（才厉害），而是能集结社会中的能人异士去做一件很难但对社会有贡献的事情。」

以下是肖建雄和我们探讨关于无人车技术的内容：

AutoX 具体使用的是哪款摄像头？

具体的摄像头我们没有定，我们大概买了 300 种摄像头。单目双目都有用，双目的其实就是两个单目的同步起来。RGB-D 没有看到一个特别好的，因为 RGB-D 用不了就得靠 LiDAR。传统的 Kinect 和红外线不能看太远，会受到阳光的影响，白天开车阳光照射，有很大的干扰。所以基本上没有太多选择，我们就用单目相机。

你认为可以通过摄像头解决一切安全问题吗？

如果说不计成本快速实现无人车，当然什么传感器都上，科学上，你加多一点传感器肯定好过没有，就算它再差，但最起码多一层保险总好过没有，但这是科学上的。实际商业上，不可实现。因为你加很多传感器，价格非常昂贵，最后没有任何经济价值。无人车比雇几个全职驾驶员还贵的话，就没有意义了。

另外，硬件也没有准备好。更多东西，就有更多风险，比如说有了不同的东西，每一个都可能失败，一个失败就不稳定。做实验的时候，因为工程师检测半天可能不会有什么问题，但现在如果是真正商用，把车交给用户，什么千奇百怪的事情都可能发生。如果质量不好，任何一个传感器失效，都会出事。

汽车行业这么多年一直在测试稳定性，它们做的东西其实就是刹车油门方向盘，但为了这么简单的机械工艺，它们还进化了上百年才能把将它提升到一个很高的安全系数上。今天的方向盘已经安全很多，像 ABS（防抱死）提升整个系统的安全性能，也是迭代很多年才进化到今天这个地步。系统里如果加入了越多的东西，不完美的可能性就越高。

怎么克服摄像头中的弊端？比如说过度曝光，比如弱光环境，咱们只是在算法上做一些调整吗？

对摄像头也有一定的要求，不全是算法。当然算法要非常好，非常鲁棒，这是必须的，这是我们的技术优势。摄像头方面，一是强曝光的 High Dynamic Range（高动态范围成像），HDR 的要求非常高；其次就是夜视。其实，理论上，相机可以做到比人眼更厉害，但因为现在没有这种需求，没有人用它，自然就没有生产。

摄像头对处理器的带宽要求很高吗？

带宽要求挺高的。一般来说，现在的技术都已经承受了，比方说 USB 是很糟糕，但 USB 已经非常快。比方说在工业界，大家用 VMSL 来，这个是符合车规级的一个连接。现在很多特别新的电动汽车厂，他们一直在推 Automotive Ethernet（汽车以太网），我觉得这也非常好，因为自动化，以前就是用 Canvas ，这是个非常老的、非常糟糕的 Protocol Bandwidth（协议带宽）。

深度学习在 AutoX 整个决策过程中扮演什么角色？

我觉得深度学习非常重要，我们在各个方面、各个角落都用到深度学习。很多公司整天把深度学习当回事，把它当广告词。但我觉得深度学习有点像 C++，非常底层，不是说它不好，而是说它非常好，好到一定程度被普及，就变成了常识。

AutoX 的解决方案会是端到端的吗？就是把摄像头的数据直接输入到一个模型里，然后来做决策？还是会分权？

我们在 ICCV （由 IEEE 主办的国际计算机视觉大会）发表过一篇文章，里面有详细比较过，说端到端的效果不是很好。你可以想象一下这对数据要求非常高，就比如同一条路的车都不一样，那么多辆车，排比组合都不一样的话，每一个都得要训练数据。下次再换条路开，我觉得可变性太大，导致端到端需要用作训练的数据量非常大，可能是整个人类开车一两千年的数据量。

AutoX 会用哪种处理器？会用 GPU 来大量处理这些数据？

现在还没有定下来，因为没有一款成熟的处理器可以用。我们和各大厂商都有接触，和英特尔、NVIDIA、Media Tech、MTK 有紧密关系。我觉得问题就是目前这四个厂商都没有任何一个真正能可靠的、能用的处理器。

你觉得芯片定制化会是自动驾驶的一个方向吗？

不一定是定制。比如说像卷积神经网络，基本操作就是卷积。不管使用 GPU、 FPGA 还是更定制化的芯片，都是为了实现卷积。如果有芯片 ACIS 或者 FPGA 出来就是卷积，会有更好的效果，用通用芯片我认为是一种资源的浪费。关于卷积在自动驾驶中的作用，一开始大家不清楚是不是卷积，逐渐达成共识后，甚至芯片都可以定制化到卷积。

不同汽车之间，数据可以互相通用吗？比如说卡车上的视觉数据也能用在训练一个小汽车上面

可以，但那不是完全通用。但是 90%可以。

但是，拍摄的角度包括摄像头的位置都会有很大不同

所以我就说 90%可以（通用），为什么？你的算法要够鲁棒，设计时还要多加一些变化，万一摄像头稍微动了一下，怎么办？这些数据可以增强它们的鲁棒性、独创性，但之后在某一款车型上你还是需要大量定制，所以我觉得需要通用和定制的结合。

这也是我们的策略。我们未来的产品可能会有各种形式，然后有一个 centralized（集中）的 dataset（数据集），圈好之后，为每个厂商的每个产品进行定制，确保用户体验在那个环境里是最优的。既不是 one fix everything，也不是说完全不共享。

摄像头怎么和 HD Map（高精地图）来一起工作？LiDAR（激光雷达）和 HD Map 合作的比较多，摄像头这种有哪些优势或者缺点？

优势很明显，就是能够快速落地产品化，因为价格便宜，然后硬件制造也容易实现。我觉得称不上缺点，大家没做过，像 Mobileye 做过，其他很多厂商做得都比较少。事实上，我们内部发明了许多基于摄像头的定位技术。没人做只能说，难度比较大。

还有就是盲目崇拜 LiDAR ，其实 LiDAR 在定位方面也有局限性。比如说一个最极端的状况，试想在一个很大的操场，LiDAR只能看一百米，因为操场很大，超过一百米的半径，你的车在中心的时候，周围一圈扫起来都是平面，什么都没有，没有树也没有房子，这时候科学上就是不可能做到精确定位。很多人没意识到这个极端状况，国内的很多地方是十条道，还有交叉路，这就很像广场，什么都没看到，这样就很难定位。我觉得美国这些居民小区、旁边有楼的还可以操作。

另外，高精地图每两个月扫一下，但像山间、林间小路里，树会长大、会落叶。比如说在 MIT，东部一到秋天叶子两星期内全部落完了，然后高清地图上次扫的是有叶子，这种情况下，如何对齐就不是很清楚。

我觉得高精三维地图是个很好的设想，怎么落地还有很多现实挑战。比如说在波士顿，下雪风吹，每个小时雪都是不一样的，怎么定位？我觉得用 LiDAR 很难定位，长得太不像了，LiDAR 是靠形状，形状都不一样就没办法定位，分辨率非常有限。

大家觉得用 LiDAR 就一定好，我觉得不一定。如果 LiDAR降价或者真正量产，我们会马上使用 LiDAR，我以前发表过很多文章做 LiDAR。只是用 LiDAR 需要现实一些，就算用 LiDAR ，软件也要做到非常好。

传感器是怎么样的一个配置？AutoX 是以摄像头优先的一个解决方案，加上一些其他的传感器吗？

我们现在以摄像头为主，然后将摄像头模块，比如说各大汽车厂感兴趣，我们可以把摄像头软件模块提供给他们。像特斯拉、 Mobileye ，现在真正落地的产品都是靠摄像头，奥迪 A8 也是基本靠摄像头，前面的四线 Lidar 基本上是最后一层防线扫障碍物。

文章来源：机器之能

责任编辑：Sasa

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

长按上方二维码关注微信公众号： AI-CPS，更多信息回复：

新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“特色小镇”、“赛博物理”、“供应链金融”。

点击“阅读原文”，访问AI-CPS OS官网

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！