解读毫末智行自动驾驶量产底层逻辑

2022-09-14 10:28

大数据、大模型的自动驾驶3．0时代

顾维灏将自动驾驶演进分成了三个阶段，三个阶段的不同之处在于，驱动因素不同。

硬件驱动的1．0时代，最典型的特征是，感知能力主要靠激光雷达，认知方式依赖人工规则，整车成本高企，自动驾驶里程数据在100万公里左右；

软件驱动的2．0时代，AI在车上广泛应用，但还是小模型和小数据训练的方式，传感器的识别结果开始融合，但还是基于结果的后融合方式，认知方式依然以人工规则为主，自动驾驶里程数据在100万到1亿公里之间；

数据驱动的3．0时代，在顾维灏看来决然不同以往，数据可以自己训练自己，自动驾驶玩家的侧重点，转移到高效获取数据，并把数据转化为知识上。

当然，自动驾驶3．0时代，被毫末智行看作更高层级的境界，在这个境界中，需要大模型和大数据，大模型是工具，大数据是食粮。这个食粮需要多少？毫末说1亿公里以上。

关于大模型，目前业内的主要认知，也正是将大模型应用于自动驾驶，而毫末智行下手的更早，两年前就开展了基于Attention机制的Transfomer大模型在自动驾驶行业的落地研发。

同时顾维灏还提到，训练大模型需要消耗巨大的算力，举个栗子：

一个千亿级别参数，百万个clips大模型，需要上千卡的GPU训练几个月时间，训练时间周期和成本高企。

所以毫末智行经过几个月的筹备，建设MANA超算中心，这个超算中心的目标是，千亿参数百万clips的大模型，整体训练成本降低200倍。

由此，毫末也成为第一个建设超算中心的自动驾驶玩家。

所以最后的落点，就落在了获取数据层面，既要优质，还要便宜，最后还能大规模获取。

有没有先例可循？

特斯拉是一个答案，恐怕也是唯一的答案。具体来讲，特斯拉的FSD快速迭代的时间，和交付量爆发的时间可以说基本同步。

业内的广泛认知是，正是大量搭载辅助驾驶功能的特斯拉汽车进入用户手中，使得特斯拉可以在影子模式下短时间大规模收集自动驾驶数据，对FSD迅速进行迭代。

毫末智行正在复刻这条道路，在短时间内将辅助驾驶产品大量搭载上车，快速获取数据。

而且相比于高级别自动驾驶，辅助驾驶成本更低，也更容易大规模铺开，成本和速度上都有优势。另外在数据的有效性方面，用户真实使用的数据对于大模型来说，也算精品粮了。

不过相比特斯拉，毫末智行的优势是，站在巨人的肩膀上，长城汽车提供了数据容器，毫末智行并不需要像特斯拉一样生死挣扎数年才能迎来翻身。

所以张凯也说：

辅助驾驶是自动驾驶落地的必由之路，毫末坚定的选择渐进式自动驾驶落地路径。

而相比之下，业内争论已久的另一条路线，那就是以Waymo、百度为代表的跨越派，一开始就将目光锁定在L4级乃至以上的自动驾驶上。

对错暂且不论，但在自动驾驶落地的步伐上，毫末智行和特斯拉，确实走在前面。

但终局，似乎还没有到来，特斯拉的FSD被曝出问题是常事，毫末智行的城市NOH，还有待市场验证。

所以渐进派和跨越派，你站哪边？

下方评论区留言讨论～

原文标题 : 解读毫末智行自动驾驶量产底层逻辑

<上一页 1 2 3

声明： 本文由入驻维科号的作者撰写，观点仅代表作者本人，不代表OFweek立场。如有侵权或其他问题，请联系举报。

共0条评论，0人参与

登录登录即可访问所有OFweek服务

请输入评论内容...

请输入评论/评论长度6~500个字

暂无评论

图片新闻