2021年起，統計機構將工業產能利用率，納入季度宏觀指標統計范圍。這項指標，統計了15個工業行業的產能利用情況。
在有限的15個統計周期（2021年一季度至2024年一季度）中，各行業的產能利用率，發生過怎樣的變化？
我們繪制一張圖表，來展示不同行業產能利用率的變化情況。
15個行業的產能利用率，隨季度變化的情況，可以分為以下幾種：
一，開采業中，煤炭有所下降，但油氣略有上升，且產能利用率始終穩定在90%以上；
二，食品加工行業產能利用率跌破7成，跟2021年同期比，下跌超過5個百分點。紡織跟2021年同期比，基本持平。
三，化學、化纖和醫藥，產能利用率沒有大的波動，維持在75%以上。
四，非金屬礦物、黑色金屬和有色金屬加工領域，有不同程度的下跌，其中非金屬礦物制品的產能利用率，從最高峰的72.6%下跌到當前的62%，下跌超過10個百分點。
非金屬礦物行業的產能利用率，在15個被統計的行業中，是最低的。
五，通用設備和專用設備，產能也有下跌，但維持在75%以上的水準。
六，汽車制造，跟2021年同期相比，汽車制造業的產能利用率，下降超過13個百分點。
2021年一季度，全國汽車行業，有21.5%的產能處于閑置狀態，2024年一季度，閑置比例達到34.1%，產能利用率不到三分之二。
七，電氣機械制造跌破75%，在過去15個統計周期中，這是首次產能利用率不足75%。
八，計算機、通信制造業的產能利用率，雖然不是歷史最低值，卻距離最低不遠，跟最高值相比，下跌近7個百分點。
2024年一季度，計算機通信制造行業，有超過四分之一的產能處于閑置狀態。曾經引以為傲的計算機、通信產業（電腦、手機等），也面臨賣不動的現狀。
汽車和計算機通信，是中國制造走出國門最為著稱的兩張名片。
但從產能利用來看，這兩張名片的表現，連中規中矩都談不上。
或許，對于工業制造業而言，已經到了轉型期：從世界工廠，向世界消費強國的轉變。
消費與生產不同，生產可以有千千萬萬的限制條件，但工廠搬不走、生產的主體也不能離開，所以生產還會繼續。
消費則有所不同，消費只有在不帶任何限制或附加條件的情況下，才能獲得更大的發展。
聽說廣州的某個村子，電動車不讓進出？那依靠電動車運轉的餐飲、零售、電商等直接消費，都可能會直接消失。
或許，這才是生產與消費最著稱的不同。
模型“百模大戰”初見分曉，AIGC應用也如雨后春筍般出現，一個新的AI世界正在來臨。
大模型對算力的需求極大。Open AI曾預估，其算力需求每3.5個月翻一倍,每年近10倍增長。而根據中國信通院等機構的調研數據，僅ChatGPT的單日運營算力消耗就已占2021年整個中國智能算力總規模的3%。
除了基礎大模型，企業也在訓練自己的企業模型，且訓練需求越來越大。應用生態逐漸成熟，大模型推理的算力需求上漲，算力增長速度與算力供給速度會出現極大不平衡。
IDC 數據預測，到2026 年，中國在人工智能硬件市場的IT 投資將超過150 億美元。而AMD CEO蘇姿豐在發布會上也表示，到2027年，僅數據中心AI加速器市場規模將達4000億美元。
縱觀整個AI發展過程，過去算力需求是以倍數增加的，如今算力增加呈指數級別，如果按照這個速度增長，未來大模型對算力的需求增長速度，將遠遠超過半導體增長曲線。
龐大的算力需求也會帶來極大的電力消耗。后摩智能聯合創始人項之初認為：“按照現在生成式AI的快速發展，2027年預計英偉達大概需要提供150萬臺服務器，每年消耗的電量接近一個瑞典或荷蘭、阿根廷體量國家一年的耗電量。在AGI初步實現的階段，大概需要43個美國全年的耗電量，這是地球無法承受的。”
圖片來源：后摩智能聯合創始人項之初于WISE2023商業之王大會分享
然而，在傳統的馮諾依曼架構下，存儲和運算是分離的，芯片大概有80%-90%的功耗浪費在數據的存儲和計算之間的搬運，而非計算上。
此外，當大模型逐漸向智能汽車、電腦、手機等邊緣端下沉，行業需要能運行大模型的算力芯片。
無論是智能汽車，還是電腦或手機，都對功耗較為敏感。車無法像數據中心一樣，通過增加空調、或液冷系統降溫度；手機、電腦也會因功耗過高，變得發燙。
從數據安全角度考慮，當AI Agent軟件不斷發展，大模型需要掌握用戶的個人數據訓練出符合用戶心意的大模型，這就涉及到數據安全問題。用戶需要將數據留在本地存儲和運算。
存算一體芯片能很好地滿足上述需求。
存算一體芯片的計算可以直接在存儲器上進行，以新的運算架構進行二維和三維矩陣乘法/加法運算，可以極大幅度消除數據搬移帶來的數據傳輸緩慢、功耗高、搬運能耗大等問題。
此外，由于數據存儲在本地，計算直接在存儲中進行，它能將用戶數據留在本地，保證數據安全。且計算速度遠快于在云端計算后再傳回本地，能即時性滿足用戶的需求。
后摩智能研究存算一體芯片多年，創始團隊有著車規芯片和AI芯片研發經驗，對車端場景和AI都有著較深刻的了解，公司也選擇將芯片落地在汽車場景。后摩智能還透露，公司剛剛完成新一款技術驗證芯片的量產測試，屬于國內首款基于存算一體架構的7nm車規級技術驗證芯片，專為Transformer 等車端大模型設計。該芯片可支持多種高精度數據類型，且計算效率大幅提升，在實際測試條件下，相較于全球主流的存算一體產品，存算模塊能效提升了5倍以上。
當大模型席卷萬物，我們很好奇存算一體芯片在大模型時代能發揮的作用，也希望了解車廠對算力芯片的新需求。
我們邀請了后摩智能聯合創始人項之初共同討論這個話題。
以下為經編輯全文：
36氪：以OpenAI為代表的大模型和生成式AI正向端側發展，這會給算力芯片帶來什么新痛點？
項之初：大家最關注的是芯片的PPA——performance、power，和Area，也就是性能、功耗和尺寸。在大模型時代下，功耗和存儲墻的問題會變得更加凸顯。
大模型對算力的需求變得更大了。算力變大，意味著功耗會變大。如果說每T算力會帶來1瓦的功耗，功耗減少變成0.5瓦，甚至0.25瓦，看起來沒有解決多大的問題，但當算力不斷攀升，變成1000T、2000T，那功耗能變成 1000 瓦、500瓦，效果就很明顯。邊緣側不像數據中心，能通過空調或液冷系統降溫，功耗太高會直接影響邊緣側部署大模型。
二是訪存問題，芯片設計算力有很大提升，對應的存儲也需要有很大提升。如果存儲不提高，只提升處理器的算力是沒有用的，因為數據進不來。
所以，在大模型帶來的大算力時代下，功耗和存儲墻的問題都更加凸顯。
36氪：與馮諾依曼架構的芯片相比，存算一體芯片有什么優勢？與量子計算、光芯片相比又有何不同？
項之初：與傳統芯片相比，存算一體芯片的優勢，一是上限高，二就是底線穩。
上限高是說計算性能好，功耗更低，成本也更好。基于存算一體架構，計算可以直接在存儲上進行，數據不用反復搬運，計算密度得到了提升。所以在單位計算面積，反而可以比原來的傳統架構更小。由于無需數據搬運，也能降低功耗。
第二個是底線會更穩，在今天國際大環境下，先進制程芯片流片可能受到限制。而存算一體用28nm制程可以做出傳統架構7nm的效果，這是供應鏈的一個重要保障。
和量子計算、光計算這些更前沿的芯片相比，它的優勢是現在就可以商業量產，現在就可以跑邊緣大模型。
圖片來源：后摩智能聯合創始人項之初于WISE2023商業之王大會分享
36氪：在存算一體技術上，國內外有什么研發進度的差異？
項之初：我覺得國內外在一個水平線上，在存算一體上我們并不落后，甚至還有優勢。今年我們去日本參加學術會議，對于H30已經做到256T@Int 8算力這件事，他們是非常驚訝的。特斯拉目前也只是做了近存計算，沒有做到存內計算。在存內這件事上，我們是領先的。
36氪：存算一體技術，更擅長解決什么樣場景和問題？
項之初：從技術底層的架構看，它更適合Transformer類的算法，處理大量的矩陣相乘。存算單元可以將模型權重存儲在里面，將攝像頭、雷達等 傳感器數據直接load 到芯片里，無需讀取，直接完成計算。當然，在小算力、低功耗場景，存算一體芯片也具有優勢。
36氪：在存算一體架構下，算力會有上限嗎？
項之初：芯片算力都要受限于晶圓大小。但存算一體的單位算力成本可以做的比傳統架構更低，是更有優勢的。其次存算一體解決了訪存問題，它的算力實際利用率也會更高。而且我們能夠實現在功耗相同的情況下，實現幾倍于傳統架構的性能。
36氪：經過多年發展，存算一體技術已經有了較大發展和進步，您認為目前存算一體技術的成熟度如何？
項之初：存算一體技術還沒有到最成熟、最好的時候。它還一直在迭代，不過已經完全滿足商業量產需求了。
我們第一代H30芯片出來后，有很多人不相信我們可以做到256 tops算力，且功耗只有35瓦，測試之后發現我們真得做到了這個效果。在客戶看來，我們編譯器/工具鏈上手易用性非常好，即使和傳統架構的芯片相比。
36氪：隨著大模型需求增加，哪些場景對存算一體芯片有需求？
項之初：云端肯定有需求，大模型訓練需要超算中心，需要將許多高性能的計算單元連接起來，且通過液冷系統等處理他們的散熱。
但云端的訓練想要突破英偉達及CUDA生態難度很大，我們選擇了車端，從推理場景切入。車端無法部署過多的芯片，且相對于云端有更迫切的成本限制，如何用量化的方式，用更高效的芯片解決這個問題，存算一體芯片會具有競爭力。
36氪：國內的存算一體公司都找到了各自的落腳點，有的選擇了邊緣側，有的選擇了數據中心大算力芯片場景。為什么后摩智能選擇了車端等邊緣端場景？
項之初：最初數據中心、車、安防和物聯網等場景我們都看了，我們內部開了一個戰略會，思考到底選擇什么場景，把核心力量投向哪里。
分析一圈，我們覺得云端場景，對于英偉達的CUDA生態依賴太強，這對于初創公司直接去構建自己生態， 相對較難。安防場景已經沒有太大的成長空間，市場機會小。物聯網則是過于分散，投入和收益不匹配。而車這個場景，我們預測它到2026/2027年左右，在體量上和數據中心差不太多。且汽車市場的集中度適中，同時還有強烈的差異化供給需求，看中產品性能和性價比，是一個值得發展的場景。
做一個跟大家同質的東西會比較危險，還是要更有差異化才能活下來。當然，這也取決于團隊基因，我們創始團隊做過車規大芯片，也做過GPU芯片，有AI基因。如今大模型和AI在車端需求越來越大，這也證明我們當初的判斷是對的。
36氪：后摩智能今年發布了存算一體智駕芯片——后摩鴻途?H30，對于車企而言，基于存算一體架構的芯片，與智能駕駛芯片相比，H30具有什么亮點？
項之初：我們的優勢主要在于，更高的算力，可利用的性能，更低的功耗和成本。
我們今年5月份發布了第一顆芯片產品叫后摩鴻途?H30，這是一顆256 tops物理算力的芯片，只有35瓦功耗，而且只用了12nm工藝。在制程還落后了一代的情況下，做到了跟國際友商比2-3倍提升的性能，并且功耗只有它的1/2。如果不做一個底層的架構的創新，是不可能有這樣的實際測試結果的。
后摩鴻途?H30 圖片來源：后摩智能聯合創始人項之初于WISE2023商業之王大會分享
我們的第二代芯片更值得市場期待，今年我們做了一個7nm的車規級驗證樣片，專為Transformer等車端大模型做了優化設計，11月已經通過了一個量產測試，良率、性能以及功耗的表現都有超出預期。相較于全球主流的存算一體產品，在存算模塊我們有了五倍以上的能效提升。
36氪：大模型下沉邊緣端是一個新趨勢，車廠會對芯片提出哪些新的要求？
項之初：智能駕駛今年的火熱程度，大家有目共睹。 車廠對于智能化配置也開始逐漸從“有沒有”轉換到“好不好用”，所以性能是他們考量的首要因素，編譯器上手快，算力利用率高，其次車廠對芯片主要訴求還有成本，要讓他們買得起，車端很難像云端一樣，花幾十萬購買芯片。
最后，車對功耗很敏感，要將芯片的功耗壓到車所能接受的程度。我們目前就在和國內某頭部車廠合作，將基于Transformer大模型的demo，跑在我們的芯片上。
36氪：什么類型的大模型會更適合用于車這個場景？
項之初：現在看來Transformer很適合。車端原來更多是用CNN圖像類模型，特斯拉引入了Transformer，Transformer的自注意力機制可以幫助GPT了解上下文的含義，也能讓智能駕駛有了“上下文”，更好的做規劃決策。另外車內座艙的一語音交互已經開始引入GPT，從這個角度看，Transformer 可能會是更長時間維度里的贏家。
36氪：存儲介質的選擇一直是存算一體行業的重要問題，站在現在這個時間節點，您怎樣看待后摩智能所選擇的介質？
項之初：非常好。成熟的存儲介質其實就是Flash，SRAM和DRAM等。大家可能用得比較多的是Nor Flash和SRAM。Nor Flash受限于寫的速度和可擦寫次數，不能用于高頻擦寫場景，更適合用于固定模型的小端側場景。對SRAM來說，對功耗敏感的大算力場景非常合適，缺點是它的密度會比Nor Flash要低。目前來說SRAM是唯一可量產的自動駕駛芯片存儲介質，我們實際上也沒有什么選擇。
對于先進存儲ReRAM和MRAM等，我的觀點是先有產品出來，再討論好用不好用。我們去年也做了ReRAM的流片，在實驗室和SRAM比較了一下，可擦寫次數上ReRAM差了2-3個數量級。這個拿來商用，我們覺得還不到做大芯片的時機，還沒成熟。
36氪：對于芯片而言，要想用起來，還需要完善的軟件生態。后摩智能在軟件生態上有何思考？
項之初：要想讓芯片用起來，最主要的是編譯器、工具鏈的工作，我們在芯片點亮后，做了大量的編譯器和工具鏈的優化工作。像車廠這樣的客戶，試用機會只有一次，如果第一次測試產品的時候不好用，后面就很難有敲門的機會了。
我們一定要做到自己心里有底，才敢給客戶送樣。只有客戶的產品能在芯片上用起來，才會去討論芯片的算力、功耗等性能。
我們一直在強調把編譯器和工具鏈做好，讓客戶在上面用起來，而且只有經過用戶側的反復敲打，工具鏈和編譯器才能越來越好，得到客戶的反饋后及時迭代新版本。
36氪：為了更好發揮算力的作用，后摩智能在架構等層面做了哪些努力？
項之初：我們用CIM解決了矩陣乘加的暴力計算問題，在此之外，我們還設計了一些更通用的單元，比如去做向量的乘法和非線性計算。同時，在這些之外，我們預留了通用計算單元來支持尚未出現的算法。芯片從設計到生產是有2-3 年周期的，算法迭代卻很快，我們要在設計的時候就考慮到這一點。
36氪：大模型會不斷提出新的算子需求，對此后摩智能會有什么產品計劃嗎？
項之初：我們新一代產品H50就重點考慮了車端大模型。一是在底層算力單元上，通過技術迭代，增加效率。二是我們對Transformer等算法做了進一步的優化。
我們的驗證產品已經流片回來了，測試結果很令人興奮，相較于上一代芯片，它各方面都有提升。我們采用了7nm的制程，是國內首款采用7nm制程的存算一體芯片。
此外，公司在算力上覆蓋了更多的產品組合，希望能滿足車企不同產品的的需求。
36氪：存算一體芯片在產業大規模應用，會遇到什么問題？
項之初：CUDA生態，這是除了英偉達以外，所有算力芯片公司都要面對的問題。
對存算一體芯片來說，如果我們能做到硬件上同巨頭相比有大幾倍甚至一個數量級的計算效率的優勢，讓一些用戶能在場景里用起我們的芯片，再慢慢突圍，積累自己的生態，就能慢慢減少封鎖。
36氪：CUDA對車場景的限制大嗎？
項之初：數據中心的訓練對CUDA依賴最多，其次是數據中心的推理，自動駕駛等邊緣端的推理再次之。
36氪：在自動駕駛場景，有必要再構建出一個類似CUDA的工具鏈嗎？
項之初：我認為具有對接功能就好，當下還是要先符合用戶的使用習慣，讓用戶能用起來。隨著客戶使用，會生長出適合存算一體芯片的算子庫、算法，這些會構成我們的生態。而且在車這個場景，CUDA的優勢不及云端。
36氪：您曾提到，未來可能也希望向仿生機器人一類對算力和功耗敏感的場景探索，今年以來具身智能都非常火熱，公司有做過將存算一體技術用于人形機器人上的探索嗎？
項之初：我們理解車是機器人形態的一種，智能車是相對低階的機器人。特斯拉的擎天柱，就和其自動駕駛采用的是同一套軟硬件方案。具身智能會是我們很關注的場景。而且機器人對于功耗會更敏感，和存算一體芯片會很契合。
如今，大模型已顯現出與智能車結合的傾向。大模型的出現讓更多車企看到了推動自動駕駛進一步落地的可能。
自動駕駛已停留在L2級許久。復雜的城市環境，突如其來的道路變化，都是以高精度地圖為基礎的NOA技術所無法應對的，再精細的道路情況采集也無法預料到突然竄出的車，顧及不到時常翻修的道路這些情況。
大模型，讓車廠們敢于去探索NOA，希望通過大模型的加持，讓車輛可以根據感知到的信息，了解車身附近的實際狀況，并及時性地處理復雜的數據，做出推測、判斷。
如今，小鵬宣布將在數十個無圖城市推動XNGP，華為則表示要在今年四季度實現45座城市的無圖商用輔助駕駛，理想自動駕駛計劃則是100個城市。
能支撐大模型能力的智能駕駛芯片，成為整個行業的期冀。在這樣的市場需求下，存算一體芯片大算力、低功耗的特點，能與車這個場景很好結合。
后摩智能已開始與車企開始進行相關探索，其新一代產品H50也著重考慮了對車端大模型的支持，一方面提高芯片的算力大小，提高芯片效率，另一方面也針對Transformer等算法進行進一步優化。
在大模型下沉車端的時代大勢下，存算一體芯片將助力行業邁入2.0時代。
下案例是一起非常可怕的刑事犯罪：
2019年，一名俄亥俄州男子被指控向妻子、她的父母和姑媽的頭部開槍，原因是這名男子與親屬之間的關系因金錢問題而日益緊張，而且他為自己的情婦長期購買昂貴禮物造成經濟壓力。
檢察官在很大程度上依賴于一家鮮為人知的車輛取證公司 Berla Corporation 的專家證詞來立案。該員工作證說，聯邦調查局要求他使用該公司的技術從辛格的汽車中提取數據，這使得執法部門能夠提取短信、電子郵件、通話記錄、圖片、視頻、聯系人列表、社交媒體內容以及GPS 位置等詳細信息。
一名聯邦調查局數字取證檢查員在證人席上稱，對汽車硬盤數據的分析表明，辛格的車輛于晚上 9 點 09 分到達犯罪現場。目擊者作證說，晚上 9 點 15 分到晚上 9 點 30 分之間，公寓里聽到了槍聲。
盡管從汽車收集的數據并不總能描繪出完美的畫面——辛格案件的陪審團陷入僵局，他正在等待明年的重審——但 Berla 技術的使用引發了一些有爭議的問題，即消費者應該在多大程度上犧牲自己的隱私來增強執法部門解決犯罪的能力。
由于許多公民不知道他們的汽車數據很容易被與執法部門合作的公司提取，甚至可能在沒有搜查令的情況下，這種做法揭示了汽車數據隱私中嵌入的復雜問題。
隨著汽車制造商將更多的計算機融入到汽車中來收集和處理大量數據，這個問題只會變得越來越嚴重。
專注于汽車網絡的安全公司 GRIMM 的高級安全專家 Sean McKeever 表示，汽車計算機系統“在這一點上實際上就是手機”。“不同之處在于我的手機不會離開我的口袋。要在手機上獲取我的數據，你必須找到我，而我的汽車更像是一個可以拖走和訪問的穩定目標。”
車輛取證的首選來源
許多警察部門不會討論他們的調查工具，但在網上快速搜索 Berla 表明該公司的產品得到了廣泛使用。圣地亞哥、圣安東尼奧和的執法人員公開談論了他們從 Berla 工具中獲得的價值。
雖然 Berla 有競爭對手，但似乎沒有一個競爭對手能與其能力或執法范圍相匹配。 Berla公司的軟件不向公眾開放。
這家總部位于馬里蘭州的公司之前一直備受關注，但在華盛頓州發生一起集體訴訟數據隱私訴訟后，該公司獲得了新的關注度，據稱這些汽車制造商的系統允許 Berla 軟件訪問駕駛員短信和其他數據。
西雅圖的一位聯邦法官稱這種做法是為了解決犯罪問題，并沒有違反州隱私法。盡管存在爭議，Berla 首席執行官 Ben LeMere 從不羞于展示他的產品。
“去年我們協助了幾乎所有重大恐怖主義調查，從巴黎爆炸案到田納西州查塔努加槍擊案再到圣貝納迪諾槍擊案。”
警方可以通過其信息娛樂中心提取傳輸到汽車上的手機數據
圖片來源：Unsplash/Swansway Motor Group
Berla 的營銷口號是“驚人的數據量，無限的可能性”，許多執法人員似乎都同意這一說法。該公司的產品非常廣泛，甚至允許執法部門通過手機搜索車輛資料。截至 2022 年 3 月，根據最新的官方網站（https://berla.co/ive-timeline/）數據，Berla 的軟件適用于 20,752 種汽車。
警察可以使用 Berla 的工具（可以想象，無需搜查令）訪問汽車的導航系統。如果駕駛員將手機與汽車的信息娛樂中心同步，警方還可以在車輛連接時提取傳輸到汽車的手機數據。
國土安全部于 2013 年開始與 Berla 合作，將該公司與多個州和地方警察部門聯系起來。據 The Intercept 2021 年報道的一份合同顯示，國土安全部旗下的美國海關與邊境保護局據稱支付了超過 45 萬美元購買了 5 個 Berla 車輛取證套件。
圣地亞哥警察局網站上的監控披露聲明稱其使用的 Berla 軟件會獲取存儲在汽車電腦中的信息娛樂和遠程信息處理系統中的數據，包括車輛事件、位置數據和來自連接設備的數據。
該文件將車輛事件定義為“車門打開、點火活動和安全帶使用”以及日期/時間戳和“事件發生時車輛的 GPS 位置”。
網絡披露稱：“車輛可能包含與車輛相連的與具體刑事案件無關的設備。”
對于如此強大的調查工具，Berla 的軟件相對便宜，至少對于較小的機構來說是這樣。2021 年，圣安東尼奧一家電視臺援引當地警長哈維爾·薩拉查 (Javier Salazar) 的話說，該部門僅支付了 15,000 美元即可與該公司簽訂至少兩年的合同。
汽車搜查是否違反美國憲法
近 100 年前，美國最高法院確立了憲法保護汽車免遭不合理搜查和扣押的例外情況。如今，這一例外意味著警方可以“無須授權，即可侵入車輛的計算機系統并提取大量數據”，根據威廉與威廉姆斯公司今年早些時候發表的瑪麗法學院教授的一篇論文。
“正如警察可以在撕開座椅或割破輪胎來搜查毒品一樣，警察也可以在未經授權的情況下提取存儲在車輛信息娛樂系統中的數據。”Adam Gerhsowitz 教授在題為“特斯拉符合第四修正案”的文章中寫道。
手機也不例外，警察在沒有搜查令的情況下不得搜查手機。Gerhsowitz 教授表示，汽車例外先例可以追溯到走私時代，當時執法部門的搜查只涉及非法物體，例如酒壺。他說，當時車輛的機動性被用來證明無證搜查的合理性。
Gerhsowitz 在接受采訪時表示：“這個先例沒有考慮到車內物品不是毒品、走私酒精或槍支等有形物品的世界。” “現在我們生活在汽車里存在車輛運行的大量數據的世界。”
Gershowitz 的 51 頁文章引用了 Berla 74 次，認為隨著復雜的數字提取技術在執法機構中變得越來越普遍（可能在沒有獲得搜查令的情況下），州和聯邦立法需要解決這種做法。
Gershowitz 援引至少六個州的法院裁決，顯示警方在沒有搜查令的情況下從車輛下載數據，稱這一問題值得更多關注。
Gershowitz在他的文章中表示：“鑒于全國有近 18,000 個執法機構，許多警察部門很可能允許其警員在未經授權的情況下從車輛中提取數據。”
電子隱私信息中心訴訟主管約翰·戴維森 (John Davisson) 表示，對車輛的搜查被錯誤地按照相對較低的法律標準進行，這意味著不需要搜查令。
戴維森說：“如果使用 Berla 獲得的信息隨后出現在刑事訴訟中，如果執法部門在泄露數據時缺乏必要的合理懷疑或可能的原因，那么這些證據就有可能被排除。” “但是，當執法部門攔截車輛時，現場沒有法官，因此實際上，他們肯定可以在第一時間獲得這些數據。”
帶輪子的電腦
Berla 拒絕對此事發表評論，但 LeMere 過去在討論該軟件時一直很坦誠，有一次告訴播客采訪者（https://www.youtube.com/watch?v=ChRFhyNUavc）他的團隊從租來的福特探險者的信息娛樂系統中提取了 70 部手機的數據，捕獲通話記錄、聯系人、短信歷史記錄，甚至 Facebook 和 Twitter 帖子。
數據提取規模的一個主要問題是大多數人對它的了解程度。
“我認為大多數人在使用汽車發送短信時不會感到驚訝，是的，他們的汽車正在處理數據。”負責監控、隱私和技術的高級政策顧問科迪·文茨克 (Cody Venzke) 表示。“他們對這些信息保存在汽車上感到驚訝。”
這些數據源于汽車，是基于汽車實際上是一部計算機這一事實。
“就像任何其他計算機一樣，存儲在其上的內容將會留下文件。”他談到信息娛樂中心和其他系統時說道。“汽車計算機使用與普通計算機相同的基本技術 - 其中一些甚至使用相同的操作系統。”
McKeever 表示，考慮到計算機的工作方式，數據保留很難避免，但他允許制造商“可以讓客戶更容易刪除這些信息。”
他表示，當今的計算機化汽車功能并未考慮到消費者隱私。他說，這不是一個容易解決的問題，因為隱私增強可能需要花費數百萬美元和數年的供應鏈變革。
根據 LeMere 之前的公開聲明，汽車制造商非常清楚他們存儲的大量數據以及 Berla 產品的功能。
他過去曾討論過他與汽車制造商及其供應商的密切關系，并在 2016 年國土安全部的一次活動中表示，他已將自己的安全專業知識借給制造商，以確保 Berla 的客戶在需要時能夠輕松訪問他們的技術。
他告訴觀眾只有當信息娛樂系統制造商同意讓執法部門訪問其產品時，他才會與他們打交道。
“這確實是一把雙刃劍，當我們出去做演講時，每個人都會立即被嚇死，他們再也不想在車上插任何東西了。” LeMere 說。“但希望你們不會謀殺任何人，這樣事情就會成功。”
參考鏈接：https://therecord.media/cars-computers-on-wheels-law-enforcement-berla-corporation