汽車智能化、網聯化、電動化和共享化的發展趨勢對汽車產業帶來諸多影響。在產業邊界逐漸模糊、跨界競爭日趨激烈的同時，產業價值也在重新分布。汽車產業面臨轉型升級，“汽車+人工智能”成為重要方向。

人工智能是一門研究模擬、延伸和擴展人類智能的理論、方法及技術的科學，其誕生于20世紀50年代，目前發展為計算機視覺、自然語言理解與交流、認知與推理、機器人學、博弈與倫理和機器學習六大領域，并呈現出各領域相互滲透的趨勢。

多項因素共同觸發人工智能的快速發展。一是數據量的爆炸式增長，二是硬件設施的升級，包括運算能力、存儲能力和網絡傳輸能力的提升。三是算法和模型的不斷優化。四是資本的助推。

感知處理、決策規劃和控制執行均是人工智能在自動駕駛中的典型應用場景。感知處理方面，基于深度學習的計算機視覺，可獲得較接近于人的感知能力。決策規劃方面，深度卷積神經網絡與深度強化學習，能通過大量學習實現對復雜工況的決策，并能進行在線學習優化。控制執行方面，智能控制方法主要體現在對控制對象模型的運用和綜合信息學習運用上，包括神經網絡控制和深度學習方法等。

以英偉達的Drive為代表的解決方案采用端到端的方法。即以傳感器的原始數據作為輸入，通過之前使用的數據訓練出來的模型直接預測輸出車輛的動作。端到端的解決方案通過縮減人工預處理和后續處理，盡可能使模型從原始輸入直接到最終輸出，為模型數據自動調節提供更大空間，從而減少基于規則的復雜性。但其解釋性較差，準確度不容易控制。

深度學習是實現人工智能的關鍵技術，一般可以分為訓練和推斷兩部分。訓練是使用采集到的樣本訓練出一個復雜的深度神經網絡模型。推斷指利用訓練好的模型，使用待判斷的數據去“推斷”得出各種結論。通常情況下，樣本的數量越多，訓練的精度越高，所以樣本的數量是影響深度學習精度重要的一個因素。自動駕駛人工智能算法的開發需要海量的訓練數據。

自動駕駛算法的優化升級需通過車輛傳感器、車聯網平臺、周邊基礎設施等獲取周邊環境、交通規則、駕駛習慣、地圖定位等數據信息。L3級以上自動駕駛汽車需處理海量、多源、異構的數據，例如L4級需處理的數據量可達4TB/天。另一方面，當前人工智能網絡對于單計算節點的算力要求過高，但當前主流開源軟件框架對于模型分割進行計算并沒有實現。因此，自動駕駛方案的優化對算力提出更高要求。

為了應對自動駕駛方案的優化對算力提出的更高要求，新型汽車智能計算架構亟待研究。邊緣計算成為行業研究熱點，其是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務。新型汽車智能計算架構包含多級中心云及最末端需要的巨量邊緣計算節點，由邊緣計算節點向自動駕駛車輛提供算力支持。新型汽車智能計算架構可以更加合理地分配計算資源和通信資源，但其在自動駕駛領域的應用尚需深入研究。

智能網聯汽車測試部分析研究國內外下一代汽車計算平臺的理論前沿、先進架構、共性技術與核心產品，旨在提出促進下一代計算平臺關鍵技術及產業發展的可行性建議，為促進行業健康有序、安全可控的發展提供指導依據。通過密切跟蹤國內外研究動態，組建覆蓋多領域的資深專家庫，實地調研企業收集來自實踐應用的一線素材，智能網聯汽車測試部為行業發展提供智力支持，不斷推出理論模型、發展路線、標準規范及白皮書系列研究成果，并為管理部門與企業提供咨詢服務。