北京
在2026年北京國際車展期間，車凌科技對外發布了面向AIDV的新一代車云一體化數據采集解決方案，Flow C。該方案整合了 EMQ FlowMQ 統一消息內核與車凌 Hyper Flow 數采能力，通過云原生無狀態架構、基于對象存儲的低成本持久化，以及車端邊緣處理三項關鍵技術，對汽車全生命周期的數據采集鏈路進行重構。
從定位來看，Flow C主要針對傳統數采體系中成本高、系統割裂、運維復雜等問題，試圖為主機廠在規模化運營階段提供更低成本的基礎設施方案，同時為軟件定義汽車和AI數據閉環提供穩定的數據底座。
行業痛點：數采模式正成為AI落地的掣肘
當前汽車數據采集體系普遍面臨結構性問題，可以概括為“四高一低”：高流量成本、高存儲成本、高運維復雜度、高集成成本，以及數據閉環效率偏低。
問題的核心在于數據割裂。由于協議不統一，不同系統之間難以直接互通，形成多個數據孤島。這使得AI模型在訓練過程中難以獲取完整、實時的跨域車端數據，從而影響智能化應用的實際效果。
如果回溯過去十年的技術路徑，可以看到一個逐步堆積的問題結構：不同業務場景獨立選型，系統之間依賴橋接實現連接，不僅增加延遲，也引入更多故障點；與此同時，云端長期依賴成本較高的塊存儲集群，擴展效率有限，成本彈性不足。
最終，消息基礎設施在自然演進中出現協議碎片化，大量“煙囪式”部署隨之形成，成為制約行業進一步發展的隱性負擔。
三層架構調整：從源頭壓縮成本
Flow C的設計思路，集中在通過架構調整來實現降本，主要體現在三個方面。
首先是存算解耦。Flow C采用無狀態架構，計算節點專注于協議處理，而數據統一存儲在對象存儲系統（如S3/OSS）中。這種方式減少了為應對峰值流量而提前配置硬件資源的需求，計算和存儲可以根據負載獨立擴縮。官方數據顯示，資源利用率可提升40%以上。
其次是數據復用機制。系統支持Pub/Sub、隊列和流式處理三種模式同時消費同一份數據，從底層避免了重復采集、重復傳輸和重復存儲的問題，使數據在全生命周期中的利用效率得到提升。
第三是將部分處理能力前移至車端。借助Hyper Flow的邊緣計算能力，數據在上傳前即可完成過濾、壓縮和規則計算，僅保留“有效數據”進入云端。這一調整直接降低了云端的存儲與計算壓力。
面向AI的數據基礎設施正在重構
隨著汽車智能化逐步進入“Agent驅動”階段，數據基礎設施需要同時滿足統一性、實時性和成本可控三方面要求。
在這一背景下，Flow C提出的“多協議統一+對象存儲+邊緣智能”架構，試圖建立一個新的基礎模型：一方面，通過統一消息總線整合異構系統數據；另一方面，以較低成本保留TB/PB級歷史數據，用于模型訓練；同時，實時數據可以在毫秒級傳輸至推理系統。
這一組合，本質上是在為AI提供穩定、可擴展的數據環境。
“從數據底座動刀”成為關鍵
如果從行業發展節奏來看，降本并不是一個新命題。過去幾年，無論是自動駕駛還是智能座艙，企業都在持續壓縮硬件成本、優化算力配置。但相比之下，數據基礎設施層面的成本問題，長期被放在了“后端”，直到數據規模真正進入PB級別之后，其影響才開始被放大。
從這個角度看，Flow C的思路并不復雜，本質上是把互聯網行業已經驗證過的“存算分離、對象存儲、流式處理”等架構方法，重新落到汽車數據體系中。但難點不在理念，而在落地，汽車行業的系統歷史包袱更重、協議更復雜、對穩定性的要求也更高。
另一個值得注意的變化是，AI正在改變數據的“價值排序”。過去，車端數據更多用于問題追溯和離線分析，而在AI驅動下，數據開始直接參與模型訓練與實時決策，這意味著“哪些數據值得被保留”，正在成為新的成本分界線。Flow C強調的邊緣過濾與“價值數據”上云，本質上就是在重新劃定這條邊界。
當數據成本開始成為制約AI落地的關鍵變量時，行業競爭正在從功能層面，向基礎設施層面進一步下沉。
車凌科技表示，未來將繼續與EMQ深化合作，圍繞統一消息架構和簡化系統設計推進產品迭代，重點仍放在降低成本和提升數據利用效率上。
從行業角度來看，數據壁壘的打通和成本結構的優化，仍是智能汽車規模化發展的關鍵環節。類似Flow C這樣的嘗試，更多是在基礎設施層面為AI應用鋪路。
隨著數據鏈路逐步打通，汽車產業也在向更高效率、更低成本以及更高智能化水平演進。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
