在近日舉辦的世界智能網聯汽車大會（WICV）上，四位院士圍繞產業發展挑戰進行了一場對話，并呼吁汽車聯網統一架構，統一標準，實現「全國一張網」。

RoboX對他們的對話內容進行了簡化摘要，供大家參考。

本次對話嘉賓如下：

鄔賀銓：中國工程院院士、中國互聯網協會專家咨詢委員會主任

孫逢春：中國工程院院士、北京理工大學教授

李克強：中國工程院院士、清華大學智能網聯車輛與交通研究中心主任

曲小波：歐洲科學院院士、清華大學車輛與運載學院長聘教授

AI智駕的技術挑戰

鄔賀銓：在算力層面，根據已有的軟硬件件發展速度來看，可能不到一兩年，端側大模型的能力就能得到有效支撐了。更大的挑戰還是數據。

據了解，大概只有1%的真值數據來自開放道路，90%在封閉道路。而在整體數據中，90%為仿真數據。

當然，更多的數據需要利用AI辦法生成仿真，但現在仍有一些風險，例如可能導致幻覺和崩潰，所以仍需要有一定的原始數據。

當然，未來的AI技術還需要繼續提升，要通過泛化遷移學習打通不同的場景。

AI應當變成「破解式」的人工智能，這并不僅僅是靠智能駕駛就能突破的，還要解決很多技術挑戰，以及法規方面的挑戰——現在的交規并非針對智能駕駛，在自動駕駛時代需要進行一些適應性的變化。

孫逢春 ：我擔心的問題，首先是安全，這也是智能網聯汽車的初衷。所以我呼吁標準先行，不光是指技術標準，還有道德規范。

另外，從大學老師的角度來看，現在幾乎所有車企招機械工程師的都很少了，導致學生都不太愿意報考傳統機械工程專業。而我認為人才培養應當同時具備汽車和AI的知識，這可能是可持續高速發展的一個前提。

李克強：在自動駕駛應用上，人工智能還是有一系列挑戰需要解決。

第一，低延時、高可靠度的技術方案??????

AI的汽車應用分兩類：一類是人機交互，一類是替代控制。

人機交互的典型應用是座艙語音交互。在這一領域，人工智能的可解釋性，實時性、可靠性高一點低一點，可能問題不是很大，

而在替代人操作的自動駕駛中，目前的AI從理論知識和可解釋性上，仍存在問題。在對實時性、可靠度需求甚高的自動駕駛中，現在還缺乏完善的技術。

第二，數據確實很重要?

在垂直領域的應用模型，數據三要素是海量性、完備性和準確性。而自動駕駛的場景數據，有的企業說用幾百萬輛車能收集多少數據，我們認為那是不全面的訓練數據。

關于「海量」和「完備」的概念，我覺得大家可能會混淆。

如果只是單一企業收集的數據，它永遠不具備完備性。所以如何建立數據底座，目前是存在挑戰的。

在此背景下，我們清華團隊和國家智能網聯汽車團隊，提出車路云一體化，通過云控技術平臺會是一個非常好的大模型訓練數據底座。

第三，車端計算架構

在云端訓練之后，最終還是要實現車端應用。而目前的煙囪型計算平臺是難以適應AI迭代的，所以在計算架構上，現在也是存在挑戰的。

曲小波：從單車層面來看，大模型上車主要是解決長尾問題。但現在大模型有那么多參數，可能計算延時長達2-3秒。如果能通過壓縮，將延時縮小到300-500毫秒，可能會是現在業界最好的水平。

下一步則是將300毫秒降到100毫秒以內，真正實現大模型上車，這是接下來非常重要的方向。

另外，最近半年來，我們一直在討論新能源汽車車險的問題：新能源汽車或智能網聯汽車的保費是比傳統汽車高的，但保險公司卻是虧損的，也就是車險無法cover賠付。

目前，車險定價的浮動率是非常低的，但如果能夠借助數據分析，實現上下浮動，定價是可以作為杠桿的。

例如，智能網聯汽車都有非常精準的數據軌跡，基于這些軌跡，我們可以分析哪些是好的駕駛員，哪些是有不良駕駛行為的駕駛員。基于這些數據分析，我們就可以將其作為定價杠桿，以此鼓勵更好的駕駛行為。

另一方面，根據車輛本身運行狀態的數據，也可以去鼓勵車企去造更好的車，甚至發現道路基礎設施存在的問題。

關于高度網聯化的3點誤解

鄔賀銓：中國比較早就在強調智能和網聯，兩者是結合在一起的。

但在汽車領域，提起智能，我們更多想到的是單車智能，但它只是基礎。因為單車智能如果沒有車聯網的支持，還是一個比較局限的應用。

例如，雖然可以下載地圖，但無法做到實時更新；而且，即便汽車自身是夠智能的，但是沒法獲得周邊汽車的狀況，也很難得到路側的全局觀支撐。

如果實現了全局性，可以使得智能汽車的功能更強，效率更高，安全性更好，另一方面還可以降低單車的智駕成本，因為可以簡化車載傳感器，節省算力。

而且一般來講，云端與車端的算力結合，會使整體算力效率提升30%。

而且，通過網聯，城市的交通管理部門也可以更精準地了解交通狀況，對于城市的交通效率提升也會有很好的幫助。

孫逢春：關于新能源汽車，以前爭論了將近20年，這很正常。因為企業和用戶的需求各不一樣。尤其在初級階段時，企業覺得電動車事兒多還不一定好用，建設基礎設施也不劃算，和銷量不成正比。

這就像特斯拉FSD入華，牽扯到的數據等問題也引發大家的爭論：數據非常敏感，尤其實現車路協同以后，車企對于他人使用數據可能會產生抵觸。所以，只有當實現「全國一張網」時，這才是真正意義上的車聯網，因為它需要對新能源汽車進行安全監管。

李克強：首先，網聯融合是分級的——2016年，在工信部的指導下，我們的技術路線圖指出網聯分為三級：第一級是信息的動態交互；第二級是協同的感知；第三級是協同的決策控制。

據此，如今所有的車都已經是網聯的了，只要你有導航，有娛樂，有外界交互，就屬于是網聯三級。

從這樣的級別來看，單車智能只是基礎，車路一體化則是單車智能的升級版。既然我們已經有了新一代的移動通信技術和人工智能技術，為什么不把網聯的程度提升得更高一些呢？

「鬼探頭」就是典型的需要協同感知的案例——如果通過路側的上帝視角實時告知，顯然會更安全。

所以從這個角度上，網聯會到隨著通信技術、信息技術傳感器技術和控制技術的發展，最終形成一個三級的信息物理系統，也就是一體化。

當然也有人提出質疑：網聯級別高了以后，通訊沒有怎么辦？通訊效果不好怎么辦？另外成本太高，畢竟好像FSD只用單車智能都已經能自動駕駛了。

這其實也是誤解：

1、如果在通訊不好的情況下，車輛最低只會降維到單車智能。這就像如果智能手機的互聯網不行了，但打電話的基站也還能工作，只不過會降維為功能手機。

2、在成本層面，路側信息化改造的成本只是修路的1%。而且當智能網聯汽車走入數字軌道，車上的傳感器也可以減少，所以整體算下來，成本沒準還會下降，至少是可控的。

3、現在特斯拉也不是單一的單車智能，特斯拉的FSD V12已經屬于車云協同，可以讓汽車看得更遠，算得更快。更重要的是，我們都想做人工智能，都想做大模型，那數據底座從哪來？其實可以通過這一套高級別的連接來獲取，肯定比目前獨自收集要好。

產業生態的構建

鄔賀銓：我認為，建設智能網聯汽車的生態，目前看來沒有想象中的那么難，大家都在自覺地推動形成。

麥卡錫曾經預測，車聯網以及車載電子衍生的服務產業，到2030年全球能達到1.5萬億美元的規模。其實全球的汽車產業也就幾萬億美元規模，這意味著，智能化會重造一個汽車產業，這是值得我們去重視和和開發的。

就生態發展來看，整個智能汽車產業涉及到政府的很多部門，交通管理部門、公安部門、城管部門、工信部門、法律部門、政策部門、保險部門、金融部門等等，涉及的范圍很寬。

而且，目前其運營主體也并不清晰，因為不可能三個運營商同時建一個這樣的網絡，另外車企也希望能夠主導。

所以我認為車聯網實際上可以分成兩部分：一部分是汽車連接的路側單元，再連到邊緣計算以及車路云（類似V2X）；另一部分是汽車連接到公眾通信網絡，通過云進入更多互聯網的服務，這兩部分需要很好地結合在一起。

所以我認為，未來需要有建立一個全國統一的車聯網運營商，它可以將各地城市的路側單元及車路云，接入到所在地運營商的網絡，再進行統一融合。運營體最好是全國統一，這樣可以統一標準統一規劃，不過也可以接受多元化的投資，例如鐵塔公司。

李克強：智能網聯汽車的交叉融合，已經形成了一個典型的信息物理融合系統，這是一個復雜的系統。由此，它的生態和產品利益也會發生改變。

大家都在討論未來的汽車產業將由誰主宰，我認為，誰能掌握ICT和汽車工程的融合技術，及其相應的新型產品，誰才有未來。

在這種情況下，未來一定會誕生「1.5級基礎平臺供應商」（介于Tier1和Tier2之間），就像通訊領域的鐵塔公司。

未來，智能網聯汽車產業里會出現計算技術平臺、云控技術平臺、信息安全技術平臺、通信技術平臺、基礎技術平臺、終端技術平臺等等。這些平臺都是協同式的——既有政府背書，又有市場競爭，競爭來自于上面的應用層。

現在，國家智能網聯汽車創新中心正基于這樣架構和設計，推動建設生態。

智能網聯汽車是一個復雜的系統工程，要想做好就必須有統一的架構。現在的車路云一體化，就相當于是在修數字軌道，在大架構相同的標準下，把各自的工作做好，然后再形成一個協同關系，這樣我們的產業才能真正成功。