汽车一直给人的感觉是机械、力与美的有机结合体,和软件似乎并没有什么太大的关系。而伴随着新科技、新能源技术的脚步临近,汽车已经变了。通过液压及油路控制的刹车与油门,已经开始被电路接管,辅助驾驶的转向助力也变得可以自动控制汽车的方向。就连汽车的车身结构设计,也不再需要通过一次次的碰撞进行验证。周身被科技包裹的汽车,开始由软件来进行定义。
那么当前的软件定义汽车又在面临着什么样的机遇与挑战?我们又是如何在汽车行业中用软件重塑汽车开发体系?由软件定义的汽车安全又将如何去进行保障?针对这些问题,在2022 MathWorks 中国汽车年会上,MathWorks中国区汽车技术经理董淑成向我们进行了详细的解答。
MathWorks中国区汽车技术经理董淑成
软件定义汽车的机遇与挑战
当前,汽车行业正在经历第二次的数字化转型。第一次数字化转型时,是用软件来提升硬件。最早起始于软件对发动机的控制,解决发动机排放问题。随后是和安全相关、和性能相关的一些零部件,也开始通过软件提升硬件、软件叠加电子电器硬件的方式去提升车的性能。
在这个阶段,很多利益相关方没法进行有效的沟通,有效的评审。在实现过程中发现问题比较晚,导致修复成本很高。还有一个最大的问题是汽车工程师多数对于开发软件相对比较生疏,导致开发软件非常困难。
因此在20年之前这个时间点上,汽车行业将基于模型设计技术引入到软件开发过程,把整个开发体系进行了提升。使用模型的方式、图形化的方式去构建算法,在Simulink平台上做仿真测试,将图形化的算法自动的转成代码,大大降低了软件开发门槛。可以让工程师从事汽车行业的软件开发。这是第一次数字化转型。
软件定义汽车则是第二次数字化转型。当前很多人预期未来汽车比手机多了四个轮子,也要提供各种应用功能。未来汽车会更加环保、更加安全,可能具有自动驾驶、高级辅助驾驶等功能,可以解决安全的问题,可以有更好的数字化体验。
这种客户预期也带来电动化、智能化、网联化的技术变革,很多车企正在向着这个方向转型。甚至很多车企CEO都在一些公开场合说他们公司已经变成了一个软件公司。这正是汽车行业正在经历的第二次数字化转型。
这次数字化转型,对汽车行业的开发体系产生很大挑战。需要将系统工程这个概念真正地引入到汽车行业,并且要有快速交付高品质软件的能力,通过数据优化车的性能,将深度学习这类技术方法引入到汽车开发中,从而将虚拟车辆的概念真正落实到汽车行业,能够通过大量数据去优化汽车性能,实现模型高度仿真。这里边涵盖了系统、软件、数据的叠加,从而形成一个数字虚拟化车辆。这就牵涉到需要用什么方法、去优化算法,去快速交付软件。
MATLAB为软件定义汽车赋能
为了应对汽车行业的第二次数字化转型需求,MathWorks向汽车企业提供出整合系统、软件和数据的软件定义汽车解决方案。
首先,在系统层面,提供了基于模型的系统工程方案——MBSE。可以让车企不只是局限通过软件实现某些零部件的开发,而是实现汽车的整体设计。目前奔驰、博世、福特在用其实现系统架构设计。

其次,是提出软件工厂的概念。软件工厂能够提供一个持续快速交付高质量软件产品的能力。现在车上软件比重非常高,同样对于车的软件开发、交付也提出了非常高的要求。软件工厂可以实现汽车企业V模式和敏捷开发过程间的融合。
第三,开发运营,DevOps。一边开发一边运营,在运营过程中收集到数据,反馈给开发,开发不停迭代软件。这个过程对于MathWorks来讲也是在不同的环节把MATLAB软件运用到开发过程里面。
此外,MathWorks还向汽车企业提供了数据驱动与虚拟车辆仿真方案,协助提取数据特征,实现数据建模,并用人工智能算法进行训练和部署。MathWorks还提供了RoadRunner仿真环境等工具软件,帮助自动驾驶开发工程师构建接近真实的虚拟场景。
MathWorks一直是汽车行业可靠的合作伙伴,在此次活动上,也从软件开发体系角度给出了一些建议如下。
我们要集成系统工程和软件开发这样一个能力,系统工程以前在汽车行业做的比较少,现在是必须要做了,因为我们的软件越来越复杂,系统也越来越复杂。第二个,要融合敏捷开发的方式到软件开发里面。汽车软件开发以前讲的更多的是确定性,V字型开发模式,现在越来越多车企开始考虑敏捷开发。我们要提前考虑云这些解决方案,云部署。比如说在云上一辆车,地上一辆车。这两辆车同步做一些数据的优化等等。
总而言之,MathWorks希望协助汽车企业通过标准化、自动化的方式搭建适合自身需求的软件工厂,使其可以快速、高品质的实现软件定义汽车目标。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。