自動駕駛“魔咒”：關鍵的“感知” 數據主權在誰？
自動駕駛“魔咒”
本報記者 陳茂利 北京報道
蔚來車主林文欽車禍身故事件過去已一月，尚無更新進展，但對於汽車自動駕駛技術的現狀與未來，各界的關注與熱情卻不會消退。日前，在北京舉行的服貿會上，高通中國董事長孟璞表示，未來5年內，汽車自動駕駛就可以發展到L5級。
L0～L5是劃分汽車自動駕駛技術的一種分級方法，級別越高，脫離駕駛員操作的屬性就越強。L5級汽車在駕駛中將可以實現完全的“脫眼”“脫手”，甚至可以在某種意義上不再需要方向盤。而當下，所有應用級別的所謂自動駕駛，最高只到L2級，也就是需要司機全程介入，實質上，只是“輔助”駕駛，不能“脫眼”“脫手”。從L2到L5級，需要跨越的早已不是簡單的L3、L4級別的技術問題，雜糅着技術、算力、產業監管、法律法規、數據安全甚至社會倫理等多方面的問題，孟璞顯然太樂觀了。
就在林文欽車禍身故4天后，美國高速公路安全管理局（NHTSA）宣佈，將對特斯拉Autopilot 自動輔助駕駛展開安全調查，涉及11起事故、76.5萬輛車。NHTSA在一份文件中提到：“目前已經證實，涉案車輛在事故發生時都開啓了Autopilot或交通感知巡航控制（Traffic Aware Cruise Control）功能。”而中國警方則受理了林文欽家屬針對事故發生後蔚來方面毀滅相關駕駛數據證據的報案，蔚來相關員工亦被警方傳喚。
中美兩國是自動駕駛應用場景最大的國家，對待自動駕駛都顯現出了謹慎的態度。“沒有自動駕駛汽車。”一位自動駕駛領域從業人員向《中國經營報》記者指出。然而，令人無奈的是，在主機廠和車商的宣傳中，當前這種至多L2級的輔助駕駛，卻被塑造得極具技術感和未來感，自動旋轉的方向盤、加減速甚至併線，都讓人們簡單地相信，這就是一輛可以完全自動駕駛的汽車。特斯拉的銷售人員在向客戶介紹輔助駕駛系統時，所使用的中文系統名稱，就是“完全自動駕駛能力”。
一邊是賣車需要營造的科技感，另一邊則是資本大規模進入自動駕駛領域，再加上自動駕駛技術路線選擇背後巨大的商業利益和競爭優劣，汽車自動駕駛早已脫離了一項技術本身應有的內涵，走在了一條充滿荊棘的道路上，要順利和安全地抵達終點，已經不是“用刀砍掉擋路的樹枝”那麼簡單。
事關公衆安全，汽車自動駕駛不能走上歧路。
“沒有自動駕駛汽車”
“沒有自動駕駛汽車。”在看到了蔚來汽車車主林文欽車禍身亡的新聞後，上述自動駕駛領域的從業人員向記者明確表示。當然，如果要在他的這個判斷前加上一個時間狀語的話，那麼便是“現在”。
他列舉了當下市面上所售汽車產品的所謂自動駕駛功能：車道保持、車道偏離預警、併線輔助、主動剎車、自適應巡航等，這些功能在他看來，多是L2級或以下的駕駛輔助功能，並不能滿足L3級以上“自動駕駛”的定義。實質上，現有一切應用級別的所謂自動駕駛系統都只是輔助駕駛系統。
根據工信部公示的《汽車駕駛自動化分級》（以下簡稱“分級”），L3級爲“有條件自動駕駛”，並不是完全意義上的自動駕駛。僅允許在“設計運行條件內”激活；激活後在設計運行條件內執行全部動態駕駛任務；當即將不滿足設計運行條件或系統失效時，及時向用戶發出接管請求。
“‘設計運行條件內’指的是ODD（Operational Design Domain），特定場景。”一位長期關注自動駕駛的業內人士向記者表示，“ODD是在定義好的工況下實現自動駕駛，脫離了定義工況，自動駕駛就不能保證正常工作。”
這類限制行駛場景，只在精挑細選和地圖繪製的區域內行駛的做法，被業內叫作“地理圍欄”，並被比喻爲“一切切除複雜區域的手術”。
相比之下，L2級能夠實現的智能駕駛功能更加有限。根據“分級”，L2級被叫作“組合駕駛輔助”，具備與車輛橫向和縱向運動控制相適應的部分目標和事件探測與響應的能力。“簡單來講，L2級駕駛輔助能持續控制轉向和加減速，但這個時候仍需要系統和駕駛員共同開車，必要時人要主動接管控制。”某車企智能駕駛開發工程師告訴記者。
當下，國內市場上主要有三個應用級別的系統：蔚來汽車的NOP系統、特斯拉的NOA系統、小鵬汽車的NGP系統。對照“分級”以及行業內的通行標準認知，行業內部絕大部分專業人士認爲，上述三個系統的功能，“封頂”在L2級別，都是輔助駕駛系統，而不是自動駕駛系統。
L3級被視作是從輔助駕駛跨入到自動駕駛的“關口”。跨越L3級“有條件自動駕駛”之後便進入L4級“高度自動駕駛”。兩個級別雖然都有“設計運行條件內”的限制，但應用場景則是隨着級別提升而擴大的。按照行業預期，L4級高度自動駕駛範圍將從高速、城市快速路擴大至市區。
“L3級自動駕駛在高速上可以自動超車，自動變道，自動上匝道、下匝道，可以按照設置的起止地點，從出發地到達終點。小鵬XPILOT 3.0之前做了一次實驗，從廣州開到北京，3000多公里，百公里接管次數平均是0.71次。”北方工業大學產業創新研究中心研究員張翔在接受《中國經營報》記者採訪時表示。他認爲，小鵬XPILOT 3.0整個技術架構體系是符合L3級的，只不過現在技術還不太成熟。
實際上，早在2017年，奧迪便率先在A8上推出了L3級自動技術的 Traffic Jam Pilot（人工智能交通擁堵導航系統）。不過，奧迪於去年5月宣佈，放棄了在下一代A8旗艦車型中引入L3級自動駕駛計劃。
原因之一是，奧迪未能等到各國相關的L3自動駕駛政策落地，以及國際監管機構也沒能就基本的L3級自動駕駛功能的審批流程達成一致。
責任歸屬也是掣肘L3級自動駕駛落地的原因。L1～L2級自動駕駛中，人類駕駛員是行動兼責任主體，系統只是起到輔助駕駛的作用，即便出現交通事故也是人類駕駛員負責。而到了L3級，自動駕駛系統成爲車輛的行動主體，同時又要求人類駕駛員適時接管。因此，在出現交通事故時，很難論定是人類駕駛員還是系統的責任。
發生安全事故且責任釐不清是讓車企最爲顧慮的。這也是讓奧迪最終放棄的根本原因。
“L5是自動駕駛的終極階段，爲完全自動駕駛。”上述自動駕駛領域從業者告訴記者，“現有的看法是隻有到了L5級，人不需要參與其中，那個時候自動駕駛纔會全面推廣。目前，國內很多公司在做一些特定場景的自動駕駛，包括物流園區、港口，還有礦山這種特定場景，這種場景特點是比較簡單，容易實現。”
當下，用戶對於自動駕駛分級，在相當大的程度上存在“誤認”。在B站、抖音等視頻社交平臺上，經常可以看到號稱“全程開啓自動駕駛”的視頻：方向盤自動旋轉、車輛自主識別障礙物、避讓行人、加減速、轉彎、過彎、併線，科技感十足，收穫頗多點贊。在這些視頻中，實際行駛在道路上的汽車，儼然可以看作實現“脫眼”“脫手”的自動駕駛。
“我在B站看到有人在上海上下班全程開啓特斯拉Autopilot，我都覺得不可思議。我對這類功能是持謹慎態度的，還是更相信自己。”北京高校老師兼特斯拉車主韓先生向記者表達了自己對自動輔助駕駛的態度。
對於這種誤認，諸多業內人士認爲與主機廠和車商在宣傳中對科技感的塑造有關。國內一家造車新勢力頭部車企副總裁曾發微博稱，“NIO Pilot越來越上癮，一點半開會結束出發，在自動輔助駕駛幫助下，放心地邊喫東西邊開車。”這被認爲是“暗示”自動駕駛的宣傳。
“我發現，有車企在宣傳時提到L 2.99級自動駕駛。爲什麼要做這麼多文章？爲了吸引消費者眼球。相比傳統車企，造車新勢力成立時間短、品牌知名度低， 資金、研發實力都較弱，自動駕駛便成爲打開局面的有力武器。”張翔表示。
“L2和L3什麼的用戶聽不懂。建議統一名稱：L2=輔助駕駛；L3=自動輔助駕駛；L4=自動駕駛；L5=無人駕駛。一個多餘的中文字也不要有，避免誇張的宣傳造成用戶使用誤解。”理想汽車創始人李想在林文欽事故後發文呼籲，媒體和行業機構統一自動駕駛的中文名詞的標準。
關鍵的“感知”
林文欽的車禍悲劇，系在開啓輔助駕駛系統的情況下，撞上錐桶而引發。這將自動駕駛技術中“識別”技術和應用的關鍵性，推到了人們的眼前。記者在蔚來汽車《領航輔助使用指南》中看到，其自動駕駛系統工程負責人章健勇強調：“ NOP目前還無法響應人、動物、交通燈及靜態障礙物（如高速收費站、路障、三角警示牌等）。”
“1個Mobileye EyeQ4處理器、1個前向三目攝像頭、4個環視攝像頭、5個毫米波雷達、12個超聲波雷達、1個駕駛員監測攝像頭”，這是蔚來NIO Pilot感知硬件構成。
既然準確和全面的“感知”如此關鍵，如何實現就更加關鍵。
在自動駕駛的整套方案中，包括感知環節、決策環節、執行環節。當下，L2級輔助駕駛汽車感知環節硬件主要採用“雷達+攝像頭”的多傳感器融合方案，這種方式堪稱主流。
毫米波雷達是技術較爲成熟、應用廣泛的感知硬件。汽車毫米波雷達通過天線向外發射毫米波，接收目標反射信號，處理後快速準確地獲取汽車與其他物體之間的相對距離、相對速度、角度、運動方向等物理環境信息。
因爲探測精度高、硬件體積小、全天候工作，不容易受天氣影響等優點，毫米波雷達被多數汽車廠商用來實現ACC（自適應巡航）、AEB（自動制動系統）、FCW（前碰撞預警系統）、BSD（盲點監測）等功能。
不過，優點突出的毫米波雷達，缺點也很突出。上述長期關注自動駕駛的業內人士表示，“廣泛使用的3D毫米波雷達能夠準確知道目標與雷達之間的距離、方位、速度信息，但不具備測高能力，難以判斷前方靜止物體是位於地面還是在空中。”
“業內不乏由於環境感知傳感器物理侷限引發的事故。”東風汽車技術中心智能網聯部相關人士向記者表示。2020年6月，一輛特斯拉Model 3在高速公路上直接撞向了一輛側翻在地的廂式貨車。另外，2016年至2020年，每年都會有開啓Autopilot的特斯拉撞上正在作業的道路清掃車、消防車和警車。
國內市場上主要有三個應用級別的系統：蔚來汽車的NOP系統、特斯拉的NOA系統、小鵬汽車的NGP系統，均停留在L2級別輔助駕駛。
“對毫米波雷達來說，主要是受目標對電磁波反射敏感度影響，有些橡膠類靜態物反射不好，識別會困難。此外，雷達幾乎無法區分龍門架、道路側面的金屬標牌或道路上停放的靜止汽車，因爲雷達的空間分辨率很差，在算法上只能通常忽略相對於路面不移動的雷達回波。否則，每次經過路標等靜物時，汽車都會驚惶失措。”法雷奧中國首席技術官顧劍民表示。
談及毫米波雷達，記者關注到，特斯拉創始人埃隆·馬斯克在YouTube上發文指出，同時融合攝像頭數據和毫米波雷達數據的“多傳感器融合方案”，最大的缺陷在於毫米波雷達“信噪比”低於攝像頭，會有大量誤檢測。將視覺感知結果與毫米波雷達結果進行融合的時候，如果視覺和毫米波感知結果不一致，慣常做法是相信視覺而忽略毫米波檢測結果。
實際上，這也是特斯拉多起“幽靈剎車”的原因。
“當時，因爲大卡車的顏色是純白色的，與天空顏色相近，再加上反光等因素，處於主導地位的攝像頭並沒有‘看到’卡車的存在。處於輔助地位的毫米波雷達倒是發現了這個目標，然而，特斯拉當時用的是3D毫米波雷達，不能夠區分目標是在空中還是地面，因此，以攝像頭爲主導的安全系統最後不得不將其忽略，從而導致了車禍的發生。”4D毫米波雷達廠商凌波微步CEO於勝民談及特斯拉Model 3撞車事故時表示。
路線之爭
儘管在國內多數車企採用“雷達+攝像頭”的技術方案，但這並不意味着，這種技術路線就可以“一統天下”。實際上，在汽車自動駕駛領域的感知環節，一直存在着路線之爭。一條路線是“雷達+攝像頭”路線；另一條是完全依賴攝像頭感知的技術路線，而後一條技術路線最大的推崇者便是特斯拉。
今年7月10日，特斯拉發佈沒有雷達、僅依賴攝像頭和AI智能算法的FSD版本——FSD Beta V9.0。特斯拉方面將其稱爲“純視覺方案”。在特斯拉的自動輔助駕駛方案中，“毫米波雷達”被拋棄了。
記者瞭解到，FSD Beta V9.0 採用多攝像頭拼接而成的環視視覺，可有效提升車輛通過視覺對周圍道路環境進行實時建模的能力。
“我們希望能夠打造一個類似動物視覺皮層的神經網絡連接，模擬大腦信息輸入和輸出過程。就像光線進入到視網膜當中，我們希望通過攝像頭來模擬這個過程。”在特斯拉AI Day上，特斯拉AI 高級總監Andrej Karpathy闡述了這麼做的底層邏輯。
馬斯克則用更簡潔的話來解釋原因：因爲人類就是靠眼睛駕駛汽車的。
簡單而言，特斯拉的純視覺方案，是把自動駕駛置入了“仿生學”的框架中，模擬人類的視覺、感知和信息處理、判斷。更形象一點，便是自動駕駛有眼睛，也有神經。這與當下自動駕駛領域的“先驅”Waymo、一衆初創自動駕駛公司以及汽車廠商（蔚來、小鵬、理想等）所選擇的“激光雷達+攝像頭”技術方案大相徑庭。與特斯拉採用類似技術路線的，還包括國內的互聯網巨頭百度。
“純視覺是個僞概念，車上除了攝像頭，還有超聲波雷達、GPS。”國家知識產權局副研究員楊棟向記者表示，“特斯拉與其他廠商的主要區別在於激光雷達，不用激光雷達，主要是從成本方面考慮。但是激光雷達降價是大勢，未來不排除特斯拉會採用。”
有機械電子行業人士認爲，“純依靠視覺算法的自動駕駛並不太適合中國，高度依賴攝像頭和電子的開發思路難以達到智能駕駛的冗餘和可靠性要求，很難在未來對智能駕駛嚴格的法規約束下落地。”
記者關注到，不少業內人士對特斯拉宣稱的所謂“純視覺”方案的安全性保持懷疑態度。而在特斯拉宣佈將在部分車型上取消裝配毫米波雷達，僅使用攝像頭進行自動駕駛的信息採集後，失去了包括 IIHS（美國公路安全保險協會） 、NHTSA（美國國家公路交通安全管理局） 、CR（消費者報告）在內的多家機構對這些車型的“安全背書”。
與純視覺派僅將攝像頭作爲感知環境的“眼睛”不同，業內普遍認可，想要實現L3級及更高級別自動駕駛，“激光雷達+攝像頭”技術方案融合激光雷達、毫米波雷達、攝像頭等多種傳感器的技術方案，才能達成L3級自動駕駛對安全冗餘的要求。
由於其在測距精度、響應速度及測距穩定性方面優勢突出，以及可以實時建立3D模型，激光雷達被認爲是向高階自動駕駛邁進的必備法寶。在業內，2021年更是被稱爲“激光雷達元年”，奔馳、寶馬、沃爾沃、北汽新能源、蔚來、小鵬等多家車企推出搭載激光雷達的量產車型。
不過，激光雷達也不是“全能的”，激光雷達在雨雪、霧霾、沙塵暴等極端天氣下表現欠佳。這類天氣會干擾激光雷達的工作，從而影響三維地圖的構建，所以激光雷達往往需要配合以毫米波雷達爲代表的其他傳感器來使用。
路線之爭的背後，不僅是技術水平高低優劣，更與商業利益直接相關。
馬斯克反對“雷達+攝像頭”感知方案的理由之一，便是成本高昂。他曾多次公開表示，激光雷達成本高昂，且需要高精度地圖匹配，會限制車的使用場景，很難實現在全球通用。另外，馬斯克認爲，多種傳感器相互配合，會出現感知結果相互矛盾的情況。
激光雷達到底有多貴？前述自動駕駛領域從業人員向記者表示，“一顆車規級激光雷達的價格是傳統毫米波雷達的7倍之多。激光雷達分爲機械式激光雷達、固態激光雷達。由於固態激光雷達的成本一直居高不下，所以大部分自動駕駛公司還在用機械激光雷達，尤其是在無人出租車領域，還沒有哪家自動駕駛公司把固態激光雷達加其他感知器融合在一起，做到成本很低。”
“目前從應用端來看，視覺和激光雷達都是有缺陷的，但是隨着激光雷達的成本逐漸降低，未來在車路協同方面是大有可爲的。”賽迪顧問產業研究副總監趙振越在接受記者採訪時表示。
算力競爭與機器學習
“從單純科學定義上來講，自動駕駛技術的目的在於解除汽車對駕駛員的需求，部署了自動駕駛技術的汽車能夠完全獨立自主地把汽車從一個地點駕駛到另一個地點。爲了能夠完成這項複雜的任務，這些汽車需要配備額外的硬件和軟件系統，幫助AI系統瞭解環境、做出決策並採取行動。”一位人工智能專家向記者表示。
跳出兩種技術方案在感知環節的差異，自動駕駛數據量以及算力將是決定兩種技術路線孰優孰劣的又一關鍵。
“特斯拉競爭優勢難以複製。”在特斯拉AI Day（“人工智能日”，特斯拉用於展示其在人工智能方面硬件和軟件開發進展）後，首創證券分析師嶽清慧評價道，“可以看到特斯拉選擇視覺方案是以給予其視覺算法迭代+海量數據積累+Dojo支撐模型訓練爲基礎。”
“自動駕駛公司的核心競爭力在於‘誰能更快、更多、成本更低地獲取和挖掘數據，將簡單的物理感知數據轉化爲人工智能的認知數據’。”毫末智行董事長張凱在接受記者採訪時表示。
談及數據，目前，全球範圍內沒有任何一家智能電動車公司超越特斯拉，有超過100多萬輛特斯拉車輛行駛在道路上收集數據，特斯拉毫無疑問擁有業內最大的AI數據集。
公開資料顯示，今年年初，特斯拉Autopilot就積累了50億英里的數據。據Andrej Karpathy介紹，特斯拉收集了100萬個以每秒36幀的速度記錄的10秒片段，總數據量高達1.5PB。
數據對於自動駕駛汽車意味着什麼？“數據是機器進行學習、完善自身算法的依據。自動駕駛的實現有賴於複雜的算法，算法需要數據來修正模型，不斷‘填喂’數據，算法才能調教得更加準確，不斷完善成熟。”深度科技研究院院長張孝榮在接受記者採訪時表示，“數據還是機器做出‘判斷’決策的依據。自動駕駛模仿人類的決策過程，汽車依靠雷達、傳感器或攝像頭採集數據，進行運算，做出決策。”
僅擁有數據是不夠的，如果不想淹沒在數據的海洋中，自動駕駛企業必須擁有強大的數據處理能力。
在數據處理方面，特斯拉是典型的代表。爲了提升數據處理能力，特斯拉在AI Day推出超級計算機Dojo。據特斯拉介紹，Dojo是佈置在雲端的訓練中心。在這裏，特斯拉車輛搭載的攝像頭等傳感器，不間斷地採集真實的道路數據，然後Dojo D1芯片的人工智能算法會自動標記這些數據中的物體，包括常規道路、危險道路和其他意外情況。
據特斯拉方面介紹，在對感知環節所採集到的圖片、視頻數據進行標記後，感知系統會將數據統一輸出給神經網絡，再進一步通過軌跡分佈模型，輸出給規劃控制系統，最終向車輛輸出轉向、加速等指令。
模型在算法的調教下越發精進。在雨、霧、雪等能見度較低天氣下識別車輛周圍環境是攝像頭的缺點，但這個技術缺陷正在被視覺算法解決。以特斯拉爲例，針對特定場景，特斯拉可以從車輛標記好的數據庫中搜索類似場景，對神經網絡進行快速泛化訓練。
相比特斯拉純視覺方案對於超高精度算法的依賴，“雷達+攝像頭”技術方案對算法的要求低，因爲激光雷達可以大幅提升視覺算法的精度，降低視覺處理對於超高精度算法的依賴。
數據主權在誰？
智能汽車在行駛過程中收集的海量數據，不僅能作爲訓練人工智能和機器學習使用，一旦發生交通事故，對於釐清責任亦有重大的作用。這樣一來，一個超乎技術路線、商業模式以外的問題就被凸顯出來，這些海量而關鍵的數據主權，歸誰所有？
一位正在維權的特斯拉車主在直播中表示，“只有完整的行車數據，才能找到事故發生的真相”。據該車主介紹，她在對比了用戶手冊以及特斯拉提供給其他車主的數據，發現特斯拉給她提供的行車數據缺少了制動主缸缸壓、ABS狀態、制動踏板位置等關鍵數據，“相比給另一個車主的數據有25項，給她的只有11項，“我一直認爲，作爲用戶，我可以得到自己車輛的行車數據。”
那麼車主是否有權提取行車數據？“數據是我產生的，我要，你就必須、馬上給我？這是一個誤解。數據提取是有門檻的，數據提取需要考慮用途。如果用戶興致來了，隨便跑來調取數據，我想科技企業最後會累死。企業往往希望能夠在第三方監督的情況下給，比如說，遇到交通事故，配合警方的調查來給到數據。”一家頭部造車新勢力人士在接受記者採訪時表示。
記者瞭解到，這些海量數據一般會涉及以下方面：第一類是車主本人的信息，即姓名、賬號、密碼等；第二類是車輛數據，包括車架號、發動機號、設備編號等；第三類則是行駛數據，其具體包括定位信息、行蹤軌跡、車輛操控數據、車輛工況數據、車輛行駛數據、車輛日誌信息、車內外環境數據等。
“自動駕駛汽車會產生海量數據，只有小部分數據，比如出現事故時的車速、擋位、油門、踏板的開度等數據會被存儲在汽車中，用以分析事故原因。其中大部分會傳輸到雲端，車上有一個存儲數據的接口，俗稱T-Box，可以通過4G、5G網絡把感知器獲取的數據傳輸到雲端服務器，服務器可以提供很大的空間存儲，車企把實時數據收集起來，通過算法完善模型，不斷糾正，提高精度。”一位在傳統車企從事自動駕駛研究的技術人員告訴記者。
該技術人員認爲，未來自動駕駛汽車產生的海量數據以及算力將成爲競爭的關鍵，雲端服務器將會是一筆極大的支出。
按照上述的數據產生、存儲過程，有業內人士認爲，除個人數據外，其他數據屬於公共信息，這部分信息本身沒有產權。應該按照“誰付錢歸誰”的原則，企業花費大量成本收集、儲存和維護數據，產權應該歸屬企業，但對於這種看法，即便是在業內，也有反對和質疑的聲音。
上述頭部造車新勢力人士就認爲，很難界定屬於企業還是用戶，“這很難界定，汽車行駛數據是用戶駕駛汽車時發生的，但接收、存儲的是企業。數據存在企業這裏，所有權不屬於企業，這是個悖論。”上述人士表示，“能確定的是，企業不能拿這些數據去研究用戶個人行爲，然後以此牟利。當然國家不反對企業分析羣體用戶數據，通過分析數據，給下一代車型的升級迭代作爲參考依據。”
福禍相依，與自動駕駛有關的維權正在推動與數據管理、數據提取等相關的法規的完善。政府正在試圖通過建立相應的法律法規制度來規範這一領域的問題，《汽車數據安全管理若干規定（試行）》（以下簡稱“《若干規定》”）明確指出：汽車數據處理者處理個人信息應當通過用戶手冊、車載顯示面板、語音、汽車使用相關應用程序等顯著方式，告知處理個人信息的種類、收集各類個人信息的具體情境、處理各類個人信息的目的、個人信息保存地點等。
與此同時，《若干規定》中指出，重要數據應當依法在境內存儲，因業務需要確需向境外提供的，應當通過國家網信部門會同國務院有關部門組織的安全評估，包括軍事管理區、國防科工單位以及縣級以上黨政機關等重要敏感區域的地理信息等數據；車輛流量、物流等反映經濟運行情況的數據；汽車充電網的運行數據等。
“所有在中國大陸市場銷售車輛所產生的數據，都將存儲在境內。同時，將向車主開放車輛信息查詢平臺，此項工作正在緊鑼密鼓地進行中。”在多起維權事故後，特斯拉開始以更積極的姿態在國內建立數據中心，並承諾將陸續增加更多本地數據中心。
“一樣的道理。蔚來、小鵬、威馬生產的車出口到國外，數據也是不能運輸到國內，也是需要在當地建立數據中心，在當地信息部門的有效管控下做數據分析。”上述頭部造車新勢力內部人士表示。
