AI智駕時(shí)代降臨，端到端奏響“三重奏”

　 域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過

“追上未來，抓住它的本質(zhì)，把未來轉(zhuǎn)變?yōu)楝F(xiàn)在”，俄國哲學(xué)家車爾尼雪夫斯曾這樣描述未來。而走到今天的新能源汽車，其通向未來的本質(zhì)就是做好智能化。

吶喊智能化的口號(hào)，從2023年延續(xù)到2024年。如今，智能化的落點(diǎn)，從最開始的智能座艙、NOA智能駕駛等，開始轉(zhuǎn)向新的軌跡。

近日，小鵬在廣州舉辦“小鵬汽車AI智駕技術(shù)發(fā)布會(huì)”，向全球用戶全量推送天璣系統(tǒng)XOS 5.2.0版本；其XNGP系統(tǒng)也將實(shí)現(xiàn)“不限城市、不限路線、不限路況的”全國全量開放。

此次發(fā)布會(huì)上著重突出的“端到端”“AI”等關(guān)鍵詞，也暗示了業(yè)內(nèi)新的共識(shí)——智能化的未來將向AI智駕看齊。

AI智駕時(shí)代已經(jīng)到來

新能源車企智能化的步伐，從2023年邁出至今，或許已近半程。但時(shí)移世易，新的風(fēng)向標(biāo)也隨之而來。

去年8月，廣汽宣布正式推出廣汽AI大模型平臺(tái)，并將搭載于高端智能轎跑昊鉑GT亮相；9月，華為云在華為全聯(lián)接大會(huì)2023上發(fā)布盤古汽車大模型，并進(jìn)一步探討盤古汽車大模型在行業(yè)場(chǎng)景中的應(yīng)用落地。

比亞迪璇璣AI大模型

今年1月，比亞迪推出了行業(yè)首創(chuàng)雙循環(huán)多模態(tài)AI——璇璣AI大模型，首次將人工智能技術(shù)應(yīng)用到車輛全領(lǐng)域。同年1月，蔚來推送了基于AI智能底盤技術(shù)打造的智能系統(tǒng)Banyan榕2.4.0?？梢?，AI大模型已經(jīng)開始向新能源汽車滲透。

具體到應(yīng)用場(chǎng)景上，大語言模型通過賦能語音助手，提升對(duì)乘客語音語義的理解能力，從而加速人車交互進(jìn)化；視覺大模型通過優(yōu)化感知，然后生成接近于真實(shí)的畫面，從而降低傳感器硬件使用成本，加速自動(dòng)駕駛普及。

值得肯定的是，大模型在新能源汽車上得以應(yīng)用，進(jìn)一步打開了汽車智能化的想象空間，同時(shí)也預(yù)示著汽車智能化已經(jīng)實(shí)現(xiàn)技術(shù)底層的突破。

只是，結(jié)合國內(nèi)復(fù)雜的路況，單靠大量“小模型”堆砌，以及海量人工手寫規(guī)則代碼的輔助，始終難以窮盡駕駛時(shí)的各種情境，這也是近來各品牌高階智駕車輛事故頻發(fā)的主要原因之一。

此時(shí)，車企開始轉(zhuǎn)而啟用性能更強(qiáng)的“大模型”取代“小模型”，原本龐大的模塊化結(jié)構(gòu)，也開始變得簡潔起來。之所以這樣轉(zhuǎn)變，是因?yàn)?strong>“小模型”堆砌相當(dāng)于多模塊組合后，各司其職，最后匯總處理結(jié)果，由于是多個(gè)“大腦”同時(shí)決策，處理結(jié)果容易發(fā)生沖突。

而“大模型”執(zhí)行的是端到端的處理邏輯，從感知層的數(shù)據(jù)輸入，到規(guī)控層的策略輸出，整套流程都由一個(gè)或兩個(gè)大模型搞定，處理效果的沖突性明顯漸弱。

加之，AI可以通過學(xué)習(xí)和模仿人類的思考決策邏輯，并用端到端數(shù)據(jù)驅(qū)動(dòng)算法迭代升級(jí)，從而取代傳統(tǒng)的人工手寫算法規(guī)則迭代，使得處理效率更高，決策錯(cuò)誤率更低。

隨著AI大模型逐漸成為汽車智駕躍進(jìn)的解決方案，新能源汽車的智能化之路正式步入AI智駕時(shí)代，端到端大模型也成為業(yè)內(nèi)爭相追捧的熱門。

華為、小鵬、特斯拉的“路線之爭”

AI智駕趨勢(shì)下，端到端大模型應(yīng)運(yùn)而生。這一思路最早由特斯拉提出，華為和小鵬緊隨其后，拋棄規(guī)則、擁抱數(shù)據(jù)的“端到端”熱潮，逐漸成為業(yè)界共識(shí)。

對(duì)車企來說，“端到端”首先是個(gè)非常好的營銷概念，因?yàn)橛袩岫群陀懻摱龋园l(fā)布相關(guān)概念產(chǎn)品，于品牌而言百利而無一害。但因?yàn)槠涠x模糊，市場(chǎng)上的端到端概念產(chǎn)品各有“特色”，最先入局的華為、特斯拉、小鵬便已經(jīng)出現(xiàn)端到端落地路線上的分歧。

最早發(fā)聲的特斯拉認(rèn)為“端到端”應(yīng)該是“一個(gè)模型走天下”。 2023年12月，特斯拉的智駕工程師Dhaval Shroff 向馬斯克提出建議，拋掉手寫規(guī)則，搭建一張神經(jīng)網(wǎng)絡(luò)，讓它大量觀看人類司機(jī)的駕駛視頻，并自行輸出正確的行駛軌跡。直到今年1月，采用端到端架構(gòu)的FSD V12正式向北美用戶推送。據(jù)介紹，這一版本使用的正是單個(gè)端到端的神經(jīng)網(wǎng)絡(luò)。

而華為的ADS 3.0智駕系統(tǒng)，是用兩個(gè)“大模型”，分別實(shí)現(xiàn)感知和規(guī)控的“端到端”；小鵬的XNGP則被分為感知XNet、規(guī)劃XPlaner、控制XBrain三個(gè)部分。這一做法等同于將感知、規(guī)劃和控制三個(gè)模塊全部揉進(jìn)一個(gè)模型中。

智駕的端到端與模塊化方案

回顧過去數(shù)年，幾乎所有的智駕企業(yè)都選擇了與端到端“對(duì)立”的另一條路：模塊化。在模塊化的結(jié)構(gòu)中，智駕系統(tǒng)被拆解為多個(gè)上下游連接的功能子模塊，各模塊彼此接力從而完成整個(gè)智駕任務(wù)。

由此來看，華為、小鵬的端到端大模型，更近似于模塊化方案演變、融合后的結(jié)果，由多模塊逐漸收縮為“感知-規(guī)劃-控制”三模塊，這一方案有進(jìn)步但未完全突破。

盡管，模塊數(shù)已經(jīng)變少，但感知端為了保證規(guī)控端的平穩(wěn)運(yùn)行，仍有可能出現(xiàn)被迫丟失信息的情況，這是模塊化結(jié)構(gòu)一直存在的“硬傷”。

然而，只有保證系統(tǒng)在決策時(shí)獲取足夠全面的信息，其最終的決策效果才有可能達(dá)到全局最優(yōu)。這是避不開的，同時(shí)也是與模塊化結(jié)構(gòu)最為矛盾的一環(huán)。

從技術(shù)角度來看，“端到端”極其依賴于大模型內(nèi)部的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而神經(jīng)網(wǎng)絡(luò)本身又具備不可解釋性，所以端到端的應(yīng)用和界定一直是各執(zhí)一詞。但歸根究底，成功落地、實(shí)現(xiàn)量產(chǎn)，提高駕駛安全性和便捷度才是智駕的核心。

過程或許不那么重要，結(jié)果才是。

新能源的“下半場(chǎng)”，端到端的“三重奏”

時(shí)至今日，端到端大模型的誕生，似乎為新能源車“下半場(chǎng)”的智能化競(jìng)爭提供了一個(gè)確切方向，但是從進(jìn)展來看，它還不足以將智能駕駛迅速推至終點(diǎn)。

因?yàn)?，想要?shí)現(xiàn)端到端大模型效果的最大化，車企和供應(yīng)商們還有三大關(guān)卡需要面對(duì)。

1、數(shù)據(jù)需求激增

據(jù)悉，特斯拉從約32億公里的行駛數(shù)據(jù)中挖掘了數(shù)萬小時(shí)視頻數(shù)據(jù)用于FSD訓(xùn)練。同時(shí)，也有自動(dòng)駕駛工程師表示，訓(xùn)練端到端模型時(shí)，原始積累的路測(cè)數(shù)據(jù)僅有2%可用?？梢?，端到端模型對(duì)數(shù)據(jù)的需求量之大。

除了數(shù)據(jù)線需求龐大外，數(shù)據(jù)質(zhì)量也是一大難關(guān)。小馬智行的CTO樓天城曾表示，想要訓(xùn)練出高性能的端到端模型，數(shù)據(jù)質(zhì)量的要求比一般性能模型高出幾個(gè)數(shù)量級(jí)。

單論數(shù)據(jù)而言，目前國內(nèi)車企的數(shù)據(jù)儲(chǔ)備基本均落后于特斯拉，還處于初期階段。加之對(duì)數(shù)據(jù)質(zhì)量的要求，國內(nèi)車企離數(shù)據(jù)積累的“長跑終點(diǎn)”仍“遙遙無期”。

2、算力需求激增

隨著端到端自動(dòng)駕駛的發(fā)展，訓(xùn)練海量數(shù)據(jù)所需的算力需求越來越高。對(duì)此，馬斯克多次表示，目前FSD V12端到端模型的迭代，主要也是受到云端算力資源的掣肘，并計(jì)劃重金堆算力。

圖源來自汽車之心

眼見算力成了端到端的“必過關(guān)卡”，各大車企、供應(yīng)商爭相開始跑馬圈地。有意思的是，這條路線上，行業(yè)也走向了分叉口。一方是傾向于重投算力的“大力出奇跡”，另一方是深耕算法的“工匠主義”。

從特斯拉、華為等頭部車企都在重投超算中心的動(dòng)作來看，算力提升，對(duì)應(yīng)端到端智駕效果的天花板也會(huì)隨之被抬高?；蛟S，兩條路徑選擇的背后，不僅有端到端戰(zhàn)略規(guī)劃的差異，也存在資本實(shí)力的差距。

可見，進(jìn)入端到端階段后，車企對(duì)訓(xùn)練算力的需求越高，也意味著需要更多的資金、人力和時(shí)間投入。這條路線走到最后，不僅是算力的比拼，也是綜合實(shí)力的角逐。

3、商業(yè)化落地困難

端到端作為一個(gè)新的技術(shù)路線，堆算力、堆數(shù)據(jù)、加算法都是高門檻，抬高進(jìn)場(chǎng)壁壘的同時(shí)，試錯(cuò)成本也在明顯增加，入場(chǎng)企業(yè)需要仔細(xì)斟酌效率與成本之間的平衡問題。

即使完成了開發(fā)，而最后端到端方案的驗(yàn)證落地，也需要有合理且成熟的驗(yàn)證方式作為前提。直接實(shí)車驗(yàn)證顯然成本過于高昂，而基于數(shù)據(jù)測(cè)試為主的開環(huán)測(cè)試，與端到端智駕所看重的可交互性并不匹配。

最后是落地市場(chǎng)的考驗(yàn)。目前，消費(fèi)者之間普遍存在一種矛盾情緒。一方面對(duì)于汽車“智能化”和自動(dòng)駕駛功能的興趣與期望在上升，另一方面他們的支付意愿卻在普遍下降。所以，即便完成了端到端智駕的量產(chǎn)，但卻不被市場(chǎng)買單，一切愿景仍將化為烏有。

結(jié)語

進(jìn)入AI智駕時(shí)代后，端到端模型的比拼愈演愈烈?；谒懔?、數(shù)據(jù)的需求，越早推出全國都可用的智駕方案，就能收集到更多數(shù)據(jù)，從而率先提升智駕能力，實(shí)現(xiàn)“強(qiáng)者愈強(qiáng)”。

這一路徑，是包括特斯拉、華為、小鵬等頭部車企正在做的事情，但是正在做不等于有結(jié)果。因此，最終局里上演的到底是彎道超車，還是黑馬崛起，亦或是強(qiáng)者恒強(qiáng)，這都猶未可知。

作者：琴聲奏響時(shí)

來源：港股研究社

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！