来源：远川研究所

2015年，美国两位顶级黑客“黑”了一辆在乡间高速上行驶中的大切诺基，远程操控了车辆的加速和制动系统，以及空调、电台和雨刮等装置，最后，还让这辆车冲进了路边的一条小水沟。

(相关资料图)

一年之后，在特斯拉官方知情的背景下，腾讯科恩实验室的研究员们也成功“黑”入了一辆Model S，并现场演示了如何远程实现“无钥匙开车门”、“变道时折叠后视镜”、“行驶过程中打开后备箱”，“行驶中突然刹车”等功能。马斯克还为此专门写亲笔信致谢了腾讯科恩实验室。

这两次黑客事件刷新了人们对于汽车安全的认知，克莱斯勒为此专门召回了140万辆车，而特斯拉也在被黑之后推送了新版的Autopilot，堵住了漏洞。

而在2017年，电影《速度与激情8》用一段黑客利用漏洞，控制无人驾驶“僵尸汽车”的场景，呈现了人们对智能汽车未来的一种想象。

尽管这种想象略显夸张，但也用另一种形式勾勒了智能汽车的特征——车辆不再是一座座行驶的孤岛，而是与云端紧密相连的“四轮机器人”。

尤其是高阶智驾逐渐走向普及之时，汽车正在快速朝这一方向进化。一辆车上的传感器越来越多，传感器需要实时感知周围的环境，并将搜集到的数据回传到车载大脑，而要保证行驶过程中的可靠、高效与安全，除了车端要有足够强的算力和算法之外，云端基础设施的搭建在变得前所未有地重要。

腾讯智慧出行副总裁钟学丹提出了一个观点：“汽车智能化将是"车+云"的一个软件体系，利用车端产生和感知到的数据，结合云端强大的数据存储、计算能力和模型训练，可以更快地发现应用的问题、加快服务的迭代，持续改善用户的体验。在这样的模式下，车端也将变得更轻、更可靠，通过云端来获得无限的扩展空间和快速的迭代能力。”

在他说这番话时，智能车的云上竞赛，已经如火如荼。

汽车的智能化转型并不是请客吃饭。

2022年，多家传统汽车大厂的智能电动汽车，被发现必须前往4S店进行“线下OTA”，才能对车辆功能进行更新。颇具讽刺意味的是，特斯拉在8年前就表演了通过OTA远程解锁车辆电量的“魔法”，在那之后，特斯拉也多次通过OTA升级了智能座舱与智能驾驶能力。

早些时候有人解释过这种差距的由来。2020年，《日本经济新闻》拆解了一辆Model 3后发现，特斯拉的电子电气架构已经领先丰田和大众6年。

但日本人忽略了一点，汽车智能化的竞赛，不仅仅发生在用户看得见摸得着的车辆终端，也真实发生在用户视野之外的云端。除了在车辆电子电气架构上先进，特斯拉其实也是有史以来云计算实力最为强劲的车企。

至2020年，特斯拉就已累计销售超过100万辆车，而在卖出的每一辆特斯拉上，都搭载了Autopilot辅助驾驶功能，以及在特定条件下会收集驾驶数据的“影子模式”。依托大量车队，特斯拉在2020年就积累了30亿英里的Autopilot行驶里程，这为算法训练提供了充足的养料。而要处理海量的数据，必须依托云端的超算中心。

2022年年中，特斯拉将其最大超算中心（特斯拉有三个超算中心）的规模扩充到了7360张 A100 GPU，这些GPU总算力约2 EFLOPS，使得特斯拉在当时拥有了全球第七大GPU超算集群——仅仅是构建这些算力的硬件成本，就超过1亿美元，而持续运营所产生的费用将远超这一数目。

依靠保有量巨大的车队与远超同行的云计算储备，特斯拉最早建设起了车端云端互通的高效数据闭环。这让特斯拉以前所未有的速度迭代着FSD智能驾驶算法，率先在北美向用户进行了推送，并且可能在不久后将其导入中国市场。而马斯克一再放风：一旦进化为高等级自动驾驶，FSD将颠覆汽车行业的商业模式。

在特斯拉之后，国内智能电动汽车企业争先恐后地加码城市高阶智驾，理想、问界都将相关功能的投放时间从今年三、四季度提前到6月之前。

尽管站在智能电动汽车渗透率陡增的历史机遇期，特斯拉的竞争者们实际上都危机感深重：一方面，特斯拉已经掌握当下智能电动汽车产品的定价权与话语权，完全有能力开启一轮乃至多轮价格战；另一方面，特斯拉的云端基建也难有人望其项背——这很可能是智能汽车下半场的胜负手。

特斯拉这条鲶鱼的强力搅动，背后其实是行业的深刻变化：智能电动汽车的竞赛，正在从主要比拼车端产品的1.0阶段，步入同时比拼车端、云端实力的2.0阶段。

谁能将智能电动汽车看成一个车与云双轮驱动的整体，对云投入更多资源，谁才能在智能汽车的下半场中占得先机。

当时间来到2023年，当国内车企纷纷在高端车型上布置好高规格硬件，排出城市高阶智驾量产时间表时，行业赫然发现，一朵智能汽车云，已然成为高阶智驾竞赛的新要素。

原因在于，一方面高阶智驾的算法框架趋于统一，BEV+Transformer以其强大的能力征服了行业，另一方面Transformer模型本身对数据数量有着极高要求，如果数据规模较小，其性能表现可能反而不如传统的CNN模型。

这在一定程度上改变了行业竞争的方向——数据体量与超大规模数据处理能力重要性空前提升，云端能力不足将直接失去高阶智驾的竞赛资格。

然而，并非所有车企或者是供应商都有能力像特斯拉一样建立起庞大的数据处理中心与数据处理管线，业内甚至存在一种说法，自建一套能支撑自动驾驶算法迭代的私有云，难度丝毫不亚于造车。正因如此，车企对第三方云计算、云存储与云服务需求势必爆发

去年8月，小鹏汽车与阿里云合建智算中心，将其云端算力储备扩充至600 PFLOPS；紧随小鹏，长城旗下毫末智行在今年与火山引擎共建了670 PFLOPS的智算中心。蔚来也在去年底宣布和腾讯云合作，打造智能汽车混合云基础设施。

不过，如果细致地看，车企对云的需求并不只是单纯的算力要求。

一方面，高阶智能驾驶车辆由于搭载大量高精度传感器，在法规中其性质趋近于“测绘”，因而必须在数据使用的流程中保证数据合规。

另一方面，智能汽车的数据闭环有着繁多的环节，比如存储、训练 、验证、部署等，因而须有先进的全套工具链，对各个环节予以优化，才能避免出现木桶效应，保证整个流程高效运转。

此外，由于高阶智能驾驶对云计算、云服务会有长期、大量的需求，车企对此也会有明确的成本诉求，希望兼顾性能与成本。

这些多层次的具体要求，最终必然要更专业的云服务予以满足。去年，腾讯率先对此予以响应，在上海开了业界第一个专门为自动驾驶设立的云专区，在其公有云、私有云、专属云基础上，推出腾讯智能汽车云平台——一朵专为自动驾驶服务的专用云。

相比于将通用的云用于自动驾驶，专云专用的意义在于，原本看起来难以兼顾的“既要又要”需求，自动驾驶专用云都能予以满足，从数据接入到模型部署，全流程为自动驾驶减负。

博世高阶智驾基础设施研发总监黄罗毅在最近一次公开演讲中就表示，博世之所以选择和腾讯合作，有两个重要原因，其一是腾讯的自动驾驶专属云，能够实现全栈物理隔离，满足数据安全法规；其次是腾讯能够提供一套完整的合规服务，可以让博世专注于上层功能的开发。

针对自动驾驶算法开发、训练时的痛点，腾讯云自研了GooseFS缓存加速产品和TACO软件加速器套件，能够解决大规模模型训练中的最大的堵点——带宽瓶颈，为模型训练提速。

在模型优化、验证环节，腾讯结合了游戏科技和云的能力，能提供TAD Sim虚拟仿真引擎——它拥有超过300万个场景，可在50km x 50km的城市区域（相当于北京六环内的面积）容纳超过100万辆仿真车辆同时运行。要提升自动驾驶汽车在复杂交通流下的博弈能力、验证算法可靠性，这种高性能仿真引擎不可或缺。

而应对成本需求，腾讯的智能汽车云平台则对各环节予以降本提效，通过云上-云下一体化，软件-硬件相结合的自研存储方案，可以实现50%降本；在腾讯智能汽车云提供的一站式算法开发、训练框架方案中，数据接入工作量会减少8成，标注成本能降低7成，最终算法开发TCO（总拥有成本）也降低了50%以上。

正是看到了这些特性的价值，蔚来、博世、奔驰、英伟达等大型企业相继与腾讯智能汽车云达成合作。显然，一朵受人青睐的智能汽车云，既要有全栈能力，也要有性价比优势。

在智能汽车的竞赛中，车企们近两年纷纷患上算力饥渴症，不遗余力地在车辆上堆砌大算力芯片，一辆汽车的算力可以达到数百乃至上千TOPS。强大的车上算力仿佛是智能汽车“智商”排名的衡量标准。

实际情况并非如此。如今的智能汽车其实是一个“车云一体”的智能终端，车端负责数据收集、服务触达以及一部分本地实时运算，云端则是一个更复杂的后勤部门，负责大规模数据存储、计算与算法训练，并将完善的算法或服务下发到车辆。

无论是车企还是云计算厂商，都拥有这样的共识——一个足够强大的云端，可以让车端“轻装上阵”，减少对实时算力的需求。

事实上，高精地图（HD Map）正是在这样的需求下诞生的。它通过云端获取的上帝视野，帮助智能汽车更好地感知环境、作出正确的驾驶决策，实现更可靠的智能驾驶。但由于法规、成本等问题，此前高精地图鲜度不够，通常是以季度为单位，更新速度赶不上车企高阶智驾进城的需求，行业纷纷转向“重感知轻地图”的技术路线。

而在“轻地图”的呼声中，其实还分化出了完全不用高精地图和使用轻量级高精地图的阵营。

前者主要包括特斯拉及其一部分追随者，他们认为人类无需高精地图就能开车，自动驾驶汽车也应该做到。不过完全不用高精地图也有代价，即车辆必须拥有更强的感知算法、更能为不可靠感知兜底的规控算法以及算法背后足够强力的硬件尤其是芯片。

后者则主要是认为对待自动驾驶应该更加审慎的大厂，在他们眼中高精地图的上帝视野与对道路元素的精细呈现，能够多一层冗余，更好地保障高阶智驾的安全。只不过高精地图的支持者们也认为，高精地图这种重资产，在当下要做适当的减法。

长安汽车地图开发总工程师颜凯就表达过这样的观点：“未来城区智驾地图面临的最大挑战在于城区地图的覆盖与鲜度，巨大的城市道路里程基数加上日新月异的城市道路建设与百余辆专业高精采集车采集能力之间存在明显的鸿沟。”

这种鸿沟不仅让车企自己的软件团队要打足鸡血、小步快跑，其实也对云商和图商都提出了新的挑战：

作为一种重资产的基础设施，云商和图商要如何跟上智能汽车快速变化的风向？要如何既能提供轻量、易用的云图服务帮车端减负，也实现自身的商业闭环？

这些挑战往往需要进技术、产品、商业模式的创新。

今年以来，面对智能驾驶“重感知轻地图”趋势，图商纷纷开始推出“轻量级高精地图”。比如百度表示将推出轻量级高精地图，高德的同类产品也在规划中。

腾讯的思考是，云的能力，是将高精地图做轻的有效途径。

在地图生产工艺上，腾讯率先实现了“一张图”的模式。

所谓“一张图”是指，一体化的地图生产体系，天然融合了标准地图（SD Map）、辅助驾驶地图（ADAS Map)、高精地图（HD Map)等不同精度等级的地图数据，共用一套路网，不仅做到了数据同源、质量同级，也能更灵活的根据车企不同驾驶模式的精度要求，按需提供地图数据服务，进一步降低成本。

在“一张图”的生产模式之下，腾讯专门服务城市智驾的地图产品应运而生：HD Air轻量级高精数据。

一方面，形式更轻，将地图元素聚焦在服务智能驾驶的必要元素上，在满足L2+需要的米级精度的同时，表达更简洁，成本更低；另一方面，通过结合高精度点云自采、众源采集、影像采集等多种采集形式，将更新频次从季度或者月级提升到周级。 毕竟城市道路变化频度更高，时刻保证地图的“鲜度”至关重要。

交互界面，也是让用户直观体验智能驾驶的关键窗口，所以让地图更“轻”的同时，还需更精致刻画地图要素。比如，腾讯HD Air对POI(兴趣点)、建筑、斑马线、停止线、植被、河流、湖泊水波纹等要素进行更精致的刻画，可以支撑更逼真的3D地图实时渲染效果，让用户身临其境。

据了解， HD Air能够在今年年底前扩展到全国50座城市。在腾讯云端能力的加持下，HD Air能够做到常用常新。

钟学丹介绍，云和地图能力的紧密结合可以帮助车企构建起一张由用户来运营的“活”地图。实时的车端感知数据，进入云端进行多程建图，帮助提升诸如道路边界信息、道路标记等元素的鲜活度，实现地图的定制化更新。这种方式，可以帮助车企打造更符合用户行驶习惯和热点路线的鲜活地图。

站在行业的角度看，轻量级高精地图的推出降低了客户的使用成本，提高了城市覆盖率和更新频率，有望推动自动驾驶渗透率进一步提高。从客户层面来看，这种轻量级地图的出现和普及也是车端感知和规控算法成熟之后的一种必然。

近两年肉眼可见的趋势是，智能汽车的迭代速度正在变得越来越快。根据乘联会数据，去年一年特斯拉进行了10次OTA，蔚小理与问界则进行了8-9次OTA。

尽管如此，相比于智能手机可能每天都在进行的软件更新，智能汽车的更新速度仍稍显“缓慢”。但现实的约束是，智能汽车要做到“常用常新”的代价要高得多——一款智能汽车迭代一次算法可能是百万美金的付出，如果出现bug则可能是生命的代价。

正是因为涉及到更高的安全要求和更敏感的成本诉求，选择一家靠谱的云合作伙伴，建立起强大的云端能力，对车企来说比以往任何时刻都更重要。