智能驾驶智算数据平台发展研究报告 2025 年 8 月 I 发起单位 中国汽车工程学会人工智能分会 中国智能网联汽车产业创新联盟人工智能工作组 联合牵头单位 清华大学 北京工业大学 国家智能网联汽车创新中心 北京万界数据科技有限责任公司 参研单位 中国软件评测中心（工业和信息化部软件与集成电路促进中心） 智能驾驶智算数据平台定义及预期功能 ............................................................... 1 1.1 智能驾驶智算数据平台定义 ..................................................................... 1 1.2 行业级智能驾驶智算数据平台预期功能 行业级智能驾驶智算数据平台预期功能 ................................................. 2 2 智能驾驶智算数据平台发展现状分析 ................................................................... 2 2.1 国外现状分析 ..........................................

需求从标准化产品转 向千人千面的个性化体验，我们的 IT 系统正面临前所未有的考验。 传统业务模式下的 "烟囱式" 系统架构，在多渠道融合的冲击下逐渐显露短板。门店库存与线上 订单不同步、会员数据分散在多个平台、促销活动难以跨渠道协同 —— 这些痛点的本质，是企 业需要一套更灵活、更敏捷的信息系统，用极简架构支撑复杂业务。对于有一定体量的企业，" 简单即高效" ：技术栈越简洁，运维成本越低，业务响应速度越快。 投入都必须产生可见价值。传统架构中，为 支撑高并发需堆叠服务器、为实现实时分析需部署多套数据库，这种 "以资源换性能" 的模式早 已难以为继。我们需要的是能精打细算的技术底座，用一体化设计降低总拥有成本，让有限的 IT 预算创造更大价值。 当下，AI 技术正从概念走向实战，成为重构商业模式的核心引擎。从智能选款、动态定价到个 性化导购，AI 应用的深度取决于数据底座的支撑能力。在探索 AI 驱动的 "超级导购" 场景中 场景中 发现：能否将商品图片、面料参数、会员偏好等多模态数据实时转化为向量特征，能否用 SQL+AI 融合查询实现 "一句话找货"，直接决定了 AI 应用的落地效果。这要求数据库不仅是数据的 " 仓库"，更要是 AI 能力的 "孵化器"，让业务团队无需复杂技术就能调用智能分析能力。 正是在这样的背景下，我们看到了一体化云数据库的价值。它用分布式架构消解了多渠道并发的 压力，用 HTAP 引擎打

中南的后裔 指导教师：张海波 成 员：万文娇 孔慧琳 魏羽璠 黄 菡 智能手环使用现状及产品发展分析报告 ——基于电商平台消费者购买评价的文本挖掘与武汉市的抽样调查 I 摘要 随着人工智能技术不断取得新的突破，一系列智能生活硬件逐步走进普通大 众的日常生活中。智能手环凭借入门级的售价和产品方案的标准化，市场渗透率 在智能可穿戴设备领域中一马当先，远远超过智能手表、智能眼镜等其他产品。 我们通过抓取电商平台评论文本，使用大数据挖掘的 方法，了解消费者对产品的好评度以及关注点。针对第二个问题，通过实地调查 的方式，结合现有用户使用情况和非用户潜在价值，对智能手环未来发展策略提 出有针对性的可取建议。 考虑到在当今的移动互联网时代，通过电商平台进行网络购物已成为人们生 活中一种普遍的消费方式。利用文本挖掘的方法通过爬取天猫平台和京东平台上， 小米手环的全部可抓取评论数据，共计 468100 468100 条。经过数据清洗后，使用中文 分词、构建语义网络与 LDA 主题模型等算法和模型，实现对文本评论数据的情 感倾向性判断以及所隐藏信息的挖掘与分析，以有效、准确的从互联网电商评论 数据中分析出消费者对小米手环的好评度、关注点以及抱怨点，对小米手环的功 能、优缺点进行初步的评价，为线下问卷调查提供方向和思路。 在问卷调查实施中，我们进行了试调查和正式调查两轮调查。在正式调查中， 我们以武

层、设备层、通信层、数据层、业务层、应用层 6 个层 级。具体如下：1） 应用层：融合数据挖掘、数字孪 生、人工智能技术与卫星制造业务，形成可视化监 控、资源瓶颈诊断、智能动态调度、进度/质量/状态 预测、数据挖掘分析等创新应用。2） 业务层：实现 工厂跨域协同管理、工艺设计管理、计划/资源/质 量管理、供应链协同管理、产品全周期管理、工厂生 产运营管理等业务集成应用。3） 数据层：构建以大 数据层：构建以大 数据平台为支撑的智能工厂数据底座，实现卫星制 造 大 数 据 采 存 管 理 ；封 装 面 向 不 同 对 象（产 品/设 备）、不同过程（设计/工艺/制造）、不同场景（智能 工艺/智能调度）的模型库、数据库与知识库，支撑 业务集成与创新应用。4） 通信层：建立“多网络环 境+多采集手段+多传输方式”相结合的跨域信息 协同环境及工业互联网平台，满足设计-制造-配套 多单位远程跨域协同、工厂制造全要素数据感知需 多单位远程跨域协同、工厂制造全要素数据感知需 求。5） 设备层：开发应用激光投影装配引导、视觉 在线检测、智能辅助装配、高精度在线测量、自动仓 储物流等系列成套智能装备，提升卫星工厂设备。 6） 产线层：形成以大中型卫星脉动式总装生产线+ 商业小卫星批量化柔性生产线为核心的卫星总装 智能工厂，实现卫星智能制造场景落地与应用。 图 2 卫星总装智能工厂总体建设框架 Fig.2 Construction

2025” 示范区； 遴选项目总数超过 100 个：涵盖有色、稀土、纺织、家电等传统行业和 5G 、物联网、车联网、智能交通等新兴领域 智能制造项目分布 * 摘自《 2018 年智能制造系统集成市场数据》 国内智能制造市场展望 未来我国智能制造产业年复合增值率约为 20% ， 2020 年产值有望超过 3 万亿元 《中国制造 2025 》实施以来，智能制造表现出良好、强劲的发展势头。据抽样调查显示，在全国 服务等环节的智能制造系统解决方案也在加强，相关环节智能制造系统解决方 案的应用比例有所提升。 2) 从细分智能制造系统解决方案的市场增速看 2017 年，市场增速较快的智能制造系统解决方案主要有：工业云平 台、工业大数据、先进过程控制系统（ APC ）、调度优化系统等，市场增速同 比 2016 年均达到 50% 以上。 主要原因是： 一方面，伴随用户实施数字化改造的持续推进，系统解决方案步演进到综合、 MES ）等生产过程控制系统的需求明显增加； 另一方面，伴随用户互联互通的探索实践，带动工业物联网、工业云平台、 工业大数据等智能制造系统解决方案市场实现较快发展。 * 摘自《中国智能制造系统解决方案市场研究报告》 关键技术 边缘计算、物联网、大数据、人工智能共同支撑企业智能制造转型 + + 边缘智能 PAN WAN 802.11af/ah LTE-M 丰富的网络连接能力

业协议 , 将数据传输到 PAAS 层 , 再 利用分析引擎 , 人工智能、 数 据挖掘 技术充分利用数据 , 实现设 备监测、 统服务功能 , 将位置物联网与工业互 联网融合 整合其他设备信息以 MES/ERP/WMS 等系统信息 , 充分对接已有系统 IFTTT 分析引擎 流程引擎 数据挖掘 机器学习 机器学习 人工智能 系统框架 设备数据服务（ PaaS ） 统一接入服务 (o) 模型库 人、车、设备位置 信息（ UWB 定 位） 设备库 应用库 UWB 定位专家 10cm 高精度定 位 纺织 行业 IC 制 造 节能 环保 装备 制造 系统等 , 再应用预测性维护、 机器学习、 大数据算法、 分析引擎等先进技术 , 将位置物联网与工业互联 对设备 : 预测性维护、 大数据分析、 对产线 : 智能巡检、 智能运维 对车辆 : 智能化管理 解决思路 预测性维护 机器学习 大数据算法 分析引

采矿 ，通过卫星操纵 矿山 的所有设备 ，实现 机械自 动采矿。 力拓启动“未来矿山” 计 划 ，部署围绕计算机 控制中心展开的无人驾 驶卡车、无人驾驶货车、 自动钻机、 自动挖掘机 和推土机。 © 亿欧智库 - 叶子 (355826) © 亿欧智库 - 叶子 (355826) © 亿欧智库 - 叶子 (355826) © 亿欧智库 - 叶子 (355826) 系统工程理论及网络、自动控制和人工智能等技术，以开采环境数字化和采掘装备自动化为特质， 实现采矿设计、计划、生产、调度和决策等过程的智能化。 以矿山开采环境、对象及过程信息数字 化为基础 ，构建数据的采集、传输、 存 储、处理和反馈的信息化闭环 ，并持续 应用于资源勘探、开采规划、采矿设计、 开采计划和生产管理等全生命周期的新 型矿山技术体系和管理模式。 提出 时间 1999 年首届“国际数字地球”大会上提 具备高速网络通道 • 实现各自动化数据融合 • 具备一定的数据挖掘能力 • 具备可建模的联动控制策略 • 综合自动化、管理信息化、 空间数字化三化数据融合 • 在多维空间矿山实体的基础 上动态嵌入与矿山安全、生 产、经营相关的所有信息 • 在数字化矿山的基础上，运 用人工智能技术、数据挖掘 技术、编制若干可重复运行、

汽车行业AI应用场景全景图 2 10 7 14 18 6 智能化成为汽车行业发展的核心趋势 AI助力汽车产业智能化升级 智能驾驶 AI基础设施架构：高性能算力与高效资源协同的突破 数据闭环处理：虚实融合与智能治理的能力 大模型技术：低成本与场景化落地的深化 智能座舱 智能客服 研发设计 生产制造 供应链管理 2 4 10 7 7 8 14 16 18 20 Contents 营销销售 经营管理 20 21 24 24 24 25 25 26 趋势篇 "人工智能+汽车"应用趋势展望 24 大模型：引领全栈智能驾驶新时代 数据驱动：激发汽车产业链条全方位创新 澎湃算力：为汽车智能化注入强劲动能 大小结合端云协同：实现效能与性能双提升 AI智能体：加速车端应用快速落地 安全与隐私：构建可信可靠的智能出行生态 汽车行业 ， 为汽车行业的转型升级提供了强有力的技术支撑。智能化不仅改变了汽车的设计和制造方式，还重新定义了驾 驶体验和出行模式，推动整个行业向更加高效、安全和环保的方向发展。 近年来，随着人工智能、大数据分析以及云计算等前沿数字技术的迅猛发展及其在汽车工业中的深度应用， 汽车产业正经历着前所未有的转型升级。 在智能驾驶领域，AI 驱动的视觉识别系统利用深度学习算法，能够精准地解析周围环境信息，包括但不

数字孪生模型构建 • MES 与 ERP 整合 CATALOGUE 目录 • 智能工厂建设核心要素 • 数据管理与分析 • 智能控制与优化 • 系统安全与稳定 • 总结与展望 建设背景、目标、定位、预期成果及效益分析 01 数字化转型 01 越来越多的企业开始进行数字化转型，采用大数据、物联网、人工智能 等先进技术，以提高生产效率、降低生产成本、提升产品质量。 智能工厂发展 02 智能工厂是数字化转型的重要组成部分，而数字孪生智能工厂是智能工 厂的一种新型形态，通过实现数据的实时互通和智能化控制，提高生产 效率和管理水平。 制造业发展 03 数字孪生智能工厂的建设将有助于制造业的发展，提高生产效率和管理 水平，推动制造业向智能化、信息化的方向转型升级。 数字孪生智能工厂的背景与意义 03 提升市场竞争力 通过数字孪生智能工厂的建设，提高生产效率和管理水平，提 建设方案的目标与定位 智能工厂总体结构规划 02 实际工厂设备、生产线等，包括各种机床、设备、传感器等，负责 产品的制造和加工过程。 物理层 负责数据的采集、传输、存储，包括各种数据采集设备、网络传输 协议、数据库等，实现工厂数据的数字化管理和远程监控等功能。 数据层 包括 MES 、 ERP 等系统以及各类智能化应用，如智能调度、仓储管 理等，实现工厂生产过程的数字化管理和智能化控制等功能。 应用层