新能源汽车国家大数据联盟微课堂自2022年底推出安全系列化课程，围绕网络安全、数据安全、车辆安全邀请专家大咖分享课程和观点，旨在服务国家数据安全治理体系的构建，促进数字经济的健康持续发展。
2023年11月23日联盟微课堂安全系列化课程第十三次课程上，北京航空航天大学副研究员曹耀光分享了《智能网联汽车融合安全相关研究》的主题授课，对智能网联汽车快速发展面临的信息安全、预期功能安全与功能安全问题等要点进行了分析，以下为课程回顾。
智能网联汽车是汽车产业发展的战略方向，11月17日，工信部、公安部、住房和城乡建设部、交通运输部四部门联合发布了《关于开展智能网联汽车准入和上路通行试点工作的通知》，部署开展智能网联汽车准入和上路通行试点工作，加快健全完善智能网联汽车生产准入管理和道路交通安全管理体系。该政策的发布，也标志着我国正式启动了智能网联汽车的商业化运行。
行业商业化快速发展的同时，其安全问题同样不可忽视。对于智能网联汽车来说，当前主要面临三大安全问题，即功能安全，预期功能安全和信息安全。
功能安全——由汽车电子/电气故障所导致的人身伤害风险。据国家市场监督总局数据显示，2021年全国实施汽车召回200多次，其中新能源汽车召回59次，三电系统涉及的问题超过一半；另一方面，快速迭代成为智能网联汽车开发的主要特点，OTA技术的广泛应用、产品频繁迭代、验证不充分带来的安全隐患都是新的挑战。
预期功能安全——智能汽车由于功能不足、性能局限或可合理预见的人员误用导致系统未达到预期功能带来的安全风险。预期功能安全相关研究和评估评价方法均处于起步探索阶段，特别是当前AI智能算法大规模应用仍有局限性，AI算法输出可靠性欠缺，都对智能网联汽车预期功能安全设计带来了新的挑战。
信息安全——分为恶意信息注入导致汽车功能异常的网络安全和敏感信息泄露的数据安全两部分。信息安全事关国家安全和人民的生命财产安全，在数据安全层面，由于智能网联汽车作为配备多种传感器的移动终端，具有全方位、多层次的数据采集能力，采集的数据涉及到地理，交通，个人隐私等多种敏感数据。另外，随着卫星互联网的快速发展与应用，如后续与智能网联汽车结合，存在通过卫星互联网实施跨境远程遥控的风险。
针对上述智能网联汽车存在的三大安全问题，曹耀光特别介绍了智能网联汽车“安全脑”的设计。“安全脑”由监测、评估、防控三个部分组成，与车辆自动驾驶系统并行运行，通过接入原车的感知和控制信息，实时评估车辆行驶风险，在紧急情况下可介入车辆控制，从而实现对智能网联汽车的安全保障。
最后，曹耀光分享了“安全脑”相关研究成果，所在团队研发了面向不同场景的自动驾驶车辆平台，在多个场景下开展了示范应用。基于自动驾驶技术研发的智能驾考系统，实现了对驾驶人实际道路考试的智能评判和安全保障；另外，研发了应用于园区场景的无人驾驶清扫车等自动驾驶落地方案，助力智能网联汽车更安全、更智慧。
提问环节
1.部分厂商所使用的“纯视觉”结合大模型的智驾方案与“安全脑”方案有何区别？在成本上有什么差异？
从前期研究的结果来看，“视觉+大模型”的方案有很大潜力可以挖掘，但在特殊场景下仍有局限性，存在预期功能安全的问题。“安全脑”则更多的聚焦在安全的角度，与原有的自动驾驶系统并行，对原有的自动驾驶系统开展实时的监测和分析，实现安全的保障，二者之间不冲突。从成本的角度，可以将“安全脑”中安全评估与防护相关算法应用到现有的自动驾驶系统中，作为自动驾驶系统安全保障的一个模块，从而优化成本。
2.以特斯拉提供的数据为例，当前自动驾驶事故率是人为驾驶的五分之一。围绕该数据，在未来，驾驶安全能否形成一个评判等级。后续的话，如果降低到1/10，甚至1/20，是不是一个可以接受的一个场景？
现在智能驾驶系统的响应速度和计算能力，实际在部分方面已经超过了人类驾驶员的能力，能够在很大程度上解决驾驶员开车分心、或新手驾驶员的一些不熟练操作导致的安全事故。但从另外一个层面，自动驾驶系统大规模运行后，出现问题就代表了一个技术路线、一个品牌、甚至整个行业的问题，所以降低到1/5这样一个水平还是不够的；个人认为只有将自动驾驶的安全事故率降低到人类驾驶员万分之一甚至更低的水平，才有可能实现自动驾驶系统真正大规模的上路应用。
3.您提到的融合安全，实际是由各项参数来进行组合的。不同权重的设置，会不会影响到不同的体验效果，另外，是不是可以有一些个性化的安全设置？
智能网联汽车未来会面临不同的场景，有不同的用途，也和安全有一定的关联性。在不同的场景下，例如园区内，高速公路和市区，对于安全的要求都不太一样。融合安全设计可以针对不同场景提出个性化安全需求，通过参数权重的配置、安全设计目标的设定、或是整个安全设计流程的优化调整，进行个性化的设置。
4.您如何看待大模型对未来自动驾驶技术进步的促进作用？
大模型是现在全行业都在关注的一个问题，对于未来智能网联汽车的发展肯定是有非常大的促进作用。主要体现在以下两个方面：第一，现在的自动驾驶算法，尤其是感知决策相关的算法，多数还是基于简单神经网络的算法，面临着一系列局限性，如果大模型能够在感觉决策相关技术上取得有效应用，将大幅促进当前依赖视觉感知相关自动驾驶技术的进步。第二，从安全层面上，需要通过积累大规模的安全数据来优化相关的算法，例如网络安全攻击的发现，数据安全敏感信息泄露的发现和管控，未来都可以依赖大模型进行技术的快速迭代优化和升级。所以大模型对于未来自动驾驶的发展还是会有非常大的促进作用，当然这也需要全行业共同的推进。