今年Pfingsten假期，第七届同济留德青年校友人才科技论坛暨同济大学中德工程学院院友会2019年年会如约在德国北部历史名城汉诺威召开。本次年会的一大亮点正是首次尝试的多主题分论坛形式，包含两轮共六个内容精彩的平行论坛，每个分论坛都独具特色，由该主题领域的专业嘉宾或优秀院友以专题报告或圆桌讨论的形式开展一场场思想碰撞。
面对如此精彩的主题与重磅嘉宾，许多参会者表示因为没能参加到所有分论坛而感到非常遗憾，为此，年会筹备组在论坛嘉宾的允许下，对每个分论坛进行了详实的文字记录并在此分享给大家，本文记录的论坛为：“新能源汽车的发展之路”、“能源的数字化转型”、“机器学习实践者的成长之路”。特别感谢每一位嘉宾及记录人的贡献。
新能源汽车的发展之路
本轮分论坛记录人 王琪
新能源汽车分论坛首先由两位行业嘉宾郝冠琦和韩大卫带来两个精彩的干货报告，第一份报告因为涉及到主讲人工作内容，出于保密的关系在此不记录报告内容。第二份报告由主讲人自己以视频形式记录并上传于Youtube，视频地址：https://youtu.be/M3Pwz64uPIk。
在新能源汽车论坛的圆桌讨论环节中，刘承、韩大卫、韩珂、孔繁捷、郝冠琦五位嘉宾在新能源汽车的前景以及汽车行业面对的机遇与挑战方面做出了分享与讨论。
新能源汽车的发展动力不止来自于政府的补贴，更重要的一点其实是排放标准。也就是整车厂的所有车型要达到的一个平均排放值。所以从这一点上来说，欧盟、中国的近年来颁布的越发严格的排放标准以及更偏向于新能源汽车的积分体系，其实是倒逼着整车厂去发展新能源汽车，以弥补传统内燃机汽车在排放上的弱势。对于新能源汽车的发展，这一点其实更为重要。
然而由于技术上的局限，相对于纯电动汽车来说，混合动力是目前一个更为合适的选择。作为传统燃油汽车与纯电动汽车的过渡产品，混动汽车在动力和续航里程上相对于纯电动车都更有优势。混合动力各方面的技术也已经发展得相当成熟。此外，嘉宾也提到，相对于锂电池来说燃料电池在综合表现方面更占优势，尤其是加氢的速度，明显快于充电，但氢燃料电池最大的问题在于其源头，也就是氢气的存储和运输问题。
与其他类型的电子芯片相比，汽车电子芯片对温度、湿度、电磁干扰、震动以及寿命方面的要求都更高。作为在新能源汽车以及高铁上都非常重要的功率芯片，IGBT由于需要能承受非常高的电压，所以在加工工艺方面的要求非常高。中国现在面临的主要问题在工艺方面，比如薄片工艺、背面工艺、封装工艺以及喷砂工艺，并受到国外的技术封锁。中国现在缺少设备、人才和经验，近年来虽有一定突破，但是成品率不高且产品整体质量相较国外领先水平存在较大差距。中国芯片技术的发展道阻且长。
回归汽车工业制造业的本质，我们需要不断地完善和优化智能制造体系，来支持新能源汽车的发展。创建智能工厂，首先需要搭建一个智能制造体系。该体系可以大概归纳为一个五层的金字塔结构，从下往上，包括设备层级（控制器、执行单元、检测器）、控制层级（例如以西门子公司产品为代表的可编程控制器）、过程管理层（例如人机交互界面HMI）、工厂管理层级（例如制造执行系统MES）、企业资源规划层级（例如SAP公司为代表的ERP系统）。搭建完整和有效的智能制造系统，培训高素质的各层级人员，同时按照质量管理体系的要求去对每一个部门进行管控，可以提升生产设备利用率，提高生产效率，提高产品质量，减少不必要的损耗，优化企业成本控制，最终达到增加企业利润的目标。目前中国的一些生产制造企业有待改进的方面是，如何结合企业自身情况合理地从提升设备层开始，逐层优化和搭建体系，充分有效地使用目前市面上的有关设备管理、生产制造和企业规划的各种系统。
谈到当今的大型车企们面临的巨大变革，就不得不说到汽车行业现在的四大趋势：电气化、网联化、智能化、共享化。整体来说传统车企面临巨大挑战，不光是受到政府能源战略布局的影响，同时由于各种补贴、排放标准、检测法规等政策的存在，必须要大力推广电动汽车和燃料电池汽车。在智能化、网联化等新兴车企尤其是互联网企业的强项方面，传统车企还需要投入巨资，甚至还有可能被迫要与互联网企业合作。而在整个行业都没有在共享化方面摸索出一个真正的盈利模式的情况下，传统车企更要谨慎。
在现在的国际形势下，国内企业还需要卧薪尝胆，努力钻研技术，提高自己的核心竞争力，如果能从国内一线品牌众多的大市场中脱颖而出，未来走向世界的国际化道路并不会太远。
在精彩的讨论环节之后，我们的观众也从职业发展的角度发表了自己的见解，并提出针对性的问题，即如何使自己的价值在职场中得到最大发挥和提升。
嘉宾们对此也给出了建设性的意见和建议。德国的大型企业主要靠良好的系统，个人处于系统和各个层级之中，作为一枚螺丝钉，对于企业的影响相对较小。所以就要选择好适合自己或者自己想要的圈子。一方面找到自己的定位，走技术还是管理路线。另一方面也需要拓宽自己的国际背景和国际视野，这样可以从不同的角度对体系进行审视，从而在对体系做出自己的贡献的同时完成个人成长。
能源的数字化转型
本轮分论坛记录人 杨怡婷
“能源行业并不是如很多人感觉的是个夕阳行业，相反，能源从诞生以来一直都是朝阳行业。”随着主持人管文林的开场，由德国华人新能源协会和同济中德工程学院院友会合办的能源数字化论坛在汉诺威正式拉开帷幕。能源的每次革命都伴随着生产力的极大提升和社会的深刻变革，能源作为作为社会运行的基础设施，为什么现在又站在新技术和新商业模式的窗口？传统的行业如何通过数字化、信息化及智能化的方式进行再发展？数字化变革下蕴含了哪些新挑战和新机遇？三位德国华人能源协会的嘉宾通过三个精彩的报告让大家离能源未来又更近了一步。
能源转型之数字变革
德国华人新能源协会会长陈恒思博士首先站在行业的高度分享他对于能源转型与数字化的理解。德国的能源转型世界闻名，并且也取得了巨大的成就，当前依然在朝着2050年新能源发电占比达到80%的目标挺进。然而，德国提出能源转型时并没有进行充分的技术可行性分析，也没有合理估计到社会为了承担能源转型而付出的成本，而是通过政治手段来引导行业变革。
德国能源转型是政治目标，而这个政治目标就是降低二氧化碳排放。根据测算，目前碳排放中20-40%是由于发电引起的，虽然不是最大的原因，但是由于发电的集中式管理，较为容易能够对其进行监管，所以德国的能源转型到目前为止其实只是发电侧的转型。在政策的刺激下，德国新能源迎来了井喷式地发展，而电网却被要求接受一些波动性的新能源。为了保证能源供应的安全性，和可靠性，这些新能源设备都必须具备极大的冗余，为了要满足80GW的峰负荷至少得有230GW的新能源装机容量。这样的投资如果反过来看其效益，无论是经济性还是环保其实都应该打个大问号。
那么什么是数字化呢？数字化是将设备层面的信息通过各类传感器或者数据采集系统收集起来，并基于统一的通信协议通过广域网络传输到一个集中的平台中，该平台能够实现数据的储存，可视化和分析，并能提供基于数据的各类应用。
乍一看，能源转型和数字化其实是两个完全独立的概念，但是在德国，能源转型的未来发展需要数字化。主要原因有三个：
- 数量大：可再生能源设备、可调负荷、储能等设备的数量远大于传统能源世界中仅有的几百个大型发电单元
- 够分散：可再生能源分布广泛，难以集中监控管理
- 非线性：能源的调节不再具备线性的，输入输出明确的特点
这么多分散的、非线性的可再生能源设备，如果没有数字化的手段，是无法稳定安全的在一个复杂的电力系统中运行的，其经济性也难以保证。因此，德国联邦能源和水资源协会称：能源转型是德国最大的IT项目，没有之一。能源行业和数字化行业将通过能源转型紧密地结合在一起。
那么能源数字化转型涉及哪些方面呢？整体上看，从发电、输电、配电到用电的物理层和电力交易与售电的商业层，每个阶段都可以数字化。但数字化是否能大幅提高效率从而产生利润，还需要更加深入地评估。
在这个产业链中，因为数字化已经诞生了很多新的商业模式，陈博士介绍了几个具体的案例，其中发电侧可以应用虚拟发电站的概念，并不需要实际拥有发电站也可以参加发电上网，拥有一定的调控能力和交易能源；交易方面，需要及时预测负载变化，提前规避风险；电网配电方面，由于新能源入网不能按照最大负载设计，所以应着重考虑智能电网的发展；零售电方面则在理想情况下需要通过智能电表知道不同时段用户的用电量，从而形成合理的阶梯电价。德国能源转型甚至出现因为上网电价高于零售电价而产生自家的光伏电力自己不用的奇怪现象。据统计，能源数字化全球市场规模有近80%份额是在智能电表、输配电和智能家居，总体来看是极具发展潜力的。报告的最后，总结能源转型数字化的挑战，陈博士以两句押韵的句子结尾：
“传统能源产业基于监管体制之下的重资产，求稳。数字化产业基于信息的获取流动更新迭代，求快。”
从设备物联角度再评智能电网
接下来上场的是在德国TENNET电网公司工作的庄启恺博士，分享他对智能电网的理解。庄博士曾经在荷兰、中国的电网公司工作过，目前就职于德国的电网公司，多国电网企业的工作经验让他拥有了不一般地视角来看待电网这个重资产的行业在数字化和智能化方面的挑战。本次分享的观点主要来自庄博士在IEC市场战略委员会（MSB）的工作。
首先需要明确的是数字化、信息化、智能化的概念。庄博士认为数字化是指将所需信息传递过来的前提。信息化则是把复杂信息通过双方同意的信息模型转化再进行传递，其难点在于现在市场上的不同设备具有不同的信息模型，没有自动统一的方式或主导者统一模型使得信息可以耦合，这也是设备物联的难点之一。智能化就是机器可对复杂情况进行判断和调整，但是成本较高。
对于台下不同行业的观众，庄博士让大家看到了电网背后的秘密。在普通人认知的电力中，电网只是一个传输电力的基础设施。庄博士用几个简单的贴图，帮助所有听众快速地了解了电网的运作模式，理清了市场、调度和运行之间的关系，以及操作层面和设备层面之间的互动是如何进行的。
在电网的世界里，批发市场和调度已实现信息化，输电网运行部分实现数字化，而以投资、建设和维护为代表的各项针对设备流程仍处在较为初级的“工具自动化”阶段。在需要协作运行的未来电网，各部分信息化程度不同会制约智能电网的发展。
推进信息化与智能化有两种路线。在有统一领导的组织机构内部，可以自上而下推行统一的信息模型，在分散合作竞争的市场上，可以对需要两两连接的信息模型之间建立桥接模型。前者效率较高但会对底层的数据质量构成损伤，后者工作量较大扩展性较差。两者折衷，可以在标准化组织框架下，对物体的描述可以有统一的定义，提供一个可以讨论的公共基础和依据从而形成真正的物联网。
正因为将物联提升到信息化甚至智能化的水平需要大量的资源，在规划执行前需要考虑启成本与效益。对当前电网而言，推进物联信息化的最大的动机，在于投资、建设和维护各环节都存在难以购买的“政治资源”（如土地、施工时间等），所以未来电网的物联化，一定会为这些政治目标服务。
信息化对能源行业带来的机遇与挑战
最后是由来自德国电信国际咨询公司的周黄罗伦从全行业的角度分享能源信息化面临的挑战和机遇。他首先明确了信息化的定义，德语中的Digitalisierung其实是中文中数字化和信息化的结合，此处主要以信息化代表该德语词。
信息化带来了很多新的市场参与者，他们大多数不是原能源行业的大玩家，例如谷歌、独立售电公司LichtBlick，售电比价平台Check24等等，而原本的大型能源集团也因为能源转型不得不走出舒适区，进行自我革命。在这个过程中，能源的终端供应产生了极大的变化。这些变化主要集中在三个领域：数字化客户体验、数字化商业模式和智能化基础设施。
旧的能源世界正在受到多方面的冲击，用户期待更加数字化和创新的基础设施和能源供应模式，通过新的技术行业的能效有可能得到极大的提升，能源供应将更加分散化以及可再生能源的比例将提升，这些都对现有的行业提出了新要求。在这样的背景下，能源转型需重新从能源生产、能源销售、电网和信息化四个阶段来推进。
来源：Gartner 2017
在信息化的背景下，各种新技术层出不穷，对于在传统的能源世界中的大多数公司和决策者来说，如何识别这个技术的潜力并且将其应用到正确的领域是个极大的挑战。上图列举了在2017年中时市场上所有能源领域数字化新技术和概念的热度和所处的不同成熟度阶段。
而信息化带来的成本压力，客户价值、服务模式的改变使得公司在管理上需要考虑新的问题，比如如何对客户进行重新评估、如何进行信息化的高效管理等。以技术和基础设施为核心，在客户交互、商业模型及产品、企业运营和数字化思维这四个方面需要通过新技术和新战略适应新市场等需求。
来源：DETECON
在行业变革的大背景下，信息化对我们这些能源行业从业者有哪些影响呢？周黄罗伦从几个应用场景切入介绍了信息化背景下的那些小趋势。
首先是新的工作。信息化意味着能源行业将诞生一批新的工作，这些工作组织方式、工作氛围、应用工具、人才要求以及他们的效益评估都和传统的能源行业有很大的差别。
其次是一些新技术。例如区块链技术在P2P能源交易、智能电网、绿色电力认证和充电桩领域都有很大的应用潜力。5G的应用也将在通讯领域带来一场大变革，新的商业模式将在能源物联网的大背景下诞生。
最后是价值的转移。原有的客户和资源导向的行业将向数据导向的行业转移。在未来，谁拥有了技术，谁才能够掌握先机。
机器学习实践者的成长之路
本轮分论坛记录人 董思楠
机器学习入门与成长
中德工程学院10级机电专业郭铭攀院友介绍了近年来机器学习领域的主要进展以及相关知识。根据近年来在机器学习领域上主要进展的核心技术，可将其大致分为卷积神经网络，循环神经网络，增强学习以及生成模型几类。
卷积神经网络方面的重要进展包括图片识别（ImageNet），风格迁移（Prisma）以及图片还原。循环神经网络被应用于机器翻译。2018年在Google I/O发布的Google Duplex已成功实现打电话在餐馆订餐，其背后的技术也运用了循环神经网络这一算法。增强学习方面，2016年AlphaGo打败世界围棋冠军；2019年AlphaStar打败星际2职业选手则体现了其巨大的潜力。生成模型是近年来吸引了极大关注的新研究方向，其中的主流模型——生成对抗模型（GAN）主要的原理是：令两个神经网络作对抗，其中一个生成图片，另一个判断真假，同时需要一个包含真实图片或视频的数据库做参照。缺点方面，机器学习仍存在失败的概率，且失败的原因较难分析。
学习机器学习需要数学与计算机两方面的基础。数学基础可以通过上Computer Vision，Machine Learning，Artificial Intelligence等学校课程以及相关网课学习。而进一步的成长则需多看相关论文，多尝试关注会议。此外，郭铭攀还提到了职业发展的关键因素。在学术圈内，在顶级会议上发表文章尤为重要。而在工业界，相关的实习经验更是不可或缺。
Let car see better：车载雷达遇上深度学习
中德工程学院10级机电院友孙宇亮在他的报告中详尽地介绍了车载雷达与深度学习在工业界中应用的可能。
车载毫米波雷达主要用于探测物体的距离，速度与方位。其中77GHz毫米波雷达具有带宽高，分辨率高的特点。相比于激光雷达和照相机，毫米波雷达可在全天候情况下应用，但其空间分辨率不高。在自动驾驶领域中，与激光雷达相比，雷达成本较低。传统雷达的信号处理包含频谱分析，参数估计，聚类，追踪等。
车载雷达的热门研究方向之一是应用神经元网络来代替部分传统算法，从而提高雷达的识别率。相比于传统信号处理时所需的较复杂数学模型，神经元网络依靠大量数据来近似非线性函数。但应用深度学习仍存在难以调试错误这一问题。目前这一研究方向的挑战之一是没有公开的大型数据库。
自动驾驶工程师成长之路
中德工程学院11级机电院友黄维哲分享了他本人的求职心得并介绍了自动驾驶这一领域的相关技术。
在自动驾驶行业求职需要求职者有深层次的领域知识，选择确定的专注方向且有扎实的编程知识。在准备求职时要注重多练习，黄维哲院友推荐Leetcode刷题，其中的简单和中等难度题目较适合求职所需难度。面向对象编程要尤为重视，着重于内存管理，继承和多态，对象的生灭，设计模式等。为此黄院友分享了相关书目与课程，如：C++ for programmer，Udacity网课，C++ Prime，Effective C++与Inside C++ object model。能够熟练使用ROS，Git等工具，vim以及shell script（zsh，bash）则可为求职者大大加分。
求职时一般有三轮笔试及面试。第一轮为笔试。第二轮为电话面试，大约持续1到1.5个小时。主要包括自我介绍，项目介绍。接下来面试官会针对项目提问，浅显但涵盖面较大。最后有一个小的编程测试，多问数据结构。第三轮则为2.5小时的现场面试或者Skype面试。问题涵盖面会比较广，而且可能很深入。一般情况下会和编程能力与自己的领域知识高度相关。会有2个左右的编程任务。其中数据结构，算法，链表和二叉树较受欢迎。
黄维哲院友还给出了求职建议。较强的数学功底十分必要。最好可面试现场手推反向传播算法，低阶的Kalman filter，LSTM的具体结构，SLAM（不借助库函数）。但不熟悉的方向不要写在简历中。对开源社区有贡献也会成为求职者的优势。参加校招时要尤为注意各大公司校招时间表，留意自己的应届生身份。比如阿里要求2020年毕业生只能参加2019年秋招以及之后的春招。
最后他介绍了自动驾驶这一领域。L3与L4自动驾驶包括感知，决策，控制。感知主要是雷达，激光雷达，照相机与高精度地图做融合，生成环境模型，包括道路模型与物体模型。高水平传感器融合要保证融合为完整稳定的模型，要比实时条件下最好的单一传感器好。原始数据深度融合则是直接用原始数据，如3D点云，原始RGB像素，和深度模型做训练。其中CNN等视觉深度模型在这个领域有广泛应用。决策则是通过感知和对模型做预测做出选择，从而建立成本函数，施加约束而得到最优解。RL，LSTM等深度学习模型在这个领域有广泛应用。
圆桌讨论：机器学习实践者的成长之路
对于企业文化，院友们认为美国企业气氛开放，鼓励员工发文章。而德国企业更保守，更偏向于专利。工作时可以合理利用时间尤为重要。在就业选择公司时要先判断工作的领域知识而后代入。工业界的面试主体为领域知识，机器学习相关知识可为其加分。就业方向也可关注医疗方向，例如细胞检测，3D目标检测，细胞状态，时序信号。在OEM行业就业相关的实习经历尤为重要，而后会得到导师推荐。但面试环节仍需积极准备。
（以上内容基于活动现场的文字记录，不代表嘉宾及其所在公司的观点！）