智能化时代汽车的核心竞争是什么？
科技
科技
2024-04-17 21:00
广东
随着能源的供给方式变化，汽车的竞争从单一的产品竞争转变为多元化体系的竞争，有的车企虽然有交付产品，但是已经黯然收场，例如威马汽车；有的企业产品尚未交付就已经引起全行业的热烈讨论，例如小米汽车。在这场新能源和智能化的变革之中，汽车产业迎来新的变化，汽车行业的变化不仅是体现在产品描述措辞的变化，更深次的是汽车产品的核心驱动因素在变化。从整个社会科技发展的历程中可以看出，在过去科技在社会中的每一个新的发展阶段都有一个核心的驱动因素，工业革命时期是关于能量的驱动，电子革命时期是关于信息的驱动，那么到了如今的智能时代核心驱动因素又会是什么呢？其次，从工业革命到人工智能，由点成线的变化过程中，将变化点动态串起来的因素是否具有同一性。也就是所有新的创新产品需要寻找到一个驱动社会进步的核心要素，再围绕这个要素建立起商业模式，脱离了核心要素的产品注定会被淘汰。汽车技术在随着社会科技的发展过程中，无论是从硬件构造还是软件算法系统呈现出三个主要趋势：第一个是系统复杂性呈现增长的趋势，复杂性的提升势必会产生一种新的系统表述方式。这也可以解释汽车行业不断涌现新造词的背后原因，主要在于面对一个复杂的系统产品，从不同的维度定义或评价必定会有远近高低各不同的效果。从科学方法的角度来看，汽车系统的复杂性意味着成本的增加，成本的增加促使车企推出的产品向高价值区间靠近，也就是自主品牌不断推出高端品牌的根本原因，产品只有向高价值区移动，车企才能获得利润。从数学的角度看，汽车系统的复杂化是一个纯粹的统计学过程。以自动驾驶为例，之所以自动驾驶的系统在变复杂的道路上一直狂奔，从各种传感器的接入到人工智能算法的迭代，整个自动驾驶系统呈现出硬件更集中算法更复杂，数据驱动模型出现智能涌现也从算法方面说明了自动驾驶系统的复杂性。主要原因是在自动驾驶从实验室起源处于低复杂性的状态之中，所以在统计学意义上，自动驾驶系统早期的架构可以实现更复杂的状态比更简单的状态要多，因此自动驾驶的系统复杂性更可能是在增加，而非减少。参考在人类进化过程中，从简单性的逐渐进化为复杂性的智能生物，在这个过程中，语言和文字成为智能生物之间交流的中介，也是将个体智能链接为群体智能的关键，从而推动整个人类社会的进步。所以，解决汽车日渐复杂的系统问题有两个关键点，首先是整个科技行业的智能化程度的提升，也就是类似在生物领域的群体智能涌现，个人或者单一的企业无法完全解决汽车复杂性的问题；第二个是物理和社会科学的紧密结合降低存在的不确定性。根据马克思主义基本原理解释物理世界是一个真实存在的实体，通过人类的认知去解释或者赋予物理世界的意义，人工智能大模型的兴起，将复杂系统模型化成为科学上可检查的人工产物，可以与物理世界的数据进行比较，并反复修改以改进模型的拟合度，最终的目的是将物理世界代码化或者模型化。所以，汽车智能化复杂系统的解决也是物理世界和代码的对应关系，两者相互验证的程度越高解决智能化系统的复杂性越简单，将知识从数学方程的形式转变为物理世界的计算表征。无论是燃油车时代还是新能源时代，技术发展过程中不变的核心是知识和计算物理世界表征的转换，这也是智能化时代所有产品的硬核驱动要素。在物理世界计算表征的目标大前提下，会使用各种不同的方法和工具，例如当前火热的大模型、自动驾驶、量子通信等等。通过使用方法和工具将知识转换为物理世界的映射从而形成产品，在智能化时代，汽车作为产品也是计算物理世界表征的一部分或者一种知识的体现，所以汽车的智能化是汽车产品其中的一种属性而非全部，利用智能化的方法和工具为汽车赋予新功能，相当于产品对物理世界的验证，而不是利用功能定义汽车的智能化，一正一反之间的理念差距会导致产品设计有天壤之别。面对智能化系统的复杂性，利用功能定义智能化类似为系统做加法，新工具为汽车赋能相当于减法，在系统中做加法相对较为容易，而在同等性能下做减法比较困难，两种方法的终极目标是一致的，不同的在于解决系统复杂性的能力。在自动驾驶领域多传感器融合路线和纯视觉路线之争也可以转化为系统复杂性的加减法问题，两者的目标是一致的，不同的点在于对于产品的认知角度，也就是加减法的异同。可以看到的是目前两种路线都将无法解决自动驾驶系统复杂性的问题，无论是特斯拉率先推出的纯视觉端到端的方案还是降低传感器成本进行多源融合方案，两种方式都一定也会出现无法解决的场景问题或者一步到位直接达到无人驾驶的状态，不同的点在于商业模式和产业链。所有的路线的都将会伴随着知识的转化速率而逐渐前行，在同一个目标下长期来看两者并没有优劣势，相当于总和是不变的，变化的只是组成参数的不同。这也可以解释两个现象，首先是自动驾驶领域又一次火热的从感知到决策一体化的端到端方案，从而降低感知输出的不确定性也就是对物理世界的表征计算的准确性，所以十年前提出的端到端理论被特斯拉“发扬光大”，并引发众多的国内追随者；其次激光雷达企业通过市场规模或者技术迭代实现降本，也可以做到功能的实现。无论是哪种路径，对物理世界的表征计算存在极大的不确定性，而在自动驾驶系统内部会将这种不确定性忽略，以确定性的算法处理不确定的信息在功能表现中一定会出现意外，所以对于自动驾驶系统来说，核心问题不在于路线的选择而是如何基于车辆主体建立环境不确定性模型，这也是自动驾驶竞争的终极核心，也是对物理世界表征计算的一部分。第三是汽车不再是一个硬件产品而是一个信息系统，信息熵的影响在增加。一个系统的信息熵越大，表示该系统中的事件发生的不确定性越大，即信息量越丰富。反之，信息熵越小，表示系统中的事件发生的不确定性越小，即信息量越稀少。无论是在软件算法还是创业创新，能脱颖而出的一定是具有独门秘籍，也就是反常识的特点。在过去的工业时期和电子时期，确定性成为所有行业发展的主旋律。随着深度学习大模型的兴起，人工智能技术将社会带入一个不确定性的环境之中，当一个系统达到平衡的状态熵达到最大值，自动驾驶系统或者汽车智能化系统是一个不断熵增的过程，是一个固定的变化过程。这就说明，首先自动驾驶系统或者智能化汽车自身在一定区间内是无法达到一个熵的最大值，也就是整个系统只会增加复杂性而无法达到平衡态，更进一步说明在技术领域无论是纯视觉也好，还是多源传感融合也罢，始终无法达到行业所设想或者预期的效果；其次自动驾驶系统或者智能化汽车是作为物理世界表征计算的一部分，一定是需要外部的环境交互，这种交互不仅仅是需要系统感知和认知物理世界，还需要物理世界对系统的反馈，两者之间是有信息流的转换。目前行业内更多是单向的对物理世界表征进行计算，而缺少了物理世界对智能系统的反馈，智能化系统只是一个以人为核心的单向系统。不管是大语言模型体现出的智能还是汽车的智能，随着人工智能的大量应用，智能的表现形式是多维度，智能产品的功能也是多样化。在众多的智能化升级或者变革的潮流中，存活下来的企业或者发展路径具有一定的不可预测性。算力、算法和数据被认为是当前智能化行业的核心生产要素，也是创新创业的重要切入点。在算力、算法和数据之外更重要的是行业对智能化系统的认知或者说是对物理世界的认知过程。将物理世界表征计算精准化才是所有智能化产品的最大硬核，所有的智能化产品归根结底都是在解决物理世界表征计算的问题，由这个问题引发一系列的方法工具，例如人类在达尔文进化论的体系中不断的发展，进化出复杂的身体结构创造出社会关系，使用的关键工具就是语言和文字。所以在智能化时代，找到智能汽车的核心再利用方法和工具去解决问题，而不是利用已有的方法或者工具去创造问题。虽说，大争之世，不争则亡。但是一旦错了核心，亡的更快。
