拼完大模型、拼大算力，自動(dòng)駕駛2023將迎城市爭(zhēng)奪戰(zhàn)

文｜光錐智能周文斌

2018年以后，Transformer及其衍生變種的大模型開始逐漸替代卷積神經(jīng)網(wǎng)絡(luò)，席卷自然語(yǔ)言處理、圖像識(shí)別、語(yǔ)音識(shí)別等多個(gè)AI領(lǐng)域。

2019年，也是在AI DAY上，時(shí)任特斯拉AI總負(fù)責(zé)人安德魯·卡帕西（Andrej Karpathy）提出，特斯拉自動(dòng)駕駛要像人一樣開車，要在2021年取消激光雷達(dá)，并引入“大模型”對(duì)特斯拉的自動(dòng)駕駛系統(tǒng)進(jìn)行訓(xùn)練。

之后，特斯拉代表的純視覺(jué)自動(dòng)駕駛方案在行業(yè)里獨(dú)領(lǐng)風(fēng)騷，而在安德魯·卡帕西的推動(dòng)下，Transformer大模型也開始成為解決自動(dòng)駕駛難題的主流方案。

大模型的特點(diǎn)是結(jié)構(gòu)簡(jiǎn)潔、可無(wú)限堆疊基本單元得到巨大參數(shù)量，只要擁有足夠規(guī)模的數(shù)據(jù)，其可提升的潛力上限就極高。但問(wèn)題在于，要驅(qū)動(dòng)大數(shù)據(jù)，訓(xùn)練大模型，就必須要有超大算力的支持。所以，特斯拉在2019年同時(shí)發(fā)布的還有Dojo超級(jí)計(jì)算系統(tǒng)。

在國(guó)內(nèi)，毫末率先引入了Transformer的技術(shù)，之后也是最早建立自己超算中心的自動(dòng)駕駛企業(yè)。就像在大家普遍選擇高精地圖的時(shí)候，毫末選擇了重感知方案一樣，雖然當(dāng)時(shí)不是主流，但后來(lái)卻逐漸成為行業(yè)共識(shí)，如今超算中心也大有成為自動(dòng)駕駛企業(yè)標(biāo)配的趨勢(shì)。除了特斯拉之外，2022年蔚來(lái)、小鵬、大陸等多家企業(yè)都開始建立自己的超算中心。

走與大多數(shù)人不一樣的路，這不僅是毫末對(duì)自動(dòng)駕駛的深度理解和洞察，也是毫末自身戰(zhàn)略勇氣和戰(zhàn)略定力的表現(xiàn)。而歷史的經(jīng)驗(yàn)也在一次次說(shuō)明，毫末的判斷每一次都踩中了自動(dòng)駕駛發(fā)展的脈搏。

1月5日，毫末再次舉辦AI DAY，這一次，毫末在自動(dòng)駕駛數(shù)據(jù)智能體系MANA（雪湖）的基礎(chǔ)上，又推出了新的智算中心MANA OASIS（雪湖·綠洲）。

毫末智行董事長(zhǎng)張凱在AI DAY上提到：“隨著自動(dòng)駕駛企業(yè)向3.0時(shí)代邁進(jìn)，“大模型+大數(shù)據(jù)”的數(shù)據(jù)驅(qū)動(dòng)模式，成為自動(dòng)駕駛技術(shù)進(jìn)化的關(guān)鍵，而驅(qū)動(dòng)大模型和海量數(shù)據(jù)訓(xùn)練的超算中心將成為自動(dòng)駕駛企業(yè)的入門配置?！?/strong>

毫末智行董事長(zhǎng)張凱

當(dāng)拼完大模型，自動(dòng)駕駛又開始拼大算力，這不僅讓自動(dòng)駕駛公司在技術(shù)難度上提升了一個(gè)臺(tái)階，也在“鈔能力”上又提高了要求。

不過(guò)，當(dāng)一切準(zhǔn)備就緒，自動(dòng)駕駛在城市落地的可行性也提升了一大步。

01 生長(zhǎng)于雪湖的智算中心

對(duì)于自動(dòng)駕駛來(lái)說(shuō)，算力的重要性不言而喻。

特別是當(dāng)越來(lái)越多搭載自動(dòng)駕駛輔助系統(tǒng)的車輛行駛在城市道路上之后，復(fù)雜的道路環(huán)境、指數(shù)級(jí)增長(zhǎng)的車輛都讓自動(dòng)駕駛的數(shù)據(jù)量爆發(fā)式增長(zhǎng)。

而數(shù)據(jù)量增加，原來(lái)依靠CNN卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練自動(dòng)駕駛的方式效率就有些低了。所以2018年之后，在特斯拉的帶動(dòng)下，能夠提高訓(xùn)練效率的Transformer訓(xùn)練模型開始流行。

但問(wèn)題也隨之而來(lái)——要驅(qū)動(dòng)這樣的大數(shù)據(jù)、大模型就必須要有超強(qiáng)算力作為支撐。

“超算中心將會(huì)成為自動(dòng)駕駛公司的入門配置”，張凱在此次AI DAY上表示，這將是自動(dòng)駕駛2023年的一大趨勢(shì)。

事實(shí)上，國(guó)內(nèi)外頭部的自動(dòng)駕駛相關(guān)企業(yè)都在建設(shè)自己的超算中心，比如2022年6月英偉達(dá)披露，蔚來(lái)正在利用它們的芯片構(gòu)建數(shù)據(jù)中心，以支持深度學(xué)習(xí)模型的迭代和自動(dòng)駕駛算法的訓(xùn)練。8月，小鵬也宣布和阿里云在烏蘭察布建成了自動(dòng)駕駛智算中心“扶搖”。

在國(guó)外，除了特斯拉之外，全球頭部的汽車行業(yè)Tier 1大陸集團(tuán)也在構(gòu)建自己的高算力集群，用于加速開發(fā)自動(dòng)駕駛解決方案，主要應(yīng)用場(chǎng)景包括深度學(xué)習(xí)和仿真測(cè)試。

成立僅僅三年，毫末作為一家創(chuàng)業(yè)公司，其在關(guān)鍵領(lǐng)域的布局絲毫不遜于這些巨頭。2021年，毫末在年底的AI DAY上發(fā)布了自己的自動(dòng)駕駛數(shù)據(jù)智能體系MANA，中文名字叫雪湖。

這是一個(gè)源自《三體》的名字，羅輯在這里悟出了“黑暗森林法則”，成為他持有的一把利劍為人類帶來(lái)66年的和平。而這次毫末在AI DAY發(fā)布的智算中心綠洲（MANA OASIS），也從雪湖當(dāng)中孕育而出。

火山引擎總裁譚待（左），毫末智行CEO顧維灝（右）

從數(shù)據(jù)上看，MANA OASIS綠洲具有每秒67億億次的浮點(diǎn)運(yùn)算能力，具有每秒2T的存儲(chǔ)帶寬，和每秒800G的通信帶寬。

首先是浮點(diǎn)運(yùn)算，AI大模型的訓(xùn)練依靠的不再是傳統(tǒng)CPU的邏輯推理能力，而是以AI加速器為主的浮點(diǎn)運(yùn)算能力。

其次是存儲(chǔ)帶寬，自動(dòng)駕駛的訓(xùn)練任務(wù)文件通常比較復(fù)雜，比如毫末用來(lái)訓(xùn)練的自動(dòng)駕駛數(shù)據(jù)被稱為Clip，它是包含圖像、視頻，以及毫米波雷達(dá)、激光雷達(dá)等多種信號(hào)的小文件。

無(wú)數(shù)這樣的小文件構(gòu)成自動(dòng)駕駛訓(xùn)練的數(shù)據(jù)，自動(dòng)駕駛在訓(xùn)練過(guò)程中需要隨機(jī)調(diào)用這些數(shù)據(jù)，為了降低延遲，提高數(shù)據(jù)的訪問(wèn)和傳輸效率，就需要更大的存儲(chǔ)帶寬作為支撐。

為此，毫末還專門組建了一套以場(chǎng)景庫(kù)標(biāo)簽為索引的文件管理系統(tǒng)。有了這套系統(tǒng)，在2TB/s存儲(chǔ)帶寬支持下，MANA OASIS針對(duì)百億規(guī)模的小文件隨機(jī)讀取延時(shí)小于500微秒。

最后則是800G的通信帶寬，這是因?yàn)樽詣?dòng)駕駛所需要的模型需要更好的并行計(jì)算框架才能把硬件資源都利用起來(lái)。再加上現(xiàn)在人工智能發(fā)展很快，新的算法層出不窮，需要盡快引入新的技術(shù)和模型，這些都需要高通信帶寬的支持。

在毫末看來(lái)，智算中心或許和羅輯的面壁計(jì)劃一樣，可以成為解決當(dāng)前自動(dòng)駕駛瓶頸的一把利劍。

圖源：《三體》動(dòng)畫

但到這里毫末其實(shí)還不滿足，他們想要在智算中心上做一些更極致的優(yōu)化。也是這個(gè)原因，這次毫末的智算中心的合作伙伴選擇了火山引擎。

作為字節(jié)旗下的云服務(wù)平臺(tái)，火山引擎在支持抖音的過(guò)程中積累了對(duì)視頻、視覺(jué)豐富的理解和經(jīng)驗(yàn)。毫末CEO顧維灝也特地提到，火山引擎在這一方面為MANA OASIS提供了很大助力。

例如在高性能算子庫(kù)方面，火山引擎提供超過(guò)500個(gè)高性能算子，基本讓當(dāng)前神經(jīng)網(wǎng)絡(luò)所能用到的算子都有了高性能版本，這讓MANA OASIS可以支持包括Transformer在內(nèi)的超過(guò)200組網(wǎng)絡(luò)結(jié)構(gòu)。

而在大模型的訓(xùn)練框架上，MANA OASIS能夠?qū)崿F(xiàn)單機(jī)8卡就能訓(xùn)練百億參數(shù)大模型的效果，實(shí)現(xiàn)跨機(jī)共享expert（專家）的方法，完成千億參數(shù)規(guī)模大模型的訓(xùn)練，訓(xùn)練成本降低到百卡周級(jí)別；同時(shí)，MANA OASIS還能同時(shí)處理圖片、點(diǎn)云、結(jié)構(gòu)化文本等多種模態(tài)的信息，既保證了模型的稀疏性、又提升了計(jì)算效率。

整體上，字節(jié)通過(guò)部署Lego高性能算子庫(kù)、ByteCCL通信優(yōu)化能力、大模型訓(xùn)練框架等軟硬一體的方式，把算力優(yōu)化到極致。張凱透露，“MANA OASIS的應(yīng)用讓毫末的自動(dòng)駕駛訓(xùn)練效率提升了100倍?！?/p>

在智算中心的加持下，張凱認(rèn)為，隨著自動(dòng)駕駛AI大模型在云端的深入應(yīng)用，行泊一體的持續(xù)迭代升級(jí)和效率提升。車端智能駕駛系統(tǒng)的綜合成本將大幅度實(shí)質(zhì)性降低。以重感知技術(shù)為主，主要依托視覺(jué)方案的智駕系統(tǒng)將可以在中低算力的車端平臺(tái)上部署。

“2023年，智能駕駛的下半場(chǎng)進(jìn)入加速期，高階輔助駕駛產(chǎn)品的商業(yè)應(yīng)用將迎來(lái)大規(guī)模落地?！睆垊P表示：“到2025年中國(guó)高階輔助駕駛搭載率將達(dá)到70%。智能駕駛功能成為必選因素，智能駕駛已迎來(lái)商業(yè)化的加速發(fā)展。”

02 用大模型“降本”“增效”

有了智算中心，自動(dòng)駕駛公司就能更加高效地訓(xùn)練大模型。

在這次AI DAY上，毫末發(fā)布了五個(gè)最新的大模型，分別是視頻自監(jiān)督大模型、3D重建大模型、多模態(tài)互監(jiān)督大模型、動(dòng)態(tài)環(huán)境大模型和人駕自監(jiān)督認(rèn)知大模型。

首先是視頻監(jiān)督大模型，它解決的主要是數(shù)據(jù)化標(biāo)注的問(wèn)題。

前面提到，為了降低成本，提高訓(xùn)練效果，毫末將原來(lái)的離散幀，也就是單幀標(biāo)注數(shù)據(jù)變成了連續(xù)的Clip形式。但問(wèn)題在于，當(dāng)新技術(shù)應(yīng)用之后，過(guò)去積累的數(shù)量龐大的單幀數(shù)據(jù)就無(wú)法再使用了。

“真實(shí)的視頻每秒至少10幀以上，原來(lái)的離散幀一秒鐘只會(huì)標(biāo)注一幀，中間還有許多空隙是沒(méi)有標(biāo)注的?！焙聊┘夹g(shù)副總裁艾銳這樣解釋單幀和Clip的差別。

所以，為了把之前的數(shù)據(jù)用起來(lái)，毫末就需要把單幀數(shù)據(jù)的空隙補(bǔ)上，標(biāo)注成Clip的形式。只是這個(gè)過(guò)程如果用人工標(biāo)注，成本會(huì)非常高，所以才有了視頻監(jiān)督大模型，這是一套數(shù)據(jù)自動(dòng)標(biāo)注的方法。

圖：視頻自監(jiān)督大模型演示

“目前我們基本上達(dá)到了百分之百的自動(dòng)化，只需要非常少量的，大概2%的人工做一遍抽檢就可以了，整個(gè)成本節(jié)省是非常顯著的?！碧岬揭曨l監(jiān)督大模型的效果，艾銳如此說(shuō)道。

在國(guó)外，特斯拉其實(shí)也做著類似的事情。去年6月份，特斯拉開啟首輪裁員，首先被裁的就是數(shù)據(jù)標(biāo)注的員工，一個(gè)原因就在于自動(dòng)標(biāo)注系統(tǒng)的應(yīng)用。

然后是3D重建大模型，解決的是低成本數(shù)據(jù)獲取和補(bǔ)充的問(wèn)題。

自動(dòng)駕駛發(fā)展到現(xiàn)在，各大企業(yè)已經(jīng)累計(jì)了幾千萬(wàn)，甚至上億公里的路測(cè)數(shù)據(jù)。這些數(shù)據(jù)可能解決了自動(dòng)駕駛99%的corner case，但是剩下的1%因?yàn)椴惶菀子鲆?，所以需要花費(fèi)巨大的成本或者時(shí)間。

比如同一個(gè)環(huán)境，春夏秋冬不同的時(shí)間，同一輛車的通行情況也會(huì)有所不同。如果按正常的數(shù)據(jù)收集，這個(gè)過(guò)程就很長(zhǎng)。

而3D重建大模型則可以通過(guò)幾張照片，或者某個(gè)場(chǎng)景的一段視頻就把這個(gè)場(chǎng)景主要的靜態(tài)結(jié)構(gòu)以3D的形式重新建立起來(lái)。這其中的邏輯和之前流行一時(shí)的元宇宙虛擬人捏臉有些相似，即用戶只需要上傳一張照片，平臺(tái)就能夠生成一個(gè)3D人物模型，讓你看到不同角度的樣子。

圖：左右兩個(gè)視頻，你能分清哪個(gè)是3D重建的嗎？

有了這樣的技術(shù)，自動(dòng)駕駛訓(xùn)練就可以通過(guò)算法得到一些極限路況下的數(shù)據(jù)，或者補(bǔ)充一些之前缺失的數(shù)據(jù)。比如我們擁有某個(gè)路段春天的行駛數(shù)據(jù)，通過(guò)算法就可以直接獲得冬天的數(shù)據(jù)。

“我們現(xiàn)在的很多算法研發(fā)在做場(chǎng)景數(shù)據(jù)補(bǔ)充的時(shí)候都會(huì)使用這個(gè)方法，基本上能讓我們感知在這些困難場(chǎng)景下的錯(cuò)誤率有明顯的下降?！卑J提到。

而這兩個(gè)模型總結(jié)下來(lái)，解決的都是數(shù)據(jù)分布、處理效率和成本的問(wèn)題，這也是智算中心核心要解決的問(wèn)題。

再然后是多模態(tài)互監(jiān)督大模型，它解決的問(wèn)題是如何讓車輛識(shí)別并通過(guò)復(fù)雜路況。

在自動(dòng)駕駛行駛過(guò)程中，毫末發(fā)現(xiàn)對(duì)于已知物體，自動(dòng)駕駛的識(shí)別都沒(méi)有問(wèn)題，但如果道路上出現(xiàn)一些奇怪的、無(wú)法描述的東西自動(dòng)駕駛就還存在缺陷。

解決這個(gè)問(wèn)題，最簡(jiǎn)單粗暴的方法，是將所有遇到的物體都做上標(biāo)注，但成本也很高。而且更大的問(wèn)題在于，各種奇怪的物體其實(shí)是不可能完全標(biāo)注的。

所以毫末選擇了另外一種方法，就是不去糾結(jié)這個(gè)東西具體是什么，我們只需要知道它有多高、多寬、是否會(huì)對(duì)行駛產(chǎn)生影響。

在去年的AI Day上，特斯拉也發(fā)布過(guò)一個(gè)名叫占用網(wǎng)絡(luò)（Occupancy Network）的算法。這個(gè)算法不去糾結(jié)障礙物具體的語(yǔ)義，而是以3D幾何信息的方式對(duì)物體進(jìn)行顯示，其感知結(jié)果就直接可以用來(lái)指導(dǎo)自動(dòng)駕駛路徑規(guī)劃。

而毫末的多模態(tài)監(jiān)督大模型，則是通過(guò)讓視覺(jué)、激光雷達(dá)、毫米波等不同傳感器相互監(jiān)督，再采用激光雷達(dá)點(diǎn)云對(duì)視覺(jué)進(jìn)行驗(yàn)證的方法，達(dá)到與占用網(wǎng)絡(luò)相似的結(jié)果。

之后的動(dòng)態(tài)環(huán)境大模型，則主要是為了讓自動(dòng)駕駛車輛擺脫高精地圖的限制。

其原理在于，讓自動(dòng)駕駛把注意力機(jī)制從常規(guī)的空間注意力轉(zhuǎn)到拓?fù)渥⒁饬?，用一個(gè)自回歸的編碼器來(lái)實(shí)現(xiàn)，讓系統(tǒng)能夠像人一樣，根據(jù)現(xiàn)在的情況預(yù)測(cè)之后的道路情況。

艾銳稱，“這種方法我們?cè)诒本┖捅６ǖ暮芏嗦房诙甲隽藝L試，對(duì)于大部分的路型，使用現(xiàn)在的方法都沒(méi)有問(wèn)題，可以達(dá)到95%的準(zhǔn)確率?！?/p>

最后的人駕自監(jiān)督認(rèn)知大模型，則是為了讓自動(dòng)駕駛開車更像人。

在過(guò)往的自動(dòng)駕駛訓(xùn)練中，企業(yè)通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式解決駕駛決策的問(wèn)題。各種數(shù)據(jù)一股腦地喂給AI，AI并不會(huì)分辨其中的好與壞，只是單純的將各種數(shù)據(jù)綜合，因此它往往會(huì)得到一個(gè)平均數(shù)，而無(wú)法提升到一個(gè)好司機(jī)的水平。

所以人駕自監(jiān)督認(rèn)知大模型的目的，就是為了讓自動(dòng)駕駛系統(tǒng)區(qū)分“什么是好的駕駛方法”。

在傳統(tǒng)的解決方案中，最直接的辦法就是采集許多司機(jī)的行為，讓模型學(xué)習(xí)他們的開車行為。或者用人工進(jìn)行標(biāo)注，告訴AI什么是好的，什么是不好的。但這樣成本又會(huì)很高，而且最重要的是，對(duì)于自動(dòng)駕駛來(lái)說(shuō)，這是一種比較黑盒的方法，即自動(dòng)駕駛只是在單純的模仿，是知其然而不知其所以然。

人駕自監(jiān)督認(rèn)知大模型在做的，是去對(duì)比學(xué)習(xí)那些被司機(jī)接管的數(shù)據(jù)，畢竟接管往往意味著司機(jī)對(duì)AI的駕駛不滿意，而學(xué)習(xí)接管后的駕駛方式，則能夠幫助AI在駕駛能力上越來(lái)越向老司機(jī)靠近。

艾銳提到，毫末之所以會(huì)選擇這種方案，也是因?yàn)槭艿阶罱芑鸬腃hatGPT的啟發(fā)。

“在GPT-3之前，谷歌OpenMind已經(jīng)做了好幾年，但并沒(méi)有引起特別大的反響，這次ChatGPT突然火了，一個(gè)很重要的原因是把一個(gè)人類行為的反饋加進(jìn)來(lái)，有一個(gè)專門用人類行為進(jìn)行反饋的強(qiáng)化學(xué)習(xí)?！卑J提到：“通過(guò)人類的這些反饋行為，AI可以分辨它應(yīng)該在什么時(shí)候給出什么質(zhì)量的回答，然后自動(dòng)把一些低質(zhì)量的回答去掉，所以大家才覺(jué)得這個(gè)機(jī)器人比較像個(gè)正常人?！?/p>

03 輔助駕駛“城市爭(zhēng)奪戰(zhàn)”

從智算中心到五大模型，毫末總是會(huì)用更低的成本，更高的效率獲得、處理自動(dòng)駕駛數(shù)據(jù)。

比如視頻監(jiān)督大模型和3D重建大模型都是為了降低數(shù)據(jù)獲取成本，提高數(shù)據(jù)獲取的效率。而多模態(tài)監(jiān)督大模型是為了減少數(shù)據(jù)處理中人工參與的部分，以此來(lái)降低成本。

能做到這一點(diǎn)，是因?yàn)楹聊?duì)于自動(dòng)駕駛在場(chǎng)景落地的終極思考足夠深入。

除了特斯拉之外，2022年4月，毫末發(fā)布了中國(guó)首個(gè)大規(guī)模量產(chǎn)的城市輔助駕駛產(chǎn)品；9月初，小鵬城市輔助駕駛（NGP）開始在廣州推送，之后不久搭載華為自動(dòng)駕駛的極狐汽車在深圳城區(qū)智能導(dǎo)航輔助（NCA）。而除了這些已經(jīng)發(fā)布、落地的，蔚來(lái)、理想、阿維塔，新勢(shì)力有一家算一家，都給城市輔助駕駛定下了時(shí)間。

可以說(shuō)，2022年以來(lái)，城市輔助駕駛成為各大車企和自動(dòng)駕駛企業(yè)爭(zhēng)奪最激烈的焦點(diǎn)。

但截至目前，城市輔助駕駛鋪開的速度都遠(yuǎn)沒(méi)有想象中的迅速。如今，支持小鵬NGP的城市仍然只有廣州一個(gè)，華為NAC也僅限于上海和深圳。

而發(fā)布快，落地慢的一個(gè)核心問(wèn)題就在于，面對(duì)復(fù)雜的城市道路環(huán)境，城市輔助駕駛還有太多問(wèn)題沒(méi)有解決。

比如高精地圖的問(wèn)題，華為、小鵬的城市輔助駕駛之所以被限制在廣州、深圳和上海，很大一個(gè)原因在于只有這幾個(gè)城市的地圖通過(guò)了審核。

圖：行駛中的毫末城市輔助駕駛NOH

為了避免這種限制，毫末首先提出了“重感知”的自動(dòng)駕駛方案。我們會(huì)發(fā)現(xiàn)，在這次五大模型中的動(dòng)態(tài)環(huán)境大模型就是為了讓自動(dòng)駕駛車輛盡量地減少、甚至擺脫對(duì)地圖的依賴。

當(dāng)然，地圖的審核只是一方面，更多的問(wèn)題還在于面對(duì)快速發(fā)展的中國(guó)城市，高精地圖的數(shù)據(jù)采集、鮮度保持都面需要高昂的成本和挑戰(zhàn)。

“我們發(fā)現(xiàn)，北京每100公里道路的拓?fù)浣Y(jié)構(gòu)平均半年會(huì)變化5.06次，為了更好地解決復(fù)雜路口的問(wèn)題，我們對(duì)地圖的依賴還要進(jìn)一步減弱?！卑J說(shuō)。

除此之外，多模態(tài)互監(jiān)督大模型則是為了增加自動(dòng)駕駛在城市道路上的通過(guò)性，讓自動(dòng)駕駛能夠適應(yīng)更多的路況。

目前，城市輔助駕駛?cè)匀粚儆贚2的狀態(tài)，而L2與L3、L4最大的區(qū)別在于，系統(tǒng)能否解決規(guī)定之外的場(chǎng)景，并保證安全。L2無(wú)法識(shí)別到運(yùn)營(yíng)規(guī)則之外的場(chǎng)景，L3能夠識(shí)別到，并保證能及時(shí)移交權(quán)限給人類駕駛員。L4則需要自動(dòng)駕駛不僅能夠識(shí)別到運(yùn)營(yíng)規(guī)則之外的場(chǎng)景，而且大概率能夠安全通過(guò)，即使不能通過(guò)，也能安全停下來(lái)。

圖森未來(lái)首席科學(xué)家王乃巖這樣區(qū)別L2、L3和L4：“L2系統(tǒng)不需要處理失效，L3系統(tǒng)只需要檢測(cè)失效，L4系統(tǒng)則要妥善處理失效。”

本質(zhì)上，毫末和特斯拉的方案，都是為了增加自動(dòng)駕駛的通過(guò)性，并保障安全，在逐步從L2向L3，甚至L4去做過(guò)度和準(zhǔn)備。

而這個(gè)過(guò)程，其實(shí)是依賴于重感知選擇?？梢哉f(shuō)，城市導(dǎo)航輔助駕駛進(jìn)入重感知階段，大規(guī)模量產(chǎn)交付的大幕才開始拉開。

而最后的人駕自監(jiān)督認(rèn)知大模型，解決其實(shí)是一個(gè)體驗(yàn)的問(wèn)題。

只有讓自動(dòng)駕駛和人類的駕駛更像，才能給到用戶更好的乘車體驗(yàn)，用戶也更愿意買單。

這里面其實(shí)存在一個(gè)自動(dòng)駕駛落地的悖論，即車企和自動(dòng)駕駛企業(yè)期望軟件和車輛盡快量產(chǎn)落地，好收回?cái)?shù)據(jù)來(lái)持續(xù)迭代算法。但對(duì)于用戶來(lái)說(shuō)，面對(duì)一個(gè)并不成熟，甚至只能限制使用的產(chǎn)品，額外溢價(jià)去進(jìn)行購(gòu)買的意愿其實(shí)并不會(huì)很高。

所以，人駕自監(jiān)督認(rèn)知大模型本質(zhì)上是基于真實(shí)用戶的數(shù)據(jù)驅(qū)動(dòng)，讓產(chǎn)品的體驗(yàn)更好，讓消費(fèi)者更愿意買單，從而推動(dòng)整個(gè)自動(dòng)駕駛系統(tǒng)的訓(xùn)練進(jìn)入良性循環(huán)。

而其背后，也預(yù)示著未來(lái)自動(dòng)駕駛系統(tǒng)的比拼，將由具備功能轉(zhuǎn)變?yōu)樘嵘ㄇ谛?，系統(tǒng)迭代更加精準(zhǔn)，迭代速度進(jìn)一步加快轉(zhuǎn)移。

顧維灝曾總結(jié)過(guò)一個(gè)自動(dòng)駕駛能力發(fā)展曲線：f（x）=Z0+M（x）。

其中F代表產(chǎn)品力，Z0代表第一代產(chǎn)品的能力，M是一個(gè)把數(shù)據(jù)轉(zhuǎn)化為知識(shí)的函數(shù)，包括：數(shù)據(jù)獲取、數(shù)據(jù)表達(dá)、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)傳輸、數(shù)據(jù)計(jì)算，數(shù)據(jù)驗(yàn)證。

無(wú)論是智算中心還是大模型，本質(zhì)上都是在以更低的成本獲得更多M（x）的能力。而隨著一系列大模型的應(yīng)用，算法性能開始提升，訓(xùn)練成本隨之降低，未來(lái)自動(dòng)駕駛可能搭載的車型價(jià)格必將進(jìn)一步下降，能夠覆蓋的城市也將進(jìn)一步拓寬，讓更多人能夠享受到自動(dòng)駕駛的體驗(yàn)。

截至2022年年底，毫末HPilot（城市輔助駕駛）已在包括魏牌、坦克、歐拉等近20款車型上搭載，用戶輔助駕駛行駛里程突破2500萬(wàn)公里。2023年，毫末更是計(jì)劃陸續(xù)落地到國(guó)內(nèi)100個(gè)城市。

可以預(yù)見，普通人能夠用上的自動(dòng)駕駛將會(huì)離我們?cè)絹?lái)越近。