北京車展觀察丨車凌科技發(fā)布 Flow C，從數(shù)據(jù)底座重做成本邏輯

在2026年北京國(guó)際車展期間，車凌科技對(duì)外發(fā)布了面向AIDV的新一代車云一體化數(shù)據(jù)采集解決方案，F(xiàn)low C。該方案整合了 EMQ FlowMQ 統(tǒng)一消息內(nèi)核與車凌 Hyper Flow 數(shù)采能力，通過云原生無狀態(tài)架構(gòu)、基于對(duì)象存儲(chǔ)的低成本持久化，以及車端邊緣處理三項(xiàng)關(guān)鍵技術(shù)，對(duì)汽車全生命周期的數(shù)據(jù)采集鏈路進(jìn)行重構(gòu)。

從定位來看，F(xiàn)low C主要針對(duì)傳統(tǒng)數(shù)采體系中成本高、系統(tǒng)割裂、運(yùn)維復(fù)雜等問題，試圖為主機(jī)廠在規(guī)?；\(yùn)營(yíng)階段提供更低成本的基礎(chǔ)設(shè)施方案，同時(shí)為軟件定義汽車和AI數(shù)據(jù)閉環(huán)提供穩(wěn)定的數(shù)據(jù)底座。

行業(yè)痛點(diǎn)：數(shù)采模式正成為AI落地的掣肘

當(dāng)前汽車數(shù)據(jù)采集體系普遍面臨結(jié)構(gòu)性問題，可以概括為“四高一低”：高流量成本、高存儲(chǔ)成本、高運(yùn)維復(fù)雜度、高集成成本，以及數(shù)據(jù)閉環(huán)效率偏低。

問題的核心在于數(shù)據(jù)割裂。由于協(xié)議不統(tǒng)一，不同系統(tǒng)之間難以直接互通，形成多個(gè)數(shù)據(jù)孤島。這使得AI模型在訓(xùn)練過程中難以獲取完整、實(shí)時(shí)的跨域車端數(shù)據(jù)，從而影響智能化應(yīng)用的實(shí)際效果。

如果回溯過去十年的技術(shù)路徑，可以看到一個(gè)逐步堆積的問題結(jié)構(gòu)：不同業(yè)務(wù)場(chǎng)景獨(dú)立選型，系統(tǒng)之間依賴橋接實(shí)現(xiàn)連接，不僅增加延遲，也引入更多故障點(diǎn)；與此同時(shí)，云端長(zhǎng)期依賴成本較高的塊存儲(chǔ)集群，擴(kuò)展效率有限，成本彈性不足。

最終，消息基礎(chǔ)設(shè)施在自然演進(jìn)中出現(xiàn)協(xié)議碎片化，大量“煙囪式”部署隨之形成，成為制約行業(yè)進(jìn)一步發(fā)展的隱性負(fù)擔(dān)。

三層架構(gòu)調(diào)整：從源頭壓縮成本

Flow C的設(shè)計(jì)思路，集中在通過架構(gòu)調(diào)整來實(shí)現(xiàn)降本，主要體現(xiàn)在三個(gè)方面。

首先是存算解耦。Flow C采用無狀態(tài)架構(gòu)，計(jì)算節(jié)點(diǎn)專注于協(xié)議處理，而數(shù)據(jù)統(tǒng)一存儲(chǔ)在對(duì)象存儲(chǔ)系統(tǒng)（如S3/OSS）中。這種方式減少了為應(yīng)對(duì)峰值流量而提前配置硬件資源的需求，計(jì)算和存儲(chǔ)可以根據(jù)負(fù)載獨(dú)立擴(kuò)縮。官方數(shù)據(jù)顯示，資源利用率可提升40%以上。

其次是數(shù)據(jù)復(fù)用機(jī)制。系統(tǒng)支持Pub/Sub、隊(duì)列和流式處理三種模式同時(shí)消費(fèi)同一份數(shù)據(jù)，從底層避免了重復(fù)采集、重復(fù)傳輸和重復(fù)存儲(chǔ)的問題，使數(shù)據(jù)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(jì)算能力，數(shù)據(jù)在上傳前即可完成過濾、壓縮和規(guī)則計(jì)算，僅保留“有效數(shù)據(jù)”進(jìn)入云端。這一調(diào)整直接降低了云端的存儲(chǔ)與計(jì)算壓力。

面向AI的數(shù)據(jù)基礎(chǔ)設(shè)施正在重構(gòu)

隨著汽車智能化逐步進(jìn)入“Agent驅(qū)動(dòng)”階段，數(shù)據(jù)基礎(chǔ)設(shè)施需要同時(shí)滿足統(tǒng)一性、實(shí)時(shí)性和成本可控三方面要求。

在這一背景下，F(xiàn)low C提出的“多協(xié)議統(tǒng)一+對(duì)象存儲(chǔ)+邊緣智能”架構(gòu)，試圖建立一個(gè)新的基礎(chǔ)模型：一方面，通過統(tǒng)一消息總線整合異構(gòu)系統(tǒng)數(shù)據(jù)；另一方面，以較低成本保留TB/PB級(jí)歷史數(shù)據(jù)，用于模型訓(xùn)練；同時(shí)，實(shí)時(shí)數(shù)據(jù)可以在毫秒級(jí)傳輸至推理系統(tǒng)。

這一組合，本質(zhì)上是在為AI提供穩(wěn)定、可擴(kuò)展的數(shù)據(jù)環(huán)境。

“從數(shù)據(jù)底座動(dòng)刀”成為關(guān)鍵

如果從行業(yè)發(fā)展節(jié)奏來看，降本并不是一個(gè)新命題。過去幾年，無論是自動(dòng)駕駛還是智能座艙，企業(yè)都在持續(xù)壓縮硬件成本、優(yōu)化算力配置。但相比之下，數(shù)據(jù)基礎(chǔ)設(shè)施層面的成本問題，長(zhǎng)期被放在了“后端”，直到數(shù)據(jù)規(guī)模真正進(jìn)入PB級(jí)別之后，其影響才開始被放大。

從這個(gè)角度看，F(xiàn)low C的思路并不復(fù)雜，本質(zhì)上是把互聯(lián)網(wǎng)行業(yè)已經(jīng)驗(yàn)證過的“存算分離、對(duì)象存儲(chǔ)、流式處理”等架構(gòu)方法，重新落到汽車數(shù)據(jù)體系中。但難點(diǎn)不在理念，而在落地，汽車行業(yè)的系統(tǒng)歷史包袱更重、協(xié)議更復(fù)雜、對(duì)穩(wěn)定性的要求也更高。

另一個(gè)值得注意的變化是，AI正在改變數(shù)據(jù)的“價(jià)值排序”。過去，車端數(shù)據(jù)更多用于問題追溯和離線分析，而在AI驅(qū)動(dòng)下，數(shù)據(jù)開始直接參與模型訓(xùn)練與實(shí)時(shí)決策，這意味著“哪些數(shù)據(jù)值得被保留”，正在成為新的成本分界線。Flow C強(qiáng)調(diào)的邊緣過濾與“價(jià)值數(shù)據(jù)”上云，本質(zhì)上就是在重新劃定這條邊界。

當(dāng)數(shù)據(jù)成本開始成為制約AI落地的關(guān)鍵變量時(shí)，行業(yè)競(jìng)爭(zhēng)正在從功能層面，向基礎(chǔ)設(shè)施層面進(jìn)一步下沉。

車凌科技表示，未來將繼續(xù)與EMQ深化合作，圍繞統(tǒng)一消息架構(gòu)和簡(jiǎn)化系統(tǒng)設(shè)計(jì)推進(jìn)產(chǎn)品迭代，重點(diǎn)仍放在降低成本和提升數(shù)據(jù)利用效率上。

從行業(yè)角度來看，數(shù)據(jù)壁壘的打通和成本結(jié)構(gòu)的優(yōu)化，仍是智能汽車規(guī)?；l(fā)展的關(guān)鍵環(huán)節(jié)。類似Flow C這樣的嘗試，更多是在基礎(chǔ)設(shè)施層面為AI應(yīng)用鋪路。

隨著數(shù)據(jù)鏈路逐步打通，汽車產(chǎn)業(yè)也在向更高效率、更低成本以及更高智能化水平演進(jìn)。