全球前三！博世亮出智驾野心

“老钱”博世，对新技术的投入堪称激进。

博世在今年科技日上宣布，未来两年，将投入超过25亿欧元（约211亿人民币），用于人工智能的应用和开发。

博世预计，在人工智能的赋能下，到2035年，智能驾驶相关的软件、传感器技术、高性能计算单元和车载通讯类零部件的销售额，将远超100亿欧元（约合人民币844亿元）。

近期，博世高级副总裁、智驾体验业务单元全球CTO姚雨涵接受亿欧汽车采访时，亮出了博世的智驾野心：

全球前三。

“在智能驾驶领域，我们的长期战略目标非常明确：成为全球前三的智能驾驶解决方案供应商。”姚雨涵说道。

2024年5月份，姚雨涵正式加入博世，在智驾板块担任要职。他也携家人从中国前往德国赴任。

聊及原因时，姚雨涵坦言，ADAS要从“技术快速迭代”走向“成熟商业闭环”，绝不能止步于单一市场的成功。

中国作为主战场的竞争是重要起点，但只有实现全球可泛化，将技术方案推广到不同地区的客户，才能真正让ADAS成为一个闭环的商业形态。

全球化，既是博世有信心成为智驾领域第一梯队的底气，也是姚雨涵期望得以抱负施展的重要机遇。

以下为亿欧汽车采访姚雨涵的实录：

成为全球前三的智驾解决方案供应商

博世的智驾会选择集成或者外包吗？

姚雨涵：在智能驾驶的技术路径上，我们的选择非常明确：无论是中国市场还是全球范围，终极方向都是全栈自研，而非依赖外部集成或局部外包。

XC作为承载博世智能出行业务转型升级的核心部门，目前进展如何？

姚雨涵：XC作为博世智能出行业务板块中的创新事业部，承担着整合所有智能相关业务的核心职能，而我主要负责其中的ADAS技术领域。从XC事业部的定位来看，我们在推动转型这件事上态度非常坚决。回顾过去一年的转型进程，整体进展其实相当显著：无论是国内的技术研发与项目交付，还是海外诸多储备项目的推进，都在稳步落地。同时，我们的转型策略、未来产品线规划及技术战略规划也都清晰明确。接下来，核心就是要聚焦高效执行，全力推进各项规划落地。

如何看待Momenta的强势突围，所带来的竞争压力？

姚雨涵：企业其实很清楚要把钱花在刀刃上，最终还是要看谁更优。

在智驾领域，博世的目标是什么？

姚雨涵：在智能驾驶领域，我们的长期战略目标非常明确：成为全球前三的智能驾驶解决方案供应商。

平台化落地打造可全球泛化的技术研发体系

在智驾方面，相较于其他智驾供应商，博世的优势是什么？

姚雨涵：作为Tier1企业，博世的技术方案，我们会推进平台化落地，但在平台化过程中，我们更侧重模块化设计，以适配不同国家和地区的本地化使用场景，同时针对高中低端不同车型提供差异化方案。

因此，我们在系统架构设计和具体技术方案层面会投入更多精力进行打磨。

博世的团队呈现分布式特点，比如分布在欧洲、日本、印度、北美等12个国家、33个地区。如何在这样的布局下建立一套可全球泛化的技术研发体系，以满足不同国家客户及不同车型的多样化需求，这对我们而言既是额外的挑战，也是潜在的机遇。

不同车企的智驾或自研，或选择供应商伙伴，技术路线各有不同，如何看待这样的差异化状况？

姚雨涵：市场需求的差异是客观存在的。全球范围内，有的厂商坚持要用激光雷达，有的则明确排斥；摄像头数量从5个到11个不等，毫米波雷达的配置也从1个到5个各有选择；芯片选型上，英伟达、高通、地平线等不同方案的偏好也很鲜明。

这些差异恰恰凸显了平台化与模块化设计的价值。

其核心在于构建一套统一的基础AI能力，以此为内核支撑起高中低阶全产品线，同时能高效适配不同的传感器配置和芯片选型，毕竟芯片对自动驾驶方案的影响，几乎与传感器同等重要。

这正是博世的强项所在。我们在系统设计层面有充分积淀，无论是平台化架构的搭建、高质量的交付与验证体系，还是用统一框架兼容不同地区的法规要求、用户体验差异及主机厂的个性化偏好，都有成熟的实践。

要让这种模式形成商业闭环，平台化与高效模块化架构是绕不开的前提。毕竟很难用一套固定的传感器配置或方案满足所有客户和产品线的需求，更现实的路径是：基于最大共性做模块化设计，再通过裁剪、下放等方式适配差异化需求，同时始终保持核心能力与关键架构的稳定性。

这既是应对市场差异的策略，也是保持技术竞争力的关键。

评测，存在主观性和随机性，打地基更为重要

近期，不少机构对不同车企品牌的智驾车型进行了评测，如何看待不同的评测结果？

姚雨涵：最近看到国内有个智能驾驶比赛出了排名，结果其实挺出乎我意料的。

评测这件事其实很有意思。我们内部团队会做评测、benchmark，很多媒体也在做，甚至不少竞争对手也会做内部评测。

但这类评测存在较强的主观性和随机性，尤其在场景选择上。

目前整个市场的技术都还没做到绝对泛化，比如有的公司在深圳做得不错，那它在深圳及周边的实际体验肯定比其他地区好；同理，扎根北京、上海、广州的公司，往往在离研发团队越近的场景里，迭代优化得越到位。

另外，所有公司的方案都在持续演化，而且迭代速度很快，可能每3~6个月就会有框架性的更新。比如蔚来刚发布了世界模型的最新版本，这背后是团队过去一整年的密集迭代。

不过对这些公司，我更关注的是核心能力。判断一套智驾系统好不好，关键看几个要素：数据积累怎么样？迭代效率如何？工程落地能力强不强？这几点就像地基，打好了，做出好产品只是时间问题。

我从技术角度出发，更倾向于评估各家公司的“地基”打得怎么样。

特斯拉的技术路径，很难直接复制，绝不能盲目跟随

特斯拉FSD备受争议，如何看待特斯拉FSD的水平？

姚雨涵：在我看来，特斯拉是全球ADAS公司里核心能力最强的，已经实现了在中国、美国等市场的泛化，最近还推出了Robotaxi，而且都基于同一套软件框架，只是验证策略和调试细节略有不同。

用过特斯拉产品的人可能会觉得它的体验还不够精细，毕竟团队也就200人左右，但能明显感受到它的核心能力底子很厚，一旦愿意投入更多资源打磨，其实能很快改进。

因为它的问题场景很集中，很容易通过技术手段修复。它的算力、团队核心能力以及数据积累，确实是全球领先的。智能驾驶本质上是场马拉松，体验虽然相对主观，却也是重要参考，但最终还是得看技术深度。

同时，特斯拉确实很有特色，这点不得不承认。

首先是团队规模，他们整个团队才200人左右，而国内同行动辄上千甚至两千人以上，这种精简模式本身就很有反差感。 其次是算力资源，他们据说有5万块A100或A200这类高端芯片的算力储备，这在行业里是相当突出的优势，为技术迭代提供了强大支撑。 更关键的是纵向整合能力。

从传感器、整车架构到自研芯片，他们构建了一套完整的自研体系，这种全链条掌控力非常强。 另外，他们的方案走得很极致。比如纯视觉路线并非全覆盖，特意省掉了很多近距离鱼眼镜头，他们认为司机肉眼看不到的场景，应该通过算法“脑补”或智能推理来解决，这种思路确实独树一帜。

从2020、2021年开始，特斯拉每年的AI Day就像给全球ADAS行业“布置作业”，先是Transformer，接着是Occ，后来又宣布去掉了雷达……一开始我们团队还能跟上节奏，到后面就明显感觉“作业”越来越难，上一年的还没吃透，新的技术方向又来了。不过最近他们把精力转向了人形机器人这类更前沿的领域，也挺有意思的。

其实特斯拉的策略和技术演进路径很难直接复制，毕竟各家的基础和资源禀赋不同。能借鉴的部分当然要吸收，但绝不能盲目跟随。这是我过去四五年来最深的体会。

智能驾驶正在从“差异化亮点”，过渡为“标准配置”

如何评价当前智驾技术的发展阶段？

姚雨涵：我认为当下智能驾驶技术已进入相对成熟和确定的阶段。

回望三年前，行业还充满不确定性：是否需要激光雷达、多大算力才够用、冗余设计要做到什么程度，这些问题都没有定论。但过去3-5年，随着市场的持续投入、试错迭代，以及技术先锋们的探索，如今行业已形成共识：多大算力能支撑哪些场景、什么样的传感器配置更适配需求，这些核心问题都有了相对明确的答案。

从产品层面看，现在正是推进平台化和模块化的最佳时机。另一方面，智能驾驶市场也已趋于成熟，行业重心从“讲故事”转向真正实现商业闭环，让技术落地为可持续的商业模式。

可以说，无论是技术成熟度、商业阶段还是市场预期，当下都为平台化布局提供了绝佳条件。 还有一个显著变化是竞争逻辑的转变。三年前，大家普遍将智驾视为核心差异化优势，只要团队投入早半年、功能比竞品提前推出半年，就能形成竞争壁垒。但现在，行业技术差距不断缩小，智能驾驶正逐渐从“差异化亮点”过渡为“标准配置”。

这意味着，未来主机厂（OEM）会重新审视策略：是自研（in-house）还是采用Tier1的方案？这本质上是个商业选择。一旦智能驾驶不再是核心区分度，而是标准化组件，行业的合作逻辑和商业规则就会发生变化。

实际上，全球OEM已显现出这样的趋势：他们曾投入大量资源，甚至收购相关公司，但如今正重新思考“自研还是外购”的平衡。

我认为，中国市场也将迎来类似的讨论，更多厂商会重新梳理自身在智能驾驶领域的战略布局。

技术扎根+全球落地，是ADAS实现商业闭环的核心路径

为什么选择远赴德国，加入博世？

姚雨涵：ADAS要从“技术快速迭代”走向“成熟商业闭环”，绝不能止步于单一市场的成功。

国内市场的技术狂奔确实能快速验证产品竞争力，但商业的可持续性必然依赖全球范围的成功。中国作为主战场的竞争是重要起点，但只有实现全球可泛化，将技术方案推广到不同地区的客户，才能真正让ADAS成为一个闭环的商业形态。

这也是我对博世充满期待的核心原因：博世在全球市场的积淀恰恰能支撑这种“从区域成功到全球落地”的跃迁。

从客户层面看，它深耕全球汽车产业多年，对不同地区主机厂的需求理解、合作模式都有成熟经验。在场景适配层面，无论是欧洲的高速场景、北美的开阔路况，还是亚洲的复杂城市道路，博世在主要地区都有扎根多年的本地化团队，对区域特性的把握远超单一市场玩家。

更关键的是，在汽车级软件的交付能力上，博世对安全合规、工程落地、长期维护这套体系的理解和实践，有着独到的积累。这正是ADAS从“技术demo”变成“量产产品”最需要的支撑。 博世的“低调内敛”背后，是对底层技术的持续深耕。加入前我也没想到博世在AI领域的投入如此深厚，但深入了解后会发现，这些不张扬的底层积累（比如数据体系、算法框架、工程工具链）恰恰是支撑全球泛化的“地基”。

未来的关键，就是把这些扎实的底层技术转化为能适配全球市场的产品，一步步推向不同地区的客户。这种“技术扎根+全球落地”的逻辑，正是ADAS实现商业闭环的核心路径，也是我选择博世的重要原因。

博世，有自建超算中心的计划吗？

姚雨涵：我们一直在探讨的这种可能性，本质上终究是个商业决策——核心还是权衡“租用外部资源”与“自建能力”的成本效益，找到最优解。

其实对比来看，像蔚来这类新兴企业确实节奏更快、竞争更“卷”，而博世作为传统行业的头部玩家，虽然底蕴深厚，但转型的步伐需要持续加速。

我能明显感受到，从一年前刚加入到现在，部门已经发生了很大变化，但这种变化不能停，必须持续推进才能跟上行业节奏。

现在ADAS的竞争早已不是单一维度的比拼：对手不仅有其他Tier1，还有主机厂的in-house团队、各类初创公司，整个赛道的竞争格局越来越复杂。这种情况下，我们既要牢牢抓住自身的核心优势，比如全球客户资源、汽车级工程交付经验、合规体系积淀等；更要主动且快速地识别暂时的短板，针对性地去补齐。 对团队而言，关键是要让大家看清整个竞争的全貌：知道我们的优势在哪里、风险点是什么。

毕竟，只有正视风险，才能抓住藏在挑战背后的机遇。这种对全局的认知，加上持续迭代的行动力，才能让我们在多元竞争中站稳脚跟。

我认为，中国市场也将迎来类似的讨论，更多厂商会重新梳理自身在智能驾驶领域的战略布局。

在数据安全合规与全球技术协同之间，找到了最优解

为什么选择远赴德国，加入博世？

姚雨涵：我们的核心主线是“全球大中台”，但与传统模式不同的是，这条主线并非仅由中国团队开发，而是由中国与海外团队联合共建。

目前中国团队的推进节奏更快，而从长期来看，中国技术力量将逐步主导全局，为全球进程按下“加速键”。

在推进过程中，我最关注的是“不变量”，也就是我们常说的“地基”：数据体系的扎实程度、研发效率工具链的完善度、全球研发体系的稳健性，这些核心支撑必须打牢。

当然，我们也会关注“变量”：团队会持续投入全球前沿技术研究，在顶刊发表论文，毕竟技术迭代日新月异，一年后的技术形态可能大不相同。

但正是这些核心地基越牢固，我们应对技术变化的速度才会越快。

技术迭代的逻辑始终是渐进式的，而非推倒重来，不是重写全新架构，而是用最新框架逐步替换旧有模块，实现平滑升级。支撑这种高效迭代的，正是那些核心支撑能力。

针对全球不同的市场，如何处理智驾涉及的敏感数据？

姚雨涵：我们在数据策略上坚持“分域存储、合规协同”的原则，比如欧洲项目的数据存储在欧洲本地，中国和北美的项目数据存于北美，日本项目数据留在日本。

这种分而治之的模式能从源头规避跨区域数据传输的风险，毕竟数据跨境不仅需要复杂的脱敏处理，很多场景下即便脱敏也可能因法规限制无法传输。

尤其我们事业部的业务不仅涵盖舱外行车场景（如智能驾驶相关数据），还包括舱内数据（如驾驶员监控系统），这类数据的隐私保护要求更高，且不同地区的法规细则差异显著，本地化存储是保障合规的基础。

但“分存储”不代表“分隔离”。

我们通过联邦学习等技术方案，在严格遵守各地区合规框架的前提下，实现了数据价值的跨区域协同：不需要原始数据跨境传输，就能让全球不同区域的模型在本地数据上训练，并通过加密参数共享实现知识沉淀，最终形成一套能支撑全球业务的统一技术平台。

这样既守住了合规底线，又最大化发挥了数据的全局价值。

什么是联邦学习？

姚雨涵：联邦学习，是我们解决全球化数据难题的核心技术方案，它的底层逻辑非常巧妙：数据本地化存储，参数跨域流动。

具体来说，日本的数据留在日本，美国的数据存在美国，所有原始数据都不离开本地，而是直接用当地的算力完成模型训练；训练后，只将模型参数汇总到中央节点进行融合优化，最终迭代出一套“one for global”的全球通用模型。

这种模式精准避开了数据跨境的合规红线，各国对核心数据（比如人脸、车牌、测绘信息等敏感内容）的出境限制极其严格，但对模型参数的流动通常没有禁止性规定。

这就从根源上解决了“数据资产无法出境”的痛点，同时还带来了显著的效率优势：

算力分布式部署。无需将所有算力集中在德国、中国等单一区域，而是让各地根据数据规模灵活配置算力，实现资源的就近高效利用；

迭代链路极大缩短。如果依赖数据脱敏后跨境传输，不仅会产生额外的脱敏成本（包括专线、模板工具、人工审核等），更会因步骤繁琐导致链路冗长、效率低下，甚至增加稳定性风险。

而联邦学习通过“数据不动参数动”，省去了复杂的脱敏和传输环节，让模型迭代速度大幅提升。

对我们而言，这种可泛化的数据策略是支撑全球化AI能力的核心地基之一。

尤其在智能驾驶这类需要适配全球场景的领域，能否在合规前提下高效利用各地数据训练出通用模型，直接决定了技术方案的全球化落地能力。

联邦学习让我们在“数据安全合规”与“全球技术协同”之间找到了最优解，既保证了整个体系的稳健性，又为长期高效迭代提供了坚实支撑。

打赏 点赞