讲到创新就离不开计算、离不开大数据、离不开人工智能，根据Gartner的数据检测，过去10个季度浪潮服务器的出货量增长全球最快，2017年全球浪潮服务器出货量全球前三，并提出了云计算、大数据为核心内容的智慧化战略。7月14日由企业网D1Net举办的2018汽车行业CIO论坛就邀请到了浪潮企业推进部总经理刘志勇先生为现场带来《计算让企业更智慧——浪潮企业智慧化转型之路》的主题演讲。

以下是现场速记：

【浪潮企业推进部总经理 刘志勇】

刘志勇：大家上午好，在我开始我的分享内容之前，跟大家介绍一下浪潮。浪潮公司到现在成立70多年了，1945年在上海成立的，大概在1962年从上海迁到了济南，公司的业务一直在变化。从1962年迁到济南以后开始涉及电子领域，1970年的时候做电池零部件。1983年的时候，大家应该还有印象，当年浪潮面临危机。1993年中国生产了第一台小型机的设备。

2007年成立了国家级实验室，当时是国家级重点实验室比较少，是服务器存储的国家级重点实验室。2008年我们取得了一系列的技术上的突破，从2014年开始服务器的出货量排到第一名，全球是第五名。2015年的时候获得国家科技进步一等奖。国家进步一等奖是相当有分量的奖项，我印象中得这个奖除了是设备以外，还有袁隆平得过这个奖，还有海防导弹得过这个奖。2017年我们基本上比较稳定是中国第一，全球前三。当年2017年我们的相关专利数在企业里面是排第一的，而且有分量的是发明专利，因为做企业的都知道，实际上申请专利发明专利特别的重要，所以发明专利占比高其实某种程度上证明了这家公司的能力。

这张图是最新的刚刚发布的2018年第一季度的全球X86服务器的出货量，这个数据一季度以前就是2017年Q4的时候，这个数据浪潮和华为的数据只差了几百台，差距非常小。随着一季度以后，这个差距已经在进一步的放大，所以我们在国内的服务器的优势应该是比较稳定的。但是实际上从这个数据来看，我们和全球知名的惠普、戴尔还是有些差距的，但实际上我们的增速是极快的，基本上是业界的十几倍。所以我觉得浪潮在未来的几年还是有信心进步的，能够跟企业一起进步，助力企业的智慧化转变。

今年IDC已经调整了服务器的增速，在去年年底、今年年初的时候，IDC的增速是14%点多，但是一季度结束以后增速突然调到了30%多，今年肯定是服务器的元年，非常明显。为什么呢?因为整个技术环境的变化，而且有些变化是超乎我们的想象的。在这种情况下，对于运算的需求会越来越大，给大家分享一下在运算特别是未来企业的智慧运算里面浪潮的基本思路。这是我随便举的例子，利用率太高了，2017年在杭州麦当劳的一个门店里面初步实现了刷脸支付，真的连卡都不用带了。原来我们是带钱包、带钞票，后来就变成带卡，再后来变成只带手机，未来很可能连这个都不用了。

这个车的海燕系统，有些人可能都了解国内做海燕系统的公司。目前海燕系统全中国大概做得好的三千多个车型都是可以准确识别的，原来有一个说法，开车的司机说车速超了180公里的时候拍照都能识别出来，有些人就会有这样的说法，因为他已经基本上识别到驾驶员是否系了安全带、是否在抽烟、吃东西、甚至转头跟别人说话，能够很准确的识别得到，所以没有什么能够逃脱海燕系统的眼睛的。这个跟车有关系，当然统计口径不太一样，目前我们已知的大概是300万的应用测试里程，最好的结果是大约每5000英里/次，开着自动驾驶的时候每5000英里比如说刹车或者转弯等等是要人去动的，这是安全的开车。

现在的自动驾驶5000英里相当于什么呢?相当于从上海开车到乌鲁木齐再开回来，大概开正常的速度。当然从安全的角度来讲，即便是这样，离全面的排除故障方面这件事还是有很长距离的，因为碰到一些非常差的路况，不能说我们现在技术上不成熟，而是我们采集的数据和数据分析以及自动系统进行联系，现在还有很多要改善的地方，但是这个技术本身并不是一个非常不成熟的技术。

这个是我们有一个国内的比较大的网站的数据，这个数据大概每天的翻译请求是4亿次，大家可能对4亿次没有什么概念，4亿次大概相当于每天16T的数据量。如果你乘以365天，基本上这个数据是非常非常大的。这个东西第一个我们看它的翻译准确率很高，另外现在随着智能化的技术水平的提高，应用不断的延伸到我们生活和工作的各个角落。

其实我们看这个数据，其实它背后是什么?首先第一件事情是要有强大的网络传输能力，因为你不可能说一句话20分钟再给答案。首先你要把这个信息传上去，传上去以后你要识别他说的是什么，这个是要靠运算的。运算完以后，你还要到你自己的数据库或者存储里面去查这句话是怎么回事，然后再给你反馈回来，翻译完再传到请求的那个人那里去。

所以这里面涉及的是一个简单的数据代表的意思，第一是整个的传输能力的提高、网络能力的提高;第二是后台强大的计算能力;第三是对存储的检索、对存储的要求比以前高很多。我们看到的给我们的感受是，我说一句话，两秒钟以后给我翻译，但实际上背后的技术完全是靠计算的。

其实基本所有行业都是一样的，全国几乎所有的各行各业，包括政府、包括教育、包括企业等等在过去的2、30年时间里面都经历了这样一个过程，就是从电子化到数据化到智能化的转变。那么中国相比国外，我们大概在90年代95年以后才出现了电脑让大家认识到、能够接触得到，我记得我上大学的时候，机房还是挺昂贵的一个事。但是我们中国的发展是跳跃式的，别人都不知道怎么回事就已经结束了发展的阶段，中国在IT方面的进步是比其他国家要快很多的。

我给大家一个很准确的数据，中国的IT市场容量在2006年的时候就已经超过日本了，这是整个市场的包括各种产品，比如服务器、存储等全都算在里面。今天我们有没有赶上美国呢?还没有赶上美国，美国还是比较大的。但是最新的一个数据表明，中国已经能够占到全球IT市场容量的25%左右，很大的占比。所以目前来看，我们自己感觉国内这方面的需求是很大的。

再加上我们今年的中美贸易战对整个社会的影响，我估计很多人没有想到这个事，应该是革命性、标志性转变的一年，这次的贸易战可能会导致我们国家在基础设施的研究、包括芯片以及高端的计算设备商、包括一些重要的软件和算法上，可能会产生一个相对革命性的变化，各种企业在这方面可能会有巨大的投入。

说到电子化，最早的时候比如说政府网上盖章的系统是最早的电子化，最早出现在工厂里面的比如说我们那个时候用过一个软件叫矢量化，这是做什么的呢?就是把图纸，因为要画很大的工程图，0号图、1号图，把图纸电子化。电子化的时候会有一个问题，拍一张照片不就完了吗?其实没有那么简单，不是拍一张照片那么简单的，因为一张照片拍完以后是内图，内图就意味着你要放大的时候会有一条线，你无限放大的时候，整个屏都会有一条线。

为什么要矢量化，矢量化是意味着他把那个线跟矢量对图纸进行调整，所有的图纸里面每根线的粗细代表了不同的意思，你的每根虚线是虚线还是长短线的虚线还是线段的虚线，代表的意思都不一样。在这种情况下是需要用矢量化的方式把这张图做一次处理的，那个时候其实就是在做电子化的工作。这种电子化的现在结束了没有，其实现在还没有结束，很多都还在做。有一个很有趣的事，我自己接触了一个客户是做指纹识别的。现在我们的身份证都是指纹的，大量的陈年案件的指纹系统是要电子化的，要把它做拍照备查，还要找到那些点。

我们现在从指纹的角度、从电子化的角度来讲，我们今天已经做到的第一个事是指纹，一个指纹里面大家可以想它的运算量和存储量有多大，一个指纹数据是2到4兆。接下来又有掌纹数据，掌纹数据大概是12兆左右。接下来是面部数据，大概是20兆。有的人就说了，有指纹干嘛还要用掌纹，比如说书案或者立案的时候，如果有凶器，刀柄的位置指纹没有识别到，这个时候必须要做掌纹或面部的识别，这个就更专业了。未来有一个东西加进来，就是步态，走路的姿势都给你记录下来，这样以后追逃的时候，一个摄像头摆在机场或者火车站，在这种情况下你可能戴着墨镜，可能把脸涂成别的颜色，但是你走路的样子是很难改的。

其实我们现在说从电子化到数字化到智慧化，这三个东西并不是割裂的，不是说我们今天做智慧化了，我们就不考虑电子化的问题了，因为我们今天已经智慧化了，为什么还要做这些软件呢?其实如果电子化的基础、没有数字化的系统，我们是谈不上智慧化的，所以最基础的工作还是要做的。这里面的数字化阶段，因为我们今天主要是给车企看的，我们就没有放通用的所有制造业都用得上的东西，这是车企最常用、最基础的一些东西。

有了这些东西之后，未来我们到智慧化的时候会涉及到很多问题，因为智慧化是极为复杂的东西，不是一个容易做得了的。云数据中心的建设，智能的网联汽车研究，然后到无人驾驶、到大数据。刚才我也和一位朋友随便聊了几句，他是在做类似的事情。其实未来我们的智慧化服务延伸，可能汽车的服务就不只是开得舒服、开得安全，你在车里面提供各种各样的服务都会放到上面，这是以前不能想象的。比如我们以前给大家找一个饭馆，人家说跟车有什么关系，现在已经有关系了。

这是我们浪潮自己总结的，我们认为企业要智慧化，有一个很重要的观念、看法，就是把智慧的东西做到自动化。什么叫自动化呢?比如说我们在这边看到一些工厂很厉害，经常看到有很多的机械手在那里，机器人做出来人做不出来的动作，焊出来的东西是人绝对焊不出来的，一个断点都没有，断了它会给你连上。我们有时候往往觉得这些东西是不是挺厉害的，确实很厉害，但其实并不是智慧化，只是自动化而已。

比如说我们现在的很多车企制造水平是很高的，我们今天什么叫智慧化，比如说我现在有一个螺丝，机械臂非常快的可以拧上，也许是人的一百倍或者多少倍，迅速的把螺丝拧上，这个技术是挺厉害的，但是它可能是一个自动化的范畴。什么是智慧化呢?就是我要看一个人是怎么拧螺丝的，一定是有一个螺丝孔，我再找一个合适的螺丝去拧，这是人判断的东西。机器自动化不是这样的，它的点是固定的，总在这个位置，人想走哪儿就走到哪儿，而且拧上去电机可以转。

但是实际上现在的智能工厂不是这样的，智能工厂是拿一些照片，跟人一样拧得是一样的，照片照一下，照完以后识别有没有问题，先识别螺丝的位置。识别完以后，去判断螺丝孔的大小，在旁边捡一个螺丝过去，然后再回到一个点再去拧，整个过程基本上是一个比较智能化的手段。大家去想，其实自动化是反人类的，因为它做的动作是人做不了的，比如特别迅速的盖章，人怎么可能盖得那么快。但是智慧化不一样，智慧化实际上就是按人的想法在想问题。

所以在这种情况下，我们把智慧化拆解成三个部分，第一部分是云，如果你不能够用一个有弹性的而且是能够具有超大的超复杂的运算硬件技术，这个东西本身是在建立在此基础上的，云建立的第一个基础是软件定义，我们以前说软件定义网络、软件定义存储，后来又讲软件定义数据中心，全部用软件来定义。第二个，云的第二个基本的技术基础是虚拟化的存储。在这两个技术基础的前提下，我们应该是有一个相对独立的完整的公有云和私有云加上混合云的计算平台，如果没有平台很难谈到后面的智慧化。单机的或者集群式的硬件运算，基本上都是比较落后的想法。

第二是大数据，其实数据是我们认识这个世界的基础，其实我们想人是一样的，自动化就自动化、智能化就智能化，拿自动化跟人的行为去做比较。我们今天看到一个人甚至包括我们今天在这里跟大家有一个交流，其实一样的，我们获取的信息是语音、口音，可能你还要判断说的到底是什么意思，偶尔带个别的英文词一时半会反应不过来。所以在简单的沟通过程中，其实数据在不断的传输。数据是我们认识这个世界的方法，对人是一样的，对机器也是一样的，对计算机也是一样的。你有了数据以后，你怎么把它用起来呢?

前段时间我去格力，当时我说你们对大数据怎么样，当然你们肯定想不到他怎么用，他是怎么做的呢?当他们的空调出现问题的时候，全国各地进行联动传数据。传什么数据呢?比如说空调出现故障，他会提前把数据传到总部，总部会有一个反馈指令给到使用者，说你们应该加氟了、应该加制冷剂了或者怎么怎么样。他们长时间的观测这个空调使用的位置的温度、湿度、包括风等等这些数据，他都会传回去，传回去以后干什么呢?去改善他的方案。后来我就开玩笑，我说如果有一天你们把这个东西全都用在这个上面了，你们就不用看天气预报了，因为你很主观，你测的是每一家空调的位置的温度，以后可能你会发布天气预报。格力说这个小区是21.5度，在门口是21.8度，就这么一点点的差距。

所以从数据利用的角度来讲，现在各个企业都在用，而且他们的数据有理由会删吗?他们不会删。我说这些数据不删有什么用呢?他说我不知道有什么用，我不敢删，我不能删，反正我就不删，也许以后我就能用得上了。像石油一样，几千年以前也有石油，就在阿拉伯世界的底下埋着，那个时候石油用来干什么呢?最多就是点点火，就是取暖烧东西用。到后来今天我们的塑料瓶子都是一样的，数据也是一样的，我们今天可能不知道数据到底干什么用，但它就是一个财富，你留住就好了。

有了这个数据之后，其实我们需要有一个深度学习的优化工具，最后你要分析它。第一个你要去做数据的分析，第二个你需要把这个数据变成某种程度上的对机器的训练、对模型的训练、对算法的优化等等。这里有另外一个有趣的事，大家都知道这个事，就是阿尔法狗去年打败了柯洁，但是阿尔法打败柯洁是有前半节的，前半节是1996年的2月份，差不多2月份是第一次人机对战，是国际象棋深蓝对战著名的国际象棋顶尖高手卡斯帕罗夫，第一轮比赛人赢了，在一年以后第二轮对战的时候输了，那是1997年的时候，这个是一个中国人研发的。

后来我在另外一个IT公司讨论过，中国象棋机器能赢的，现在国际象棋机器人也能赢吗?当时认为太复杂了。20年以后，2017年阿尔法狗打败了李世石，结果在几个月以后，阿尔法狗创造纪录打败了人类。接下来很快没几个月的时间，阿尔法zero又出来了，阿尔法狗应该用90万局人类的棋局训练出来的，阿尔法zero没有看任何的棋局，它只用了三天时间，只是告诉它围棋的基本原则，它用了三天时间就打败了阿尔法狗。当然阿尔法狗有很多版本，有的说法是三天打败阿尔法狗，这个说法是不严谨的。严谨的说法是三天打败了阿尔法战胜韩国棋手的机器，21天的时候打败了战胜柯洁的机器，那台机器叫阿尔法狗master，40天以后打败了所有的阿尔法狗。用了40天的时间，而且没有参考人类任何的东西，完全靠自己学习。

所以说，他只是优化了算法，他的PDO用的数量只有原来的几分之一。我们今天看到深度学习这种算法的优化以及后台运算力之强大，已经超过你的想象。我们刚才提到深蓝，深蓝和后来的阿尔法有一个区别，有什么区别?当时深蓝就是算，不断的计算你的下一步是什么，但是缺少今天的人工智能，它不会总结，它只能算。但是阿尔法已经开始总结了，到阿尔法zero已经不是总结的问题了，它就是在学习，就跟我们培养一个天才儿童小孩是一样的。所以在这种状态下，我们认为阿尔法是相当有趣的，这种趋势代表它第一件事就是算，你用什么方式算，第二是你用什么方式去获取你自己进步的数据或者能力，第三是你到底怎么竞争。

今天我们讲这个话题直接扣到这个主题上来，因为我们今天是跟车有关的企业。我们今天把这个东西和车企联系起来，首先是对于车企来说，我们的云计算部分其实核心的就是车联网。我稍微说狭义一点的车联网，比如说我们车上的数据等等，但是实际上如果我们说相对广义的车联网涉及到很多。这是我们传统狭义的车联网，后面的是指大家非常熟悉的汽车工厂里面的整个制造环节，下面是操作系统，左边这一层是上游的服务商，右边这一层是下游的服务商，真正广义的车联网涉及到很多。

我们回到这一页，这里面实际上是举了几个例子，现在很多是跨界的，有的被互联网给打败了。其实我们到底跟谁竞争，今天很多高大上的公司，不是宝马、奔驰，而是特斯拉。我们看到有无人驾驶车，我们了解了一下，在座的某一个车企战略合作项目，通过硬件等等去帮这家公司尝试着做无人驾驶有关的技术，我们看到了这个车。今年车企的很多技术和未来技术看起来都是和互联网、IT直接相关的，所以某种程度上可以说是车联网行业的竞争。

今天从另外一个角度上来说，以前可能作为车企不搭理互联网公司，我也不理IT公司，今天确实不一样了。今天我们在很多情况下，由于技术的发展、互联网和人工智能的发展，导致如果我们今天的车企不跟IT公司合作、不跟互联网合作，未来你真的不知道你会怎么样，我也不知道，没人知道。所以我们从车联网的角度来讲，今天初级的功能实际上是一些在线娱乐等，大部分的车现在已经可以实现了，比如说可以通过互联网手机连上去收到网络节目等等，这是比较初级的。再后来我们随着发展，现在已经开始出现了远程的保险理赔、简单的服务推荐，比如推荐餐馆或者停车场等等，这些已经实现了。

那么最终极的一个功能，在未来肯定是跟无人驾驶、驾驶安全等融合在一起的。一些业界的大咖说的，未来的汽车很可能就是一个到处跑的移动计算设备。主要是由这三层构成的，第一层是感知层，就是传感器或者摄像头拍出来的所有数据，比如说车的前后有一个东西，这个是人、还是一个东西、还是一个物体、还是右边有车停在那儿、还是在开、车速是多少，这些都是通过感知层获取的。

有了感知层以后还要传输，目前我们看到车辆很多的运算设备还是本地的，主要是由于带宽不太够，我觉得5G是划时代的技术，如果5G一旦商用化，有了5G以后，我们在传输方面会有巨大的飞跃。因为不是后台运算能力不够的问题，而是速度太快的问题，现在看起来很大的一个瓶颈是在无线传输方面，可能你扔过去的数据是很慢的，算得很快，再传回来的数据又慢了，所以如果开车开100公里，这段时间会出人命的。

最后是后台的云数据中心，这个是杨教授总结的，我们把这个东西放在这儿一看的时候，比如说地图，在车联网上去看地图，有车载终端的平台、智能计算、信息安全和其它安全性的要求。我们说汽车的智能制造或者说车的黑科技等等不断实现，实际上浪潮是怎么做的，我们主要是专注在这个领域，这是我们的强项。这个本地计算还好，这是本地计算，这是云计算，这是数据中心，大型的甚至超大型的数据中心的计算。但是如果说让我们去做地图或者是让我们做终端，这个不是我们的强项，我们对这个也没有太大的关注。所以我们目前能做的是云的数据中心平台，在有些情况下会涉及到本地计算。

这个是我们做的，因为我们知道所有的制造型企业都是三层结构的，就是三部分，第一部分是你的上游供应商，第二部分是你自己，第三部分是整个服务体系，越大的制造商的营业额越大，你的东西越多，这三层结构就越明显，你就越离不开。没有一个制造商是说我连螺丝都自己生产，这是不可能的，这是社会分工的结果，我们改变不了。所以在整个体系里面，最上面紫色的基本上是我们传统意义上的车联网，但是后面部分那全部都跟你自己的生产相关，两边放在一起基本上是整个云平台，当然这里面还涉及到一个工厂的工业互联网。本来最后我们还有一个单独的话题，但是今天由于时间的关系，我们就不讲了。

这是一个很完善的结构，那么我们和上游的供应商有什么关系呢?其实肯定是有关系的，第一个你的供应链我就不说了，我们经常讲供应链，我要点东西随时能给我。今天有了云的出现，这个东西又有另外一个意思了，比如说格力做得挺好的，真的是国计民生的问题，这种大企业的责任我是很佩服的。格力今年有一个大概7、800万的第一期的仿真集群，第二期大概也是7、800万左右，这个集群是做仿真的集群。

这个是他自己用的，但是他说同时承担另外一个责任，我说如果你是一直在用吗?他说不完全是，也有闲的时候，这就是和互联网相关的东西。他把他的仿真集群、计算资源、计算能力剥出来一部分给谁用呢?给供应商用，不是免费的，而是收钱的、收费的。以前相关IT的CIO都是花钱的，现在终于颠覆性的变化出现了，我们的CIO也可以赚钱了。他把他的运算能力交给他的供应商用，比如说供应商做什么用呢?比如说我们做空调的管子，通常那个管子里面是有门路的，如果说空调有噪音，安静很重要，噪音关系到第一个是主机的转动，第二个是空调出风口的空气流动的声音，第三个是来自于管路里面的流动。

为什么他在空调的管子里面有门路，因为不同密度、不同粘性的传输管在不同的门路上声音是不一样的，所以他根据你用的传输管里面有什么，但是以前都是要做模型去听、去测的。因为现在仿真了，有了这些东西，特别是直接通过计算机的方式去算它。可是我们是上游供应商，又是生产传输管的供应商，他会花100万元去买一套设备算吗?不可能的。于是政府的大的厂商给供应商提供能够利用高端计算资源的手段，基本上类似于超算，这不是工业互联网的全部，但这确实是工业互联网给空调企业提供的一个极为有力的发展平台。

其实车是一样的，一个道理，我们的车联网比如说有人是专门设计座椅的，有人专门做安全带的，这些人的技术进步靠什么，他真的是靠自己不断的小工厂、小作坊慢慢的发展大吗?他要等10年吗?其实不应该是这样的，我觉得作为整车厂确实可以提供车联网的手段，去让自己的供应商发展起来。同样的刚才在座位上跟林总随便聊了两句，正好说到对4S店的支持包括我们的数据收集部分，这个事我不多解释了，因为大家都明白。未来他们拿到了一些数据，有哪个跟你卖车没关系，基本上都有关系。

所以我们看到云计算的技术平台的范围是非常广的，包括车联网本身、生产、整个业务的管理、上游的供应商跟你的合作、下游的服务商给你的反馈沟通等。这是仿真，因为时间的原因，今天仿真的部分我不讲太多，我觉得过一下就好了。因为确实我们国内在仿真方面发展怎么样，基本上我们要说第二没人敢说第二，我们在仿真领域还是有把握的，所以我们不展开讲。

仿真基本上是靠终端和虚拟化技术的应用，终端部分我们可能会建模，建完模以后，他把这个模扔到数据库进行计算。比如说碰撞的车的样子，对这个车进行仿真，肯定是这样的东西。模型扔进去服务器集群里面，服务器集群专业的运算软件进行运算，算完以后再回到终端上来，终端再模拟一次。于是就出现了碰撞以后的结果，你可以看到所有的结果，这里面的数据就全部出现了。所以这个在很大程度上，我们的平台上收到撞车了，我们就可以看到是怎么撞的，这就是仿真集群的好处。

最后，有些时候还会涉及到后面的3D打印，我们现在发现这个东西以后，我们做模型实际上也不是以前那种手工建模，现在通常是通过一些3D打印的手段去实现一些小型模型的初始等等。这是一个简单的拓扑图，这是一个很标准的模拟仿真平台的拓扑结构，基本上大部分都是这样的。其实这个硬件的拓扑结构，各个厂商没有什么本质的区别，都差不太多。但是区别在这里，这是软件系统，这是集群，为什么我们浪潮在集群中可以做出来，其实你是可以在某种程度上做到的，改善运算的有效性获得更好的效率。

但是实际上这些东西才是客户真正需要的，就是我们能把一个集群用好，这里面涉及到用户级的，但是怎么管理、系统生成好不好、有问题的时候系统管理人可不可以提出终止等等，这是整套的东西。实际上浪潮的运算集群是比较好用的，包括我们的服务器是比较好用的，其实这些是密切相关的，我们早就过了推硬件的阶段了。

这个是我们的TI，TI是做什么用的呢?TI基本上我自己看是在授权的时候用得比较多。因为有时候到高峰运算的时候总是不够用，我怎么不买一些够用的呢?可是够用的又太贵了，一下子价格就上去了。所以TI的好处是它会从CPU的角度去替你分析一下，比如说在测试的时候把你的运算给你去算一下，然后他去看，就是这个东西，你的CPU在哪个地方不好，哪个地方还可以，哪个地方比较平滑。它会帮你选一个它认为合适的配置，你既不会太多的花钱也基本上够用，这是我们给客户提供的一个专门的工具。

刚才我们的第一件事提到了云的建设，我们有自己的公有云、私有云等等，而且我们的市场占有率还很高。第二个是大数据，大数据我就不展开了，原理我们也不用讲，我们只看应用就可以。这是真实的案例，他一共有44项主要业务，集成1000倍以上的有2项，100倍到1000倍的10项，10到100倍的13项，1到10倍的也有13项，整个系统大家可以看一下。这里举了一个例子，批量数据导入，这是一个实测的实际应用的数据。批量数据导入，从原来的4000秒降低到新系统里面的大概只有320秒。所以我觉得这些数据是有说服力的，你说我们提高速度30%，大家觉得没什么，说速度提高100倍是非常有说服力的。

这个是压数的部分，这种压数类的实际上我倒觉得对车企作用不太大，因为车企不是像电商那样说我突然一下子爆发性的大规模的数据，比如说“双11”那天都崩掉了，11月11日的时候基本上所有人都买东西。车企不太会出现这种情况，所以在车企上作用不太大，不会出现太多的这种瞬间，不太会用到这个东西。

最后说一下深度学习，因为深度学习的话题太大了。这里面我们说深度学习的工具是AI在汽车行业的一些基础工作，基本上包括巡航、撞车运行、碰撞识别等等。实际上如果没有自动化，一个正常的活人开，一个物理的人去开，一些简单的辅助驾驶其实基本上是最低最低的，基本上不设置这些工具，这里面最多设置一点点数据采集的工具。

但是你到这种时候，比如说车身稳定系统等等这些还是有一些自动化的工具在里面的，因为它会调整你的车速和车的角度等等，而且它会根据这个做一个判断。所有的人工智能是一定有一个判断的，没有判断不能叫智能，那是本能，不是智能。包括我们的车道保持系统，还有一些自动停车定位等等。再后面还有一些交互，但实际上最高难度的是完全自动化，就是自动化驾驶。还有一些高度自动化，在车的行当里面，基本上对人工智能的智能驾驶或者辅助驾驶部分，跟人工智能大概是这样的一个关系。

最终我们还要回到浪潮的观念，我们的观念是刚才那三句话，第一件事是云计算，第二件事情是大数据，第三件事情是人工智能。浪潮能提供什么呢?在整个过程中，我们不能提供全部的东西，我们在整个智慧化里面只能提供一部分。这类技术是我们的计算平台，就是我们背后的硬件，大家都觉得概念提得比较low，但是实际上不完全是这样的，这个东西不太low。

这个是深圳最大的GPO运算的box，一共是64块，这个谁来用，反正BAT在用，这是在线的已经在使用的过程中。我们提供一个比较领先的AI智能平台，同时我们基于这个框架的深度学习的框架，我们把它做成一个跨平台的。最终需要提供一个端到端的解决方案，这个是比较生态的东西，我们和一些厂商进行合作等等。这是硬件部分，比较有特点的是这两个。公司提供很多服务器，在云计算的布局中用得非常非常多。

AI我也不用多讲了，它是一个跟深度学习有关的管理系统，这是我们浪潮自己做的东西。你的应用到这一步的时候，就是到了AI这一步。这是深度学习模型训练的框架。这张图是最后一张，这个是什么呢?实际上是我们把整个跟车有关的、跟驾驶有关的，从数据导入到进服务器再进硬件进集群，然后把它存起来等着传输等等，到最后你还要输出这些数据，进行模型的运算。这不是一次完成的，是多次完成的，最后它根据这些东西判断让车做出一个反应。这是我们总结出来的，它的平台就是我刚才说的这些东西。

其实车本来大家都是很感兴趣的，大部分人都比较喜欢车，挺有意思的一个话题。但是因为时间关系，我就跟大家分享到这里，欢迎大家在会后做一些互相的交流。谢谢大家!