自動駕駛數據“上云”已成大勢所趨(qu)，那下一步是(shi)什(shen)么？
眼下(xia)，自(zi)動駕駛行業(ye)已經進入商業(ye)落(luo)地的下(xia)半場，路面上搭載各級(ji)別(bie)自(zi)動駕駛系統(tong)的車輛也是越來越多。
對于車企們(men)來說，落地交付不(bu)僅是對其多年潛心研發的一個認可，更(geng)要(yao)面臨量(liang)產所(suo)帶來的龐大數據量(liang)的挑(tiao)戰，而當下僅憑新建機房顯然并不(bu)劃算，數據存儲“上云”也(ye)就成為(wei)不(bu)二之選。
自動駕駛車企面臨巨大數據壓力
但隨著自動駕駛行業(ye)越(yue)(yue)來(lai)越(yue)(yue)“卷”，車企對(dui)云的(de)需求已(yi)不滿(man)足于(yu)僅數據存儲本(ben)身，像是(shi)感知模型訓(xun)練、仿真(zhen)測(ce)試、研發工(gong)具鏈(lian)等(deng)對(dui)智能汽車云的(de)需求也是(shi)越(yue)(yue)來(lai)越(yue)(yue)旺。
所以在這個時間節點，自動(dong)駕(jia)駛數據(ju)“上云”已經(jing)可以算(suan)是(shi)最低要求，自動(dong)駕(jia)駛研(yan)發“入云”才是(shi)關鍵。
那(nei)么，車企們眼(yan)前對(dui)云最(zui)大的需求是什么？云服(fu)務又如何(he)助力自(zi)動駕駛開發？智能車云未來該向(xiang)何(he)處(chu)發展？
近日，安(an)(an)永（中國(guo)）企(qi)業咨詢有(you)限公(gong)司(si)（下簡(jian)稱(cheng)(cheng)“安(an)(an)永”）與(yu)華為智能(neng)(neng)(neng)汽(qi)車(che)(che)解決(jue)方案BU合(he)作撰(zhuan)寫(xie)并發布了《從“上云(yun)(yun)“到(dao)“入云(yun)(yun)”，云(yun)(yun)服務(wu)賦(fu)能(neng)(neng)(neng)汽(qi)車(che)(che)產業智能(neng)(neng)(neng)網聯升級——智能(neng)(neng)(neng)汽(qi)車(che)(che)云(yun)(yun)服務(wu)白皮(pi)書》（以下簡(jian)稱(cheng)(cheng)《白皮(pi)書》）。
該《白皮書》也是第一本云服務應用在汽車行業智能汽車時代，核心業務核心應用上的白皮書。書中對目前自(zi)動駕駛開發、車(che)聯網等智能車(che)云服務應用場景(jing)進行(xing)了詳細解讀。
對此，車東西從(cong)這本(ben)《白皮書》中找(zhao)到了上述問題的答案。
一、自動駕駛要落地 數據“上云”只是第一步
如(ru)果把自動(dong)駕駛(shi)行業發(fa)展分成上下半場，那么(me)上半場就(jiu)是從(cong)零到(dao)一(yi)的(de)開發(fa)驗證(zheng)階段，而下半場就(jiu)是從(cong)一(yi)到(dao)多的(de)商業落地(di)階段。
在(zai)上(shang)半場(chang)競爭中，車企們(men)比(bi)拼的(de)是(shi)誰家自動(dong)駕駛系(xi)統算法更高效(xiao)，誰的(de)接管(guan)率更低。而在(zai)下半場(chang)中，比(bi)拼的(de)是(shi)誰交付規模最(zui)大、實(shi)際使用(yong)里程(cheng)最(zui)多(duo)。
畢竟，實踐(jian)是檢驗真理(li)的唯一(yi)標準，自(zi)動駕(jia)駛(shi)也是同理(li)。當(dang)下，各級別自(zi)動駕(jia)駛(shi)車輛越(yue)(yue)來(lai)越(yue)(yue)多，可行駛(shi)測試(shi)范圍越(yue)(yue)來(lai)越(yue)(yue)廣，應用場景也越(yue)(yue)來(lai)越(yue)(yue)豐富。
對于車企來說(shuo)，“車多路廣”固然是好事(shi)，但隨之產生(sheng)的海量數據就成(cheng)為一(yi)件新“頭疼事(shi)”。
通常來說(shuo)，在(zai)自動(dong)駕(jia)駛研發(fa)階(jie)段，如果(guo)按照10輛(liang)測試車，每(mei)年累計采集天數300天估(gu)算，單車每(mei)天可以產生10TB左(zuo)右的數據(ju)量，每(mei)年產生的數據(ju)總量達到(dao)30PB左(zuo)右。
而在(zai)商業落地(di)階段，雖然車(che)(che)輛(liang)不會像測(ce)試車(che)(che)那樣沒(mei)日沒(mei)夜地(di)跑，但車(che)(che)輛(liang)總(zong)數卻呈指數級(ji)上漲(zhang)。如果按照10萬輛(liang)車(che)(che)，每年累計采集天(tian)數300天(tian)估(gu)算，那么未來(lai)車(che)(che)企(qi)所面臨的(de)數據(ju)總(zong)量將會達到ZB級(ji)。
這里簡單(dan)介(jie)紹(shao)一下PB級和(he)ZB級間的換算關系(xi)，1ZB=1024EB，1EB=1024PB，而用(yong)我們(men)熟悉的TB單(dan)位(wei)來(lai)換算，1ZB約等于10億TB。車(che)企們(men)所面(mian)臨的數據壓力可想而知。
商用階(jie)段數據量(liang)將達ZB量(liang)級（圖片取自(zi)白皮書正文(wen)）
現階段，無論是從建設、運維成本還是信息安全來說，通過新建或擴容機房的方式顯然已經跟不上數據增長的速度。
“傳統的數據中心已經不能適應自(zi)動駕(jia)駛商用(yong)化的要(yao)求，“上云(yun)(yun)”是(shi)自(zi)動駕(jia)駛從開發到商用(yong)的必由(you)之路(lu)。”某高科技公(gong)司智能車云(yun)(yun)服(fu)務產品部(bu)總(zong)經理說(shuo)道。
由此可見，在自動駕駛商業落地下半場中，數據“上云”也就成為車企們的一大剛需，也成為決定其能否實現快速迭代的重要因素。
但是，海量數據(ju)不(bu)僅(jin)帶來(lai)了存儲難題，如何高效利(li)用和(he)處(chu)理又是另一大難題。
所以，數據“上云”只是第一步，而智能汽車云之于自動駕駛的意義也絕不是僅僅停留在滿足數據存儲本身。
二、感知模型怎么練 數據標注“入云”是關鍵
上文提(ti)到(dao)，自動(dong)駕駛行業正處于商業落(luo)地的(de)下(xia)半場，各家表面上拼的(de)是落(luo)地，是規模，是里程，但背后其實拼的(de)是快(kuai)速迭代能(neng)(neng)力、解決(jue)Corner Case能(neng)(neng)力。
也就是說，自動駕駛車輛的落地商用離不開持續而高效的算法迭代。
對自(zi)動(dong)駕駛(shi)算法(fa)迭代而言，感知模型訓練和仿真(zhen)測試又是重中之重，前者直接關乎自(zi)動(dong)駕駛(shi)系統(tong)的安(an)全性，而后者決定了自(zi)動(dong)駕駛(shi)系統(tong)能否實現快速迭代。
但根(gen)據部分車企的研發人(ren)員反饋，感知(zhi)模型(xing)訓練(lian)和仿真(zhen)測試(shi)卻也是整個(ge)自動駕駛研發過程(cheng)中的兩大(da)痛點。
自動(dong)駕(jia)駛相關高頻痛(tong)點場景（圖(tu)片(pian)取自白皮書正文）
首先是(shi)(shi)感(gan)知(zhi)(zhi)模型(xing)訓練。眾(zhong)所周知(zhi)(zhi)，自動(dong)駕駛(shi)(shi)系統在感(gan)知(zhi)(zhi)層面與(yu)人(ren)類(lei)駕駛(shi)(shi)員類(lei)似，都是(shi)(shi)通過各種傳感(gan)器對外(wai)部環境進行(xing)感(gan)知(zhi)(zhi)，前者靠(kao)攝(she)像頭、激光(guang)雷達、毫(hao)米波雷達，人(ren)類(lei)駕駛(shi)(shi)員靠(kao)的是(shi)(shi)眼睛、耳朵甚(shen)至是(shi)(shi)鼻(bi)子(zi)。
并且，對(dui)于(yu)自動(dong)駕(jia)(jia)駛(shi)(shi)系統和(he)人類駕(jia)(jia)駛(shi)(shi)員來說(shuo)，都是看到相對(dui)容易，辨別(bie)是什么更(geng)難。
自動駕駛感知方案
所以，感知模型(xing)訓練就(jiu)成為自(zi)動駕駛研發過程中最基礎(chu)的一(yi)部分也(ye)是最重要(yao)的一(yi)部分。
畢竟只有看(kan)清了(le)，認出是什么了(le)，才能進行規劃和(he)決(jue)策。
具體來(lai)說，感知模(mo)型訓練(lian)按(an)照流程(cheng)可以劃(hua)分為五大環節(jie)，分別為數(shu)(shu)據存儲、數(shu)(shu)據預處理、難例挖(wa)掘、數(shu)(shu)據標注以及(ji)模(mo)型訓練(lian)。
自動駕駛研發關鍵控制點
而在(zai)這五大(da)環(huan)節中，數據標注又是最耗(hao)時耗(hao)力的一環(huan)，讓一眾車(che)企(qi)直呼“頭疼”。
數據(ju)標(biao)(biao)注是(shi)(shi)指通過(guo)人工(gong)(gong)以及智能化工(gong)(gong)具，對傳(chuan)感器(qi)所捕捉的(de)圖像(xiang)、視頻、路牌文本等(deng)各類別(bie)信息進行目標(biao)(biao)檢測(ce)和(he)識別(bie)。簡(jian)單來說(shuo)，數據(ju)標(biao)(biao)注就是(shi)(shi)把圖像(xiang)（點云、相機）中的(de)信息逐一標(biao)(biao)出來，是(shi)(shi)一個簡(jian)單但對精(jing)度、效率要(yao)求極(ji)高(gao)的(de)工(gong)(gong)作。
數據標注
所以，當人(ren)類(lei)在(zai)處理這項工(gong)作(zuo)時，就(jiu)難免(mian)會出現數(shu)據篩(shai)選耗時、人(ren)工(gong)標(biao)注返工(gong)率高、數(shu)據格式不(bu)統一等(deng)問(wen)題，也就(jiu)使得整(zheng)體標(biao)注效率比(bi)較低。而國外某自動駕(jia)駛車(che)企也曾為(wei)了提(ti)升數(shu)據標(biao)注效率，因(yin)此(ci)減少人(ren)工(gong)標(biao)注的比(bi)例。
既然人工(gong)效率(lv)低，那么用AI進行數據標注呢？
通過AI對數據進行標(biao)注，雖然(ran)解決了人(ren)工(gong)的(de)效率問題，但是數據積累的(de)深度、廣度都(dou)會直接(jie)限(xian)制及(ji)影(ying)響AI的(de)學習能力(li)，且基礎算法模型的(de)算力(li)亦(yi)難以(yi)承(cheng)擔日益增長(chang)的(de)數據量。
所以，像自動駕駛感知模型這種訓練數據體量大、算法精度要求高、訓練效率要求快的工作，就更適合采用汽車云服務進行數據處理。
相較于人工與(yu)本地(di)AI訓(xun)練的(de)數據(ju)處(chu)理(li)能力，汽車云服務憑(ping)借超強算力、高效精準(zhun)的(de)智能化策(ce)略優勢，可(ke)以有效緩解(jie)自動駕駛數據(ju)處(chu)理(li)過程中出(chu)現的(de)各(ge)類(lei)難(nan)題與(yu)挑戰(zhan)。
《白皮書》提到高等級自動駕駛在港口、礦山等封閉場景中商用落地的節奏早于乘用車，而且汽車云服務也會在這些行業應用場景中發揮“云上大腦”的巨大價值。以礦區無人駕駛為例，汽車云(yun)服務對感知模型的訓練起到了至關重(zhong)要的作用。
無(wu)人駕(jia)駛(shi)(shi)卡車(che)(che)在(zai)礦區內經常(chang)會遇到非結構化路面、隨機(ji)落石、異形車(che)(che)輛等(deng)情況，并且礦區還存在(zai)飛塵、揚土(tu)等(deng)惡(e)劣環境。這對于自(zi)動駕(jia)駛(shi)(shi)系統研(yan)發來說，非常(chang)考(kao)驗數據(ju)標注的準(zhun)確(que)度和模型訓(xun)練(lian)的效率，而汽車(che)(che)云服務通過高效的數據(ju)處(chu)理、難例挖(wa)掘、自(zi)動標注、模型訓(xun)練(lian)等(deng)能力，可以(yi)快速幫助(zhu)無(wu)人駕(jia)駛(shi)(shi)卡車(che)(che)適應礦區復雜的作業環境，降(jiang)低接管率，提升無(wu)人化作業效率。
華為自動(dong)(dong)駕駛(shi)云服(fu)務可以通(tong)過(guo)從難例挖掘(jue)，到數(shu)據送(song)標(biao)，再到增量訓練(lian)自動(dong)(dong)流(liu)水線，最終實現標(biao)注算法精度排名第(di)一。
從數據上來說，本地AI訓練數據處理的效率較人工提升3～4倍，而依托云端的更高算力和更多的經驗積累，汽車云服務數據處理的綜合處理效率提升10倍以上，數據處理成本較人工降低50%。
自動駕駛研(yan)發(fa)數據處理(li)發(fa)展歷程
綜上來看，在自動駕駛研發數據處理方面，汽車云服務的優勢正在逐漸凸顯。不僅可(ke)(ke)以有效識(shi)別高價值數據，優(you)(you)化(hua)存(cun)儲空間(jian)，加速(su)難例(li)挖掘(jue)，還(huan)可(ke)(ke)以深度(du)學習實現自(zi)動標注能(neng)力(li)提升，優(you)(you)化(hua)標注算法效率與精度(du)，降低數據處理成(cheng)本(ben)。
三、要想快速迭代 仿真測試需要云來幫
在解決了(le)數(shu)據處理難題后，對于在自動駕駛持續投入的車企們來(lai)說，要想實現快(kuai)速(su)迭代，海量測(ce)試(shi)必(bi)不(bu)可少(shao)。
行業(ye)普(pu)遍觀(guan)點認(ren)為，自(zi)動駕駛(shi)系統至少(shao)需(xu)要100億英里(li)(li)（約(yue)合161億公(gong)里(li)(li)）的試(shi)(shi)駕數據，以(yi)確(que)保車(che)輛上路的行駛(shi)安全，但顯(xian)然僅憑(ping)測試(shi)(shi)車(che)“沒日沒夜”地跑(pao)難(nan)以(yi)完成。
所以，仿真測試也就成為自動駕駛研發的重要環節，也是必經之路。
據統計，在(zai)仿(fang)真測(ce)(ce)(ce)試(shi)中，車企主要面臨四大(da)挑(tiao)戰，分(fen)別(bie)為(wei)場(chang)(chang)景(jing)庫(ku)覆蓋(gai)度不足，行業間格式互(hu)不兼容；仿(fang)真測(ce)(ce)(ce)試(shi)所涉里(li)程數大(da)，場(chang)(chang)景(jing)類別(bie)多且耗時長；仿(fang)真測(ce)(ce)(ce)試(shi)與實(shi)車路測(ce)(ce)(ce)偏差(cha)大(da)，置信度低(di)；仿(fang)真評價體系不完(wan)善(shan)，反饋效果差(cha)。
自動駕駛仿(fang)真測試體系
并(bing)且，仿真測試對(dui)技術團(tuan)隊能力要求(qiu)較高，要兼具(ju)多種(zhong)交叉學科的(de)專業(ye)技能，對(dui)業(ye)務融合程度的(de)要求(qiu)也(ye)更高一個層級，遠超自動駕駛研發的(de)其(qi)他業(ye)務環節。
上述這些(xie)挑(tiao)戰(zhan)和問題，也就(jiu)促發了仿真測試“入云”的迫切需求。那仿真汽車云又(you)能(neng)解(jie)決什(shen)么問題呢(ni)(ni)？又(you)是怎么解(jie)決問題的呢(ni)(ni)？
首先，仿(fang)真(zhen)(zhen)(zhen)(zhen)(zhen)汽車(che)云(yun)服務通過構(gou)建開放場景庫(ku)，幫助仿(fang)真(zhen)(zhen)(zhen)(zhen)(zhen)場景庫(ku)更為標準與全(quan)面。其次，憑(ping)借云(yun)端大(da)規模(mo)(mo)并(bing)行(xing)仿(fang)真(zhen)(zhen)(zhen)(zhen)(zhen)的(de)強大(da)算力及高并(bing)發處(chu)理(li)能力，將單(dan)線模(mo)(mo)式轉變(bian)成并(bing)發模(mo)(mo)式，支持多(duo)場景下同時完(wan)成多(duo)個仿(fang)真(zhen)(zhen)(zhen)(zhen)(zhen)任務，大(da)大(da)提升了仿(fang)真(zhen)(zhen)(zhen)(zhen)(zhen)效率。
而至于仿真測(ce)試(shi)與實車(che)路測(ce)偏差(cha)大(da)的問題，仿真汽車(che)云服務可(ke)以集(ji)成計算機(ji)軟(ruan)件、車(che)輛動(dong)力工程、交通等多領域專業能(neng)力，從微觀到宏觀提高仿真測(ce)試(shi)逼真度。
最后(hou)，在仿真測試(shi)評價(jia)(jia)方面，汽(qi)車云服務(wu)基于汽(qi)車行業(ye)經驗并結(jie)合場景(jing)庫(ku)，能為仿真測試(shi)過程提供(gong)多維且(qie)全面的評價(jia)(jia)指標體系(xi)，支持不同車企、不同發展階段評價(jia)(jia)指標的定(ding)制化(hua)(hua)服務(wu)，加速仿真測試(shi)的算法迭(die)代與(yu)場景(jing)庫(ku)優化(hua)(hua)。
所以總結來看，對于整個自動駕駛云服務來說，高質量的仿真測試體系就像皇冠上的明珠，極具代表性地體現出自動駕駛研發“入云”的價值。而在數據處理和仿真測試這兩大自動駕駛研發的關鍵控制點中，智能汽車云的作用已不可小覷。
對于涉足自動駕駛的車企來說，如今智能汽車云的重要性已經與傳感器、計算平臺、整車制造旗鼓相當，并已經成為在商業落地下半場中降本增效的秘密武器。
四、研發效率怎么提 工具鏈貫通是重點
當(dang)感(gan)知模型訓(xun)練和仿真測試的效(xiao)率(lv)得(de)到改(gai)善后，那么是否就意味著(zhu)整(zheng)個(ge)自(zi)動駕駛研發流(liu)程的效(xiao)率(lv)可以(yi)整(zheng)體提升呢(ni)？
答案是否定的。
舉例來說，某(mou)車企就曾在自動駕駛研發過程中，由于在不(bu)同階段使用的各項工具零散，數(shu)據處理(li)格(ge)式(shi)不(bu)一，導致開發模型迭代需(xu)要2個月(yue)，效(xiao)率低下且成本高。
這也就意味著，僅單一研發流程的效率提升，而沒有一個完整的自動駕駛研發工具鏈，并不能讓整體研發效率得到有效提升。
最(zui)后的結果(guo)很有(you)可能是1+1
所以，對于車企來說，一個全棧端到端的自動駕駛研發工具鏈也就至關重要。
某汽車技術中心高(gao)級總監表示，傳統車企要從(cong)原本(ben)的(de)車端的(de)這種瀑布式的(de)系統集成開發模式向云管端一體(ti)化的(de)敏(min)捷式場景集成開發模式轉型。
無獨有偶，云服務從底層處(chu)理能力上來說，更容易幫助(zhu)自動駕駛(shi)研發工(gong)(gong)具(ju)(ju)鏈實現(xian)數據(ju)閉(bi)環，并構建(jian)一套(tao)覆蓋數據(ju)采集、存儲、處(chu)理、標(biao)注、模(mo)型訓練、仿真、評(ping)測等一系列自動化開(kai)發工(gong)(gong)具(ju)(ju)鏈。
而(er)對于車企(qi)來說，當擁(yong)有了智能汽(qi)車云(yun)加持(chi)的研發工具(ju)鏈(lian)后，也(ye)就能夠全鏈(lian)打通(tong)的“端(duan)到(dao)端(duan)”開(kai)(kai)發流程，大幅降(jiang)低開(kai)(kai)發成本(ben)，提升(sheng)系統(tong)迭代(dai)和運(yun)維效率。
“端(duan)到端(duan)”工具鏈賦能(neng)自動駕(jia)駛(shi)研發過程降(jiang)本增效
從數據(ju)來看，這(zhe)種“端(duan)到端(duan)”的(de)自動駕駛研發(fa)工具鏈可以幫(bang)助車企節(jie)省50%的(de)綜合(he)開發(fa)成本，提升60%的(de)綜合(he)運維效率。
結語：車企與云服務商正雙向奔赴
那(nei)么，除了可以在自動駕(jia)駛研發上面大顯身手(shou)外，智能汽車云服務(wu)還有什么應用場(chang)景呢(ni)？
其實，除了上述提(ti)到(dao)的3大場景外，智能汽車云服務已悄然(ran)在車輛全(quan)生命周(zhou)期展(zhan)開。
目前，在車(che)輛全(quan)生命周期內共有9大汽車(che)云(yun)服務(wu)(wu)的新增場(chang)景，以(yi)及21個更細維度(du)的具體(ti)(ti)應用場(chang)景，具體(ti)(ti)包括研發(fa)、銷售、使用、售后服務(wu)(wu)、其他(ta)衍(yan)生服務(wu)(wu)等方面。
汽車云服務在智能網聯車的應用場景展望(wang)
總而言之(zhi)，智(zhi)(zhi)能汽(qi)車云已經(jing)成為智(zhi)(zhi)能網聯汽(qi)車行業中不可或缺的一部分，正助力數(shu)據(ju)在業務應用(yong)中發(fa)揮出最大價值，并為車企在研發(fa)到(dao)商用(yong)的進程中降本增效。
而車企們(men)也正與(yu)云廠(chang)商(shang)大踏步(bu)地走向業務層(ceng)面(mian)合作的深水區，形式上逐漸形成雙向賦(fu)能(neng)的良好態勢，在智能(neng)網聯的升(sheng)級道路上攜(xie)手并進。
“本次白皮書(shu)，安永與(yu)華(hua)為智(zhi)能(neng)汽(qi)車解決方案BU共(gong)(gong)同合作，深入分(fen)析具有高云價值且呈現階躍式增長(chang)潛力的(de)智(zhi)能(neng)汽(qi)車云服務(wu)應用場(chang)景(jing)(jing)，從(cong)各(ge)場(chang)景(jing)(jing)的(de)發展(zhan)階段著手，探索(suo)相關玩(wan)家(jia)當前發展(zhan)所面臨的(de)挑戰(zhan)，逐(zhu)一剖析汽(qi)車云服務(wu)對于(yu)各(ge)領域的(de)價值。在智(zhi)能(neng)化(hua)、網聯化(hua)的(de)大環境下(xia)，期(qi)望車企及智(zhi)能(neng)網聯各(ge)玩(wan)家(jia)不僅能(neng)構筑屬(shu)于(yu)自己的(de)差異(yi)化(hua)競爭優(you)勢，更是可以加速(su)開放(fang)合作，攜(xie)手共(gong)(gong)建盛世繁榮的(de)汽(qi)車生態。”
——安永大中華區(qu)先進制造與移動出行主管合伙人 葉亮(liang)
“這本(ben)白皮(pi)書以訪談(tan)、調研、實踐為支撐(cheng)，真實客(ke)觀、系統全面地闡述了(le)(le)云(yun)(yun)(yun)服(fu)務賦能(neng)(neng)智能(neng)(neng)網(wang)聯(lian)汽車(che)的(de)(de)價值、場(chang)景，回答了(le)(le)大家所關注的(de)(de)需(xu)不需(xu)要云(yun)(yun)(yun)，哪(na)里需(xu)要云(yun)(yun)(yun)的(de)(de)問題，對車(che)企和(he)車(che)云(yun)(yun)(yun)服(fu)務商也提(ti)出了(le)(le)中肯的(de)(de)建(jian)議，是具有指導意義的(de)(de)。我(wo)們(men)相信，隨著智能(neng)(neng)網(wang)聯(lian)汽車(che)商業化(hua)規模上量，車(che)云(yun)(yun)(yun)服(fu)務在自動駕駛、車(che)聯(lian)網(wang)應用等領(ling)域帶來的(de)(de)價值將更為顯著，將為消(xiao)費者提(ti)供更豐富的(de)(de)業務體驗。”
——華為智能車云領域(yu)總經(jing)理 廖振欽
版權聲明: 本文內容來源于網絡，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容，請聯系我們，一經查實，本站將立刻刪除。
