随着通用汽车、戴姆勒、宝马和奥迪等主流车企都宣布将在2020年前后推出Level 5级别的自动驾驶汽车，这一领域的竞争已进入白热化阶段。国际知名投行高盛预测，自动驾驶出租车的出现，将使全球共享汽车市场的规模从现在的50亿美元，到2030年上升至2850亿美元。

　　毫无疑问，这是一块大蛋糕，于是汽车厂商都在不亦乐乎地忙着路测，然而他们实现雄心勃勃的自动驾驶目标的关键所在，是利用分析学和人工智能（AI）的力量，建立自动驾驶系统在实际道路上的反应模式，并利用现实模拟技术来加速开发进程。这意味着数据工程、管理、存储和分析变得比以往任何时候更加重要。那么，汽车制造商到底应该怎么做呢？

　　首先，做好准备迎接海量数据的“洗礼”。自动驾驶汽车在进行测试时会产生大量数据，每辆汽车每秒就会产生6～ 8GB的数据。仅仅在2017年，该领域就创造了大约250EB的大数据（1 EB= 1024PB，1PB=1024TB）。汽车厂商需要有先进的概念来处理这些数据并从中获取价值。

　　其次，在汽车研发与计算机和数据科学之间搭建一座桥梁。工程制造是汽车厂商的强项，但他们对于数据科学可能并不太熟悉。这些学科的交融，可以帮汽车厂商打开新大门，加快其创新和研发。虽然车企研发部门也有专门的数据工程团队，但他们经常还是需要借助数据科学以及人工智能领域专家的力量，以实现最好的研发效果。

　　再次，高效处理和分析数据。当自动驾驶汽车进行测试时，LiDAR、全景相机和雷达等部件会生产大量以ADTF、ROSbag和MDF4等格式呈现的专业化数据。现在已经有可以对这些海量数据以PB为单位进行快速访问的工具了。在过去，通常需要好几天的时间来提取和分析数据，而现在只需要几分钟或几秒钟就可以得到结果。

　　第四，选择性、针对性地对大数据进行筛选。工程师可以使用AI技术来确定哪些数据是有价值的，哪些可以剔除。一般而言，拍摄自动驾驶汽车的测试场景时，每秒钟会产生30帧视频，但这些视频大部分都是汽车在开放道路上平稳行驶的场景，并没有任何特别的事情发生。这样的视频就算时间再长，对汽车工程师而言用处也不大。自动驾驶汽车在转弯、碰撞或者与其他物体进行互动时产生的数据才更有价值。

　　最后，优化自动生成数据。当一个自动驾驶系统作出一个不同于人类驾驶者的决策，肯定需要被记录下来。同样，当半自动驾驶汽车发生决策错误而被人类驾驶者纠正时，也要加以重视，这样工程师可以对系统进行优化。如果自动驾驶系统可以持续优化和改进，那么普罗大众对于自动驾驶汽车也会更放心。