过去，以机械为核心的产品时代，机械在“智能”方面的竞争力主要体现在对日常使用条件和复杂条件/工况的适应能力上。在这种情况下，所谓各种复杂使用条件就是今天我们说的所谓“场景”，而影响产品使用的则是导致这些场景出现的“事件”。只不过机械时代，产品对这些事件的响应往往是被动的，缺少预测的，机械的能力也主要体现在能否“扛得住”这些事件的影响。所以我们才会看到过去汽车评价指标中始终有一项“日常适宜性”的一级指标存在。
而到了如今以数字化驱动的智能时代，随着软件对硬件潜能的充分挖掘，汽车的智能开始呈现出越来越强的“主动性”，也就是对各种复杂事件更加主动的、带有预测性质的响应。对比上述两个时代，产品要做的事情都是提升自己的适应能力，但响应“事件”的方式和范围却有很大不同。
比如在机械时代，为了提升雨刷器对冬季严寒的适应能力，很多车辆会有一个雨刷器的“冬季位置”，也就是车辆熄火以后雨刷器会略微上抬一个角度。这样就可以省去很多人冬季室外停车时自己动手把雨刷器抬起来的麻烦事。但这种功能以前是做不到“按需出现”的，虽然夏天这样做也没什么问题，但我们换一个案例就未必如此了。而且这些功能的逻辑都是基于我们对现有知识、用车场景和用车经验的总结，而不是进化、可生长的，或者至少不会在用户已经买到手的车辆上进化出来。
但如今到了数字智能时代，由于软件可以对硬件的工作状态做出更加复杂的设定和控制。与此同时，车辆底层的各种信号可以更加高效地相互通讯，车辆感知场景和事件的能力就会变得比以往更强。而一旦车辆自动识别场景和事件的能力变强了，自动响应这些事件的能力也就可以变得更强，也就有能力组合调用更多可以响应这些复杂事件的功能组合。因此我们可以这样认为：“智能”的本质是车辆对各种复杂“事件”的响应能力。而且这种响应能力是自动的、主动的、带有预测性质，并且不断进化的。
如果沿着上述思路，我们再回过头来审视车辆与用户和场景的关系：车辆是由一个个功能组成的，场景是由一个个事件连接的，用户在使用车辆时更好的体验是由更准确的功能调用和顺畅感受支撑的。于是，我们可以把功能定义为车辆拥有的，原子级别的执行能力，这些能力是构成车辆的基本单元。如果我们把他们拆解至“原子级别”，他的数量是有限，并且是可以大致规范化的（所谓规范化就是把每个功能负责解决的问题定义清楚）。但这些原子层级的功能未必是用户需要直接感知，更加不必是用户需要直接调用的。因为这样设定车辆使用的复杂度和学习成本都太高了，也无法做到良好的用户体验。
当车辆在一个个具体的场景中，响应一个个复杂事件的时候，这些功能是被组合调用的。因此用户能够感受到的实际上是这些功能组合，它们是由一个个原子级别的功能构建的分子级别的决定化学属性的“物质”。化学属性恰恰就是用户能够感受到的部分。
在上述逻辑下，组合调用这些功能对车企提出了两种更为复杂的能力：
1、 识别场景和事件的能力：要求车辆能够有效使用各种复杂的传感器或其他信号来源，有效组合这些条件变量，并且准确定义车辆正在经历的“事件”。一方面这源自于车辆感知架构的设计，这些信号必须是可以充分打通、融合的。另一方面也要求车辆的算力足够充分，可以快速把这些条件组合起来。
2、 对事件和功能组合调用的设定和积累、进化能力：这要求产品定义和开发人员首先必须掌握足够多的场景和事件，以及这些事件下功能组合被合理调用的逻辑。此外，随着产品的交付和使用，这种初始设定必须是可以被用户检验、反馈，并且持续进化的。
上述这些能力背后实际对应着一套复杂的，但贯穿产品从诞生至迭代整个周期的更为复杂的数据架构。目前SoCar在持续推动的也正是这样一个逻辑架构和数据架构。毕竟车辆原子级别的功能是有限的，但事件是无限的，随着上述架构在真智能车上的持续进化，车辆的功能组合数量的增长会呈现出越来越清晰的指数函数特征。以后智能车最大的卖点（至少是之一）就在于合理的功能组合数量的多少。
关注So.Car官方公众号
掌握So.Car最新观点动向
