福特全球首席数据分析师数据及自动驾驶汽车

福特全球首席数据分析师：数据及自动驾驶汽车的未来

汽车行业现在正朝着人工智能，数据，复杂的络平台以及生态系统的方向发展。ZDNET对Paul Ballew、Evangelos Simoudis以及David Bray三位顶尖专家进行独家专访，探讨数据及自动驾驶汽车的未来。

自动驾驶汽车早已引起了我们的注意，因为无人驾驶汽车承诺会改变人类与汽车的关系以及汽车情结。智能视觉系统的市场包含以下组成部分：

加工处理

传感器古言常道：书中自有黄金屋

连通性

映射

运算法则

安全性

发展工具

除了特定的科技之外，适用于任何自主系统，包括汽车的统一准则就是数据。未来汽车数据生态系统将包括来自汽车，道路内置传感器，与邻近汽车的通信信息，天气状况以及其他有关信息的数据。

自主车辆技术景观

这一数据生态系统极其复杂，不管是在私营部门又或是政府机关都包含着多方参与。私营企业不断发展科学技术和算法，他们必须与联邦政府，州政府以及当地政府寻求合作，因为只有政府才有权管理道路，并颁布允许自动驾驶汽车上路的政策决定。

要完全有效贯彻这一复杂的数据生态系统短短几年是不会实现的。汽车工程师协会（SAE）制定了一个标准，以此来为汽车自动化描述先进水平。鉴于汽车行业的复杂性、重要性以及其正不断变化发展，ZDNET邀请了世界上最著名的三位专家就此话题进行探讨。

自动车辆的SAE水平

保罗·巴罗（Paul Ballew）是福特公司全球首席数据分析师，主要负责福特公司整个企业的数据战略，数据管理，数据获取以及分析活动，包括连通性和智能移动。

艾文格罗斯·西蒙蒂斯（Evangelos Simoudis）是Synapse Partners风险投资公司是灵魂的碰撞的总裁，该公司致力于大数据应用。

大卫·布瑞（David Bray）是哈佛大学的访问驻校执行官，曾任美国联邦通讯委员会的首席信息长。

谈谈数据以及汽车生态系统？大卫·布瑞：自动驾驶汽车生产了大量的数据。看到那些在汽车，道路，基础设施或其他地方存储并加工处理的数据了吗？三年后，生态系统又会是什么样？

保罗·巴罗：确实，这些数据由汽车加工处理。与此同时，它们也可能完全在生态系统内部。可以肯定的是，数据也会在一个重要环境内部。科学技术使我们能在数据端处理事情，而数据端则会让我们遵循自动驾驶汽车的发展模式。

它正驱使我们推动边缘数据分析以及边缘数据管理的发展。因此，我认为回答你问题的答案应是以上所有因素的结合。

因为有大量的数据分析挑战，所有你必须有一个更加多样化的生态系统来实现它。

如果你真的想要超越自主性，但又想拥有能连接彼此的智能汽车，如此一来，可能会收获各种私人及社会效益，那么生态系统也会步其后尘。那样还包括智能基础设施及有关活动。

我们曾是谦卑的不可知论者，因为科技正从一个数据和分析学的立场不断变化。生态系统不再会神奇般地把每一辆车都连接到线路系统，不再会收集到每一个数据元素，也不再会建造像德克萨斯州那么大的数据中心。

那不是正确的策略，因为它根本无法实行。不过，好消息是如今科技正使得我们能做一些可以打消那些担忧的事。

我们需要重新思考对汽车数据的理解吗？艾文格罗斯·西蒙蒂斯：我们有必要围绕新框架来思考数据。交通基础设施数据来源于汽车，乘客，其他车辆以及数据提供者。

这是一个非常复杂的生态系统。我们往往会考虑到汽车数据，但生态系统远不止这些。我很高兴保罗提到我们需要重新思考数据管理。这不完全是云储存。需要有政策指导我们什么数据应保存在车内，又是什么数据不应存在车内。

你必须要明白我们谈论的不是一个简单的云端。这不是福特云端对宝马云端或对通用云端。福特公司将会拥有一个云端，但是德尔福公司（Delphi）也会拥有云在内心为自已保留一份真诚和纯净端，同样，天气也会拥有云端。所以，即使对于那些不在这种类型基础设施车内的数据来讲，数据决策仍然十分复杂。

在过去二十年里，汽车越来越依靠于软件，汽车制造商因此意识到了数据的重要性。如今的汽车内已经配备了一些传感器，但是我们所谈论的数据种类，数据复杂性，数据量以及大数据（在我们拥有自主，且最终是无人驾驶汽车以及即时的机动性的环境下）与我们今天所面对的相比，要了不起得多。

因此，我们需要新的见解。

保罗·巴罗：我们同意你的说法。我们结成了一个组织来做这件事，一部分原因就是要获得新思想。当然，它适用于自动驾驶汽车，同样也适用于我们正在做的其他事，例如物联（IoT）。

当我们在工业环境中谈论物联时，我们不能使用传统的数据管理方法。即使在物理数据中心使用云储存，这种方法仍不可行，对于一个可持续模式来讲是完全没有道理的。

我们把它称为“现代主数据管理”。数据管理是必不可少的，数据结构和有关活动也是如此。但是，这是一种独特的思考方式。为实现商业目标，又该如何获取，管理并充分利用那些数据资产？

我们需要超越传统思维过程，不仅在于汽车行业，而且在于我们思考数据管理的方式：建立一个中心环境，称其为数据湖，添加一些标识符号，以及与之相关的所有东西。世界正超越其原来的模样。

作为数据平台的汽车有哪些问题？艾文格罗斯·西蒙蒂斯：过去二十多年里，汽车行业都把汽车当作平台。事实上，很多他们使用的术语，包括福特公司，都与平台密不可分。

我们在谈论不同种类的平台。它不再是一个有一些运算的电机设备平台，而是一个拥有极强计算能力和大量存储的传感器与促动器平台。

有些人把它称作“轮子上的机器人”。当你想象即时机动性与专车服务应用时，你就能想到机器人出租车和轮子上的机器人了。长途跟踪是自动驾驶汽车的另一项预期应用，它也是非常像机器人的。

相比于我们曾经在车内约会，现在我们有一套完全不同的平台。

保罗·巴罗：我们当中任何一个从行业中成长起来的人，当我们想到平台，那就是一辆汽车的实体结构。以前是一个很小的工作平台，现在则是一个中型汽车平台。过去几年内的发展则谈论汽车作为一个平台。

我们现在描绘一个平台，它是一个交接点，是一个洞察力催生点，或是利用，连接汽车的能力。

我们行业的这个词在非常短的时期内发生了变化。

如今，当我们将其描绘成一个平台时，我们必须暂停一会儿，解释我们的意思。我从来没有想过在汽车行业还要对“平台”下一个操作性定义，因为它本来就是一个常用术语。

对训练人工智能和互用性的数据有什么看法？艾文格罗斯·西蒙蒂斯：使用数据训练研究自动平台的系统比我们想的要重要得多。事实上，我公司现在其中一个投资指挥棒就是识别模仿的初创企业，因为即使是派出测试汽车的企业也只能收集到很少一部分数据。他们车队的车辆很少，而且实际能收集的数据量相比于我们所需要进行有效训练能提供车辆自主性的人工智能系统的数据量相比，就显得很少了。

如今，韦默（Waymo）和特斯拉（Tesla）可能拥有最多的数据量，但与所需量相比，那也是很少的一部分。所以，建造更大的数据集，不管是依靠其他有实际数据的贡献者还是创造仿造的数据训练系统，都将是我们通向无人驾驶未来路上的一件大事。

大卫·布瑞：我们期待着下个十年里自主性能完全成熟。但与此同时，我们已经取得了一些成果，事情正朝着预期方向发展。

我们必须处理的一件事是要解决数据中的互用性。作为一个加入人类标准小组的人，他们通常有3到4年的时间为此制定标准。就这里的设置数据而言，这并不让我觉得很合理。

我们可能需要一些半自动装置了解不同设备，不同汽车的数据，并在他们之间互换。因为如果我们仅仅依靠人类状态，我们将被自己拖累。

我认为我们在接下来的十年内能取得进步，而且依靠科技进步，完全自主有可能在7到10年内完成。