从软件赋能到软件定义，汽车行业不仅需要解决诸如错误发现滞后带来的高昂代价、功能融合所需的跨学科知识、功能安全与实施成本之间的权衡等老问题，也面临着新的挑战：软件复杂度的不断提升、利用数据驱动创造价值、人工智能的引入和实现、数字技术和工程能力的结合。这些问题和挑战同样也给予了行业审视和重塑软件开发体系的机会，让软件能成为未来价值的真正驱动力：

系统工程 – 应对多学科多领域复杂系统设计，构建系统和软件架构模型开展分析和权衡并集成行为实现早期需求验证；

软件工厂 – 可配置可复用软件开发集成高效自动化流程，满足快速开发迭代和可靠质量安全；

数据驱动 – 引入机器学习和深度学习等在内的人工智能算法，充分挖掘车队数据和工程数据创造新价值；

虚拟车辆 – 利用车辆仿真平台早期集成软件算法，实现包括自动驾驶在内的功能虚拟验证。

新体系下模型从算法到系统，从物理到数据，从设计到验证被赋予了更为广泛的应用范围和生命周期，担负起承载企业知识资产的重要使命。软件定义汽车，模型赋能软件。

AUTOSAR作为汽车行业的软件架构标准已经被全行业广泛应用。智能网联汽车和软件定义汽车的快速发展对软件架构提出了新的要求，AUTOSAR AP标准也在逐渐成熟并进入到汽车。不少工具和软件供应商也已基于AP标准开发了产品。作为汽车行业全球最大的标准组织，AUTOSAR还在做些什么来满足大家的需要呢？此演讲将讲述AUTOSAR组织标准化工作的来龙去脉，并介绍在中国参与AUTOSAR标准化工作的途径。

数字化转型是当前很多工业企业探索的重要任务，成立数字化部门，引进数字化人才，吸引数据科学家都是重要的事项。新事物的引入也会带来新的问题，其中如何让数据科学家和公司内的工程专家有效合作，发挥各自所长来正向促进企业数字化转型就是一个问题，这是一个参杂着技术和业务元素的复杂问题。本次演讲将分析这个问题，并探讨如何解决这个问题，创新性的提出了两种合作模式。

    演讲的第一部分将详细分析大数据分析的能力要求，分别是机器学习、编程能力和领域知识。其中编程能力是数据科学家和工程专家重叠的地方，他们都擅长MATLAB^®或Python^®的编程，另两个是大家各自擅长的，这就意味着他们需要合作。

    演讲的第二部分将深入分析数据科学家和工程专家之间的天然“矛盾”。第一个“矛盾”是观念上的，数据科学家推崇数据驱动的建模，强调关联，而不重视因果；工程专家却恰恰相反，基于物理或化学原理的建模才是他们最放心的。第二“矛盾”是技能上的，数据科学家擅长在大数据的基础上通过机器学习算法来发掘数据里的潜在规律，而工程专家擅长在试验数据上利用清晰的物理或化学原理来建立可靠的仿真模型。

    演讲的第三部分将探讨大数据分析合作的两种模式，在工业企业数字化的真实场景中数据虽大，却不是真正意义上的大数据，数据虽多，但也存在数据质量差、采样频率的低的问题。目前主流的合作模式是工作坊式的合作，即工程专家和数据科学家坐在一起建模，将以发动机进气系统健康状态预测模型为例来说明。另一种创新的合作模式是流水线式的合作建模，以一种技术方法将完整模型分为边缘模型和云端模型。工程专家负责边缘模型，数据科学家负责云端模型。这种方式实现了建模在时间和空间上的解耦，也能充分的发挥工程专家和数据科学家各自擅长的技能。会以发动机起动系统性能监测为例来展开说明。 第二种合作模式可以让工程专家继续使用他们擅长的MATLAB、Simulink^®在边缘控制器中集成边缘模型，而不是被分流去尝试云端建模。也让MathWorks可以集中精力让MATLAB成为云端建模的便利工具。

    这次演讲期待参会者可以全面的了解工业企业里大数据分析上数据科学家和工程专家的潜在“矛盾”和合作的必要性，以及如何高效合作。希望在这一问题我们的成功经验可以被借鉴帮助到其他企业的数字化转型。