算法方面，特斯拉引领了 BEV、占据网络以及数据闭环端到端等自动驾驶技术 研发，并且开发了高度真实的仿真平台，兼具 WorldSim 和 LogSim 仿真能力。 Waymo 的主要优势之一在于可依托 Google 在全球的用户网络，通过用户的 机器人验证进行道路交通对象数据标注，帮助 Waymo 建立高质量数据集。此外， Waymo 还通过高保真模拟驾驶环境用于补充真实世界的数据。 架构制造和开发商的身份介入智能驾驶领域开展系 统研发，提供计算平台、系统框架、仿真生成等多种智能驾驶基础功能服务，并 与奔驰等企业达成合作，竞争优势显著。除此之外，其他国外智驾供应商相对于 国内企业，其主要优势仍然在于算力资源获取上，数据方面从公开信息上来看并 未具有显著优势，算法层面也未有突出领先优势。行业合力方面，GAIA-X 和 Catena-X 等项目为智能驾驶领域的数据信息沟通和资源交换奠定了良好基础。 部认为路侧感知数据对提升智驾模型性能十分有效。 高价值数据占比。从所拥有的数据量来看，我国整车企业及智驾供应商的已 有数据中，Corner Case 数据的占比在 5%以下。 数据使用成本。总体来看，成本较高环节在于标注以及采集/获取。 数据共享问题。针对限制智能驾驶数据共享的主要原因，受调单位认为最大 的阻碍来源于各企业和机构之间的数据格式标准不统一，其次是敏感数据的合规 智能驾驶智算数据平台发展研究报告

造价值，哪些环 节成为瓶颈，进而在关键痛点处优先引入“小、轻、快、准”的模块化数字化方案。模块之间犹如 积木，可以先局部搭建，再逐步连接，最终形成一个系统性的新型制造体系。 这种方法的核心价值在于：它避免了“一刀切”的大投入，也克服了“零散化”的盲目尝试；它 强调根据企业发展阶段、市场环境和竞争压力，因地制宜地设计转型路径；它既帮助企业解决当 下的生产效率与成本压力，又为未来的全球价值链升级预留空间。 SMEs，NGMS-SME）。这一系统不仅仅 是对现有工艺流程的数字化改造，更强调通过平台化方式沉淀和复用能力模块，以支撑企业快速 应对市场和客户的变化。 很多中小制造企业未能做到与时俱进，问题的根源不在于员工或设备，而是在于我们缺少一 个现代化的“作战指挥系统”。 新型制造系统具有几个显著特征： • 轻量化与模块化：中小制造企业可以从关键痛点环节切入，逐步积累数字能力，而非一 次性投入巨资建设庞大 导致成本上升与质量风险，压低成本又可 能拖慢效率、影响品质。企业只能在三难中艰难取舍，难以形成稳定的生产节奏。 “黑箱”根源在于企业缺乏完整的“数据积木”，关键业务未实现数字化建模，排产依赖经验而 非模拟，需求预测与市场脱节。各部门犹如在黑暗中分散作业。破解之道在于以数据驱动实现从 “估算”到“精算”，从“黑箱”到“可视”，以及从“被动响应”到“主动调控”的转变。 ​决策智能化​ 发展可持续化​

理为主的阶段、统计机器 学习，以及近年来迅速发展的生成式人工智能，而后两者又同样基于数据驱动。随着技术的演进，人工智能变 得越来越像人类智能，其与社会科学的关系也不断发生变化。其背后的驱动因素，在于人工智能的数据表达能 力和泛化性能逐步增强。 最早期基于符号推理的人工智能对于社会科学的影响可以说是微乎其微。这主要是因为知识必须由人类 专家预先写入，然后让机器根据由数理逻辑确定的算法进行机 2017)，等等。 统计机器学习尽管丰富了社会科学家的统计工具，对于社会科学家在统计分析之外的工作流程却影响有 限，对思想创新作用更是微乎其微。究其根本原因，一方面在于社会科学家工作任务流的多样性灵活性，另一 方面也在于它们只能拟合数据而无法捕捉概念。然而，随着深度学习的提出，人工智能模型所能表达的内容 越来越不局限于整理好的表格数据，而开始掌握复杂序列当中的规律。例如在生物学中，蛋白质的结构和基 品。这种交换行为似乎促进了财富的积累。” 尽管这种描述看起来很符合逻辑，但它仍然不能称之为理论。事实上，在亚当·斯密之前的哲学家，例如古希 腊的色诺芬，早就已经观察到了劳动分工的现象。亚当·斯密作为社会科学家的贡献，就在于他将上述关联的 2 人工智能时代的社会科学家 8 总结，升华为了关于劳动分工和市场交换的理论，实现了 AI 无法企及的认知飞跃。 一个理论一般包括几个高度抽象、具有普适性且被社会科学家赋予了意义的概念，以及这些概念之间的

按资产属性和技术属性分类 如果从资产属性和技术属性两个维度对数据资产进行 分类。从资产属性看，可分为传统资产的数字化与线上数字 内容的资产化。从技术属性看，可以分为非代币化资产与代 币化资产。其中，代币化是指将存在于传统账本上的金融或 实际资产的所有权记录到区块链可编程平台上的过程。 （三）数据资产的关键特性 数据资产的独特价值，源于其一系列区别于传统资产的 关键特征。深入理解这些特征，对于制定有效的数据战略、 据作为独立资产进行确权、流通和交易，通过交易、抵押、 融资等方式实现从数据资源向数据资产的跃迁，最终完成价 值变现。 当前数据资产化仍处于探索阶段，尚未形成统一认知。 一方面受限于制度和技术条件，另一方面在于数据资产评估 缺乏共识，价值认定存在分歧，尽管已有数据资产评估的国 家标准出台，但推广应用仍需加强。要实现数据资产的社会 化流转，还需增强社会对数据资产价值的认可度。 （二）实施路径 9 单响应周期缩短 50%，不入库率达到 65%，成衣生产周期缩 短 36.6%，产能提升 50%。 14 五、数据资产驱动制造业数字化转型 （一）数据资产是制造业企业数字化转型的基础 数字化转型的核心在于利用数字技术和数据资源，重构 业务流程、客户体验与商业模式，以提升效率、增强竞争力 并推动创新。数据资产作为信息和知识的关键载体，是企业 数字化转型的基础，而且高质量、结构化、可治理的数据资

年以后引入 OBD技 术， 04 年之后，汽车发达国家的 OBD技术进入第三个阶段。 欧洲和美国在 OBD检测的项目和限值方面， 存在一定差别， 美国 OBD监控的 目的在于成为高排放标准车辆之前发现故障； 欧洲 OBD监控的目的在于发现高排 放车辆。我国导入的 OBD技术，将在三个阶段以后等效采用欧洲 OBD系统的相关 规定。 欧 III 排放标准并不等于 OBD，12 月 1 日北京实施的加装

具身智能的定义与内涵 具身智能是指具有物理本体的人工智能 agent（如 机器人、无人机、智能汽车等）通过物理实体与环境实 时交互，实现感知、认知、决策和行动一体化的智能系 统 ［8］。其核心理念在于强调智能的本质必须通过物理 实体与环境的动态互动来塑造和体现，突破了传统人 工智能仅依赖符号推理和虚拟计算的“离身性”局限。 具身智能的智能体能够利用自身的传感器感知周围 环境的信息，通过对这些信息的理解和分析做出决 对问题的求解和决策；这些处理和分析都是在计算机 虚拟空间进行的，解决的问题也集中在抽象和虚拟问 题 ［9］。然而，这种方式往往缺乏与真实物理世界的直 接交互，难以应对复杂多变的现实环境。相比之下， 具身智能的优势在于其能够让人工智能通过物理实 体与环境进行实时交互，在交互过程中不断学习和适 应环境变化，从而具备更强的环境感知能力、决策能 力和行为能力 ［10］。具身智能能够将感知、认知和行动 紧密结合，形成一个闭环的智能系统，使智能体能够 焊接区），此类系统的视觉传感器易受干扰导致可用 性下降；对于柔性工件（如布料），触觉反馈缺失可能 导致抓取变形率超标。因此，当前行业正从“感知— 执行”向“全流程自主作业”跃迁，核心突破点在于在 单一工序中实现类人决策能力，实现从“局部优化”到 “全局智能”跃迁。 5 具身智能的未来趋势 5.1 自主学习与泛化能力提升 未来具身智能将通过大模型与强化学习等技术 的深度融合，进一步提升自主学习和泛化能力。智能

siemens.com.cn/automotive 2 交通运输业正在处于变革的浪潮高峰：环境因素影响着越来越多的消费者的购买决定 - 尤其是在购买新车时。现在，越来越多的消费者选择购买电动汽车。原因在于，即使考 虑到电池生产和电力消耗，电动汽车的二氧化碳排放仍比内燃机低得多。 因此，今天，整车制造商和零部件供应商不再怀疑新能源动力譬如氢或电是否会取代内 燃机，而是关心何时必须完成这一过渡，及如何尽可能顺利地过渡。 专家表示，如果合作不仅仅在财务方面，而是在全方位技术 推动上，那么，这种合作就是最有意义的。 未来，知识开发和交流将不再仅仅关乎汽车企业研发部门， 而是将成为企业整体成功和跨部门成功的决定性因素。 因此，要诀在于合作，而非对抗。 数字解决方案为实现这一目标铺平了道路。数字解决方案促 进了跨地区合作、加快了创新步伐、缩短了上市时间。 例如，现代产品生命周期管理（PLM）系统确保所有相关开 发人员均可访问同事的设计软件和流程计划。 40%9。 汽车制造商的销售回报率（尤其是最初高电池成本导致的） 可能平均下降 2 到 3 个百分点 10。 因此，现在优化成本变得更加重要了，但决不能以牺牲急需 的新技术投资为代价。 问题在于，要通过工业标准和自动化生产流程，提高整体 效率。 与此同时，业界正在撸起袖子加油完成这项任务：大约 70% 的制造商将智能工厂计划列入了议程。 几乎两家供应商中就有一家（44%）计划在未来五年内建立

仅是解放人类的双手，更是在于安全、高效地重构未来 出行方式与提升社会运行效率。通过构建安全无障碍出 行体系，推动碳减排目标落地，并革新城市治理的智慧 化路径。只有当技术创新深度融入安全的框架，并根植 于创造社会价值，才能让科技成果转化为普惠民生的发 展动能，让每一条道路都通向更美好的安全出行图景。 技术突破是根基，安全落地是底线。自动驾驶技术的核 心在于构建全域要素深度融合的智能系统。需要在感知 完 全 自 动 驾 驶，fully automated driving）系统可支持完全无人驾驶，能够 在任何范围下自主执行所有动态驾驶任务。 2 级驾驶自动化与 3 级驾驶自动化的核心差异点在于责 任主体、系统能力和驾驶员状态监测三个方面，如表 1-2 所示。2 级车辆能够同时自动进行持续的横向和纵向控 制，即车辆具备自动加速、减速以及转向等功能，但驾 驶员仍需时刻保持注意力，对车辆进行监督，并在必要 是保障智能驾驶产业稳健前行的根基。 汽车智能驾驶技术及产业发展白皮书 08 第二章 智能驾驶技术架构与关键能力 第二章 智能驾驶技术架构与关键能力 当前，汽车智能驾驶行业中存在技术过度化营销的现 象，其核心症结在于技术参数的片面传播与系统价值的 认知错位。一是算力参数的孤立化传播。智能驾驶系统 的成熟度更取决于算法迭代能力、数据闭环体系、功能 安全设计等深层技术要素的有机融合，算力硬件作为基 础支撑平

表现为四个特征 ：海量的数据规模、 快速的数据流转和动态的数据体系、多样的数据类型、 巨大的数据价值。企业可以根据需求对大数据 进行处理和分析 ，从而挖掘其价值。大数据的核心价值体现不在于数据的数量大，而在于数据的质量 高 ，因此数据质量管理正是大数据价值得以实现的必经之路。。 大数据时代的价值基础核心 长 期 稳 定 项目、供应商、物料、产品、客户、组织、人员、财务科目、

Transformer 模型 ChatGPT 取得成功的另一个关键 ，是使用了 Transformer 模型。该模型采用自注意力（ self-attention ）机制 ， 其 优点在于并行度高 ，可一次性处理所有输入数据 ，使 ChatGPT 能对词语序列的概率分布进行建模 ，利用上下 文 信息预测后续词语出现的概率分布。 ChatGPT 成功关键之二：新模型 CNN 模型只能对标注过的物体 系统能够完成所有环境条件下的所有驾驶任务 自动驾驶是过去 10 年最火热的赛道 ，但直到 2022 年才有部分企业推出具备 L3 级功能的车型。究其原因， 除法 规发展落后于产业发展外 ，很重要的一点在于自动驾驶系统积累的数据量还不够 ，存在安全隐患。 SAE 对自动驾驶的分级标准 自动驾驶近年来一直未能进入 L3 时 代 资料来源： SAE J3016-