前段时间质量群里的同学发出一篇关于特斯拉的文章，文中提到;
“为了完成产量，特斯拉正在不择手段地降低自己的质量标准”，
我理解质量同学是想表达，不重视质量的企业，估计很难有长远的发展。
但根据媒体报道近期特斯拉大幅降价后，销量大幅攀升，推动了新能源汽车的快速普及。而且从马路上预见特斯拉的概率以及到我们小区停放的特斯拉数量的明显暴增，也真实的应证了这一点。
至少从目前看，尚没有哪一家的新能源汽车市场表现，超越特斯拉。
其实从特斯拉市场运作看，明显可以感觉到是互联网产品的打法。正所谓，外行看热闹，内行看门道。
我们看到的是如果传统车企按照现有的ISO26262的质量管理思路，真有可能在新能源车市场落后越来越大了，追赶也很难了。
基于AI的自动驾驶技术与汽车电子功能安全ISO26262
汽车与互联网与智能技术的结合，使得汽车辅助驾驶功能越来越丰富，AEB（紧急制动系统，Automatic Emergency Brake）、ACC（自适应巡航，Adaptive Cruise Control）、APA（辅助泊车，Automatic Parking Assist）功能基本成了中级车的标配，更别提Adas、魔镜这类后装车载电子产品，几乎成所有车型的标配。而在这些系统中电子与软件都占据了非常重要的位置。基于AI的自动驾驶技术，更成为各大车企和科技巨头的必争之地。
借着这股东风，汽车电子功能安全标准ISO26262也是一路成为当红炸子鸡，功能安全俨然成为了汽车研发的新兴热门话题。功能安全越来越被汽车行业接受，国内外各大主流汽车企业陆陆续续将ISO 26262的需求融入自己的研发体系和流程中，以保证安全能跟上汽车电子系统快速变革的步伐，保证辅助驾驶功能不仅好用而且安全。
图1是Bosch对汽车电子工程架构发展的预测
提前汽车行业就不得不提V模型，该模型在汽车行业的深刻影响。汽车行业的公司其技术部门组织架构/研发体系几乎都是参照V模型设置。而且很多的汽车行业标准和规范的基石都是V模型。比如，汽车行业很火的ASPICE
ISO26262（道路汽车功能安全规范），都是参照V模型的。（具体什么是V模型大家百度不做累述了）
图2 Overview of the ISO 26262 series of standards 图片来源：ISO.Road vehicles-Functional safety.26262[2018]
ISO 26262系列标准基于V模型，作为产品开发不同阶段的参考过程模型，安全是汽车电子产品的一种质量属性，为了获得安全特性，需要在汽车电子产品研发的生命周期中集成保证安全性的活动，因此原来的产品开发生命周期基础上形成安全生命周期，可分为概念阶段、产品开发阶段以及开始生产后阶段。
不过V模型和瀑布模型一样，都属于全量交付模型，在研发过程中产生大量文档，对产品的验证非常滞后，项目反应速度也越来越不能满足当前汽车日新月异的需求和快速的更新换代的节奏。
大家会根据Bosch提出未来发展设想，汽车物联网与自动驾驶，一定会需要构建云计算平台。汽车系统的互联网应用化趋势非常明显，汽车电子应用功能的迭代速度也将越来越快。特别现在广泛采用的DevOps敏捷开发面前，如果还继续采用V模型，很难适应新环境的市场速度要求。
AI技术也在不断进步，从传统的机器学习发展到现在的深度学习技术。
我们简单一点说，就是原来的机器学习，还需要人工对输入数据进行标注、特征提取、分类处理，现在深度学习，只需要输入数据就可以了，原来人工处理环节全部由深度学习模型自动完成。
所以，未来的产品智能化水平，并不是取决谁写的代码更牛，实际取决于谁的数据多少。因为，谁的获取的实际数据多，那么模型智能化程度就越高，如果对应到智能驾驶功能，并不是比拼写代码了谁更安全了，而是谁获取的场景数据更丰富，那么自动驾驶智能系统对外部环境的识别和响应就越准确，安全性就越高。
互联网车企打法对ISO26262及传统质量管理思维的冲击
我们再回到，基于ISO26262标准传统质量管理上，其核心就是3点：
1、进行场景与危害分析，确定安全目标和对应的安全等级（ASIL等级）；
2、综合安全目标和系统架构筛选出功能安全相关的环节，进行安全设计，包括冗余设计；
3、对安全设计的有效性进行验证
这个逻辑本身没什么问题，但当技术遇到商业化，问题就来了
1、成本的平衡
我们知道要保证安全，必须进行覆盖度更高的验证，还有大量采用冗余设计，而汽车本身属于成熟工业行业，赚钱的基本都是需要靠走量的，大家熟知的奢侈品汽车品牌厂商实际并不那么赚钱。
保证安全成本导致的成本上升，和对速度的阻碍，市场客户原因买单否？
2、即使按照ISO26262做了，实际也保证不了安全
假设企业选择安全第一，实际也并不能完全保证安全，看一个网上流行的案例
特斯拉智能驾驶功能错把具有中国特色的幸运红绸识别成了路障。
这个错误识别不是因为传感器或其他软硬件故障导致的，而是传感器本身的功能局限和算法深度学习不够导致的。
ISO 26262功能安全旨在避免电子电气系统故障导致功能异常而引起的不合理的危害。而如果传感器不是故障仅仅是功能受限，或者是软件没有bug而是深度学习不够，这些问题都不属于ISO 26262的范畴。
在ISO26262中， 进行场景与危害分析，是后续所有设计与验证活动的源头。但这种方法其实与我之前提到FMEA工具局限性是一致的，就是只能覆盖“已知”的风险问题，对未知风险问题是无能为力的。
因此，所有车企竞争的核心点实际回到场景数据上了，谁收集的自动驾驶场景数据越丰富，谁就越安全。
3、深度学习使得部分处理过程无法可视化，V模型无用武之地
目前，以深度学习算法为核心的人工智能算法模型被普遍应用，但由于其算法结构中存在多个“隐层”，导致输入数据和输出结果之间的因果逻辑关系难以清楚解释，用户只能被动接受由算法带来的结果而无法洞悉其运行过程，从而形成一种技术“黑箱”。
因此，从这个意义上说，所谓测试与验证的覆盖根本就是不可能完成的任务。
数据是人工智能模型训练及优化的“燃料”，是人工智能算法做出正确、公平、合理决策的基础保障。输入数据的数量规模、准确性、通用性、包容性、全面性等质量因素将直接决定训练得到的模型的质量。若未能对数据质量进行有效把控，人工智能算法模型便很可能习得数据中的偏见谬误，并将其反映到训练结果。
如果说，之前质量管理，重点 人、工具、过程，现在重点是数据的质量，而这个在传统质量管理体系里，好像也是几乎没有触及过的领域。
传统车企思维是我要保证绝对安全才让汽车上市，这个观点粗看并无问题，但上述论述大家会发现，实际是一个悖论。 因为，收集用户实际驾驶场景的数据越多，越丰富，功能越安全，而这又要求，汽车要尽快上市，在实际场景中收集数据。
特斯拉实际就是这么操作的，在功能并不那么完美的情况下，通过降价销售走量，拉低整车成本，然后通过大量车辆在实际场景下数据的采集，不断的完善系统的安全性能。
当然，传统质量把一次作对作为构建质量管理体系的核心原则。
但现实，我们不知道什么是对的情况下，又改如何做？如何思考质量管理？这才是问题的核心。
当然，特斯拉这种互联网的打法与传统车企的打法，孰优孰劣，目前还没有定论。我们拭目以待。
看过觉得资料对您有帮助，记得右下方点“赞“和”在看”哦
想学习更多IATF16949审核知识
欢迎报名参加俱乐部线下IATF16949内审员实战培训班-苏州站
谈谈您对该文章的看