随着智能网联汽车产业的高速发展，智能网联汽车企业和示范区采集和存储的包括车 辆运行、环境感知、异常事件以及真实道路交通流等数据呈现出指数级增长。这些数据可 以用来训练和测试验证智能驾驶算法，优化决策逻辑，提高智能驾驶的效率和安全性。但 实际中智能网联数据的采集、存储、开发、应用及如何实现商业化仍面临诸多挑战和问题。 一是数据体量不足，数据孤岛现象严重，数据生态尚未形成：一方面，自动驾驶算法 模型的优化依赖海量数据的喂养，而数据采集成本高、周期长、地域广，单个企业无法穷 尽长尾场景；另一方面，企业间数据缺乏关联性，数据库彼此无法兼容，缺乏统一的格式 与接口定义标准，数据难以在不同主体间自由流通和共享。 二是数据价值难以实现与评价，数据应用不足，数据权属确认及定价困难，数据合法 合规流通路径尚未成型，企业间未建立安全、可信的数据交互渠道，数据应用链路以及模 式不明朗。

智能驾驶业内已经达成共识，只有将仿真测试与实际路况相结合，才能加速智能驾驶 系统进行全面、系统和有效的验证，从而助力智能驾驶更安全的商业化落地。而海量的仿 真场景数据库是智能驾驶仿真测试验证的基础，申报单位联合研究、开发了基于中国及国 际自动驾驶相关标准法规、真实道路和交通行为的“水木灵境”场景工场（数据库）产品， 通过提供海量仿真场景数据及 SaaS 服务，支持智能驾驶实现数据闭环和数据驱动，支撑 仿真测试全流程。 由国合院支持，国合智慧和 IAE 智行众维主推的“水木灵镜”场景工场加速智能网联 数据资产化、商业化及开源应用案例为智能网联车端、路侧端数据的采集、开发、治理和 商业化应用推广提供了一种可复制的示范。方案汇聚了数据提供方、数据加工方、数据产 品化方、数据交易平台以及数据合规指导方等数据交易流通环节涉及的各方合作生态，打 通了数据生产与数据流通使用的壁垒，有效解决了智能网联数据应用的卡点堵点问题。 除了商业化路径的创新，联合单位坚持创新、开放、包容， 2024 年率先将“水木灵镜” 场景工场产品中一定比例的算法训练数据集和仿真场景数据开源免费共享给全行业，真正 意义上打破了数据训练集和仿真场景数据使用的壁垒，支持跨企业、跨平台的合作和数据

应用创新方面，利用智能网联示范区基础设施建设投入的路侧感知设备采集的数据开 发场景库，并基于此为智能汽车提供训练、测试验证服务，打通了路侧端设备数据采集、 存储、处理、开发以及应用的全链路，实现了智能化基础设施投入－路侧感知数据采集治 理－仿真场景库开发－仿真测试认证及训练 - 智能驾驶算法迭代升级的数据资产化商业闭 环，加快了路侧数据价值释放，是探索车路云数体系商业化的成功路径之一，同时也部分 解决了智能化基础设施建设的投资回报问题。 模式创新方面，通过将算法训练数据集与部分仿真场景数据开源，促进了技术的分享、 协作和创新，丰富数据应用场景，提高数据价值，加速智能驾驶技术的迭代更新和快速发展。

经济效益方面，本案例的实施帮助地方智能网联示范区成功走出了“车路云”一体化 建设的商业模式，为地方平台运营商实现了数据价值变现，直接带来了上百万元 + 数据交 易的经济效益；此外，该案例的落地也为头部主机厂、零部件企业、科技创新企业、研究院所、 第三方检测机构等客户提供了 1000+ 万元的智能网联仿真场景数据库服务（含 SaaS 服务）。 未来，基于智能驾驶研发、量产和商业化落地过程中对于数据驱动、场景覆盖和安全性验 证的共性和迫切需求，预计将产生数百亿美元以上的市场。 社会效益方面，一是满足行业技术需求，为产业赋能。该应用案例能够打通智能驾驶 车端、路端数据资产的商业化链路，提取高价值相关数据进行脱敏后用于数字孪生场景的 搭建，量产的场景数据可服务于智能驾驶汽车研发训练、仿真测试的全栈式周期，通过海 量场景仿真和自动化测试来帮助智能驾驶企业积累大量的虚拟里程，覆盖尽可能多的极限 场景。二是聚焦前瞻技术研究，保障公众安全，搭建智能网联汽车仿真测试场景库，完善 智能网联汽车算法训练的“数据池”和算法性能、功能验证的“考题库”，为高级别自动 驾驶设计、研发、测试和评价提供全流程提供基础支撑。通过对“人工智能驾驶员”提供“驾 校”服务和“驾考”，为公众安全提供保障，保证智能网联车辆上路的安全性。