過去，以機械為核心的產品時代，機械在“智能”方面的競爭力主要體現(xiàn)在對日常使用條件和復雜條件/工況的適應能力上。在這種情況下，所謂各種復雜使用條件就是今天我們說的所謂“場景”，而影響產品使用的則是導致這些場景出現(xiàn)的“事件”。只不過機械時代，產品對這些事件的響應往往是被動的，缺少預測的，機械的能力也主要體現(xiàn)在能否“扛得住”這些事件的影響。所以我們才會看到過去汽車評價指標中始終有一項“日常適宜性”的一級指標存在。

而到了如今以數字化驅動的智能時代，隨著軟件對硬件潛能的充分挖掘，汽車的智能開始呈現(xiàn)出越來越強的“主動性”，也就是對各種復雜事件更加主動的、帶有預測性質的響應。對比上述兩個時代，產品要做的事情都是提升自己的適應能力，但響應“事件”的方式和范圍卻有很大不同。

比如在機械時代，為了提升雨刷器對冬季嚴寒的適應能力，很多車輛會有一個雨刷器的“冬季位置”，也就是車輛熄火以后雨刷器會略微上抬一個角度。這樣就可以省去很多人冬季室外停車時自己動手把雨刷器抬起來的麻煩事。但這種功能以前是做不到“按需出現(xiàn)”的，雖然夏天這樣做也沒什么問題，但我們換一個案例就未必如此了。而且這些功能的邏輯都是基于我們對現(xiàn)有知識、用車場景和用車經驗的總結，而不是進化、可生長的，或者至少不會在用戶已經買到手的車輛上進化出來。

但如今到了數字智能時代，由于軟件可以對硬件的工作狀態(tài)做出更加復雜的設定和控制。與此同時，車輛底層的各種信號可以更加高效地相互通訊，車輛感知場景和事件的能力就會變得比以往更強。而一旦車輛自動識別場景和事件的能力變強了，自動響應這些事件的能力也就可以變得更強，也就有能力組合調用更多可以響應這些復雜事件的功能組合。因此我們可以這樣認為：“智能”的本質是車輛對各種復雜“事件”的響應能力。而且這種響應能力是自動的、主動的、帶有預測性質，并且不斷進化的。

如果沿著上述思路，我們再回過頭來審視車輛與用戶和場景的關系：車輛是由一個個功能組成的，場景是由一個個事件連接的，用戶在使用車輛時更好的體驗是由更準確的功能調用和順暢感受支撐的。于是，我們可以把功能定義為車輛擁有的，原子級別的執(zhí)行能力，這些能力是構成車輛的基本單元。如果我們把他們拆解至“原子級別”，他的數量是有限，并且是可以大致規(guī)范化的（所謂規(guī)范化就是把每個功能負責解決的問題定義清楚）。但這些原子層級的功能未必是用戶需要直接感知，更加不必是用戶需要直接調用的。因為這樣設定車輛使用的復雜度和學習成本都太高了，也無法做到良好的用戶體驗。

當車輛在一個個具體的場景中，響應一個個復雜事件的時候，這些功能是被組合調用的。因此用戶能夠感受到的實際上是這些功能組合，它們是由一個個原子級別的功能構建的分子級別的決定化學屬性的“物質”?；瘜W屬性恰恰就是用戶能夠感受到的部分。

在上述邏輯下，組合調用這些功能對車企提出了兩種更為復雜的能力：

1、 識別場景和事件的能力：要求車輛能夠有效使用各種復雜的傳感器或其他信號來源，有效組合這些條件變量，并且準確定義車輛正在經歷的“事件”。一方面這源自于車輛感知架構的設計，這些信號必須是可以充分打通、融合的。另一方面也要求車輛的算力足夠充分，可以快速把這些條件組合起來。

2、 對事件和功能組合調用的設定和積累、進化能力：這要求產品定義和開發(fā)人員首先必須掌握足夠多的場景和事件，以及這些事件下功能組合被合理調用的邏輯。此外，隨著產品的交付和使用，這種初始設定必須是可以被用戶檢驗、反饋，并且持續(xù)進化的。

上述這些能力背后實際對應著一套復雜的，但貫穿產品從誕生至迭代整個周期的更為復雜的數據架構。目前SoCar在持續(xù)推動的也正是這樣一個邏輯架構和數據架構。畢竟車輛原子級別的功能是有限的，但事件是無限的，隨著上述架構在真智能車上的持續(xù)進化，車輛的功能組合數量的增長會呈現(xiàn)出越來越清晰的指數函數特征。以后智能車最大的賣點（至少是之一）就在于合理的功能組合數量的多少。

返回第一電動網首頁 >