漸進派破壁：西有特斯拉，東有毫末智行！用數據智能推動自動駕駛歷史進城
“輔助駕駛更快贏得自動駕駛終局”
雷剛 發自 副駕寺
量子位 | 公眾號 QbitAI
不爭了。
輔助駕駛是通向自動駕駛的必由之路，漸進式路線更快贏得終局。
在創辦的第1020天，在第六個HAOMO AI DAY現場，這種態度被亮得明確，結論講得擲地有聲。此時此地此身，在實踐成果和趨勢再清晰不過的情況下，多年的自動駕駛路線之爭，已再無爭論的必要。
特斯拉開創的路線，國外以FSD公測開始上路，國內則被速度更快的面壁者推向了檢驗時刻，而且是一個更大的數據閉環模型啟動時刻。
這個在中國直道超車的面壁者就是毫末智行，現在還旗幟鮮明把行業公理真諦打上公屏：遵循數據智能，依靠數據智能，實踐數據智能，這是驅動自動駕駛駛入終局的第一性原理。
并且隨著自動駕駛相關的軟硬件進入量產期，行業的探索來到了規模化進城時刻——新的分水嶺，同樣再清晰不過。
整個自動駕駛，將進入以數據智能驅動的3.0時代。
大道至簡，方法論清晰，自動駕駛已無壁可面。
實踐成果是展現真理的唯一標準
毫末智行的面壁成果是通過實踐成績展現的。
自創辦以來，毫末智行剛度過了第1000天，卻已經快速坐穩了中國量產自動駕駛第一名。
量產自動駕駛，對應的是無人駕駛，指的是把自動駕駛能力應用于量產車落地的實踐。
在乘用車領域，毫末智行在短短2年多的時間內，從無到有推出了三代乘用車輔助駕駛產品HPilot，兩年6次OTA升級，實現搭載超過十款乘用車型量產落地，同時并行30個項目異步開發。
包括魏牌摩卡、魏牌拿鐵、魏牌瑪奇朵、坦克300、坦克500、哈弗神獸、拿鐵DHT-PHEV等在內的上市車型，均已完成上車搭載。此外摩卡DHT-PHEV激光雷達版、歐拉閃電貓、歐拉芭蕾貓、全新一代長城炮等則正在陸續交付。
于是截至2022年9月，毫末用戶輔助駕駛行駛里程突破1700萬公里，在中國量產自動駕駛陣營坐穩第一名。
并且這只是規模化落地的開始，毫末智行方面稱，到2022年底，HPilot預計搭載車型近30款，未來搭載車型達到百萬量級。
同時自動駕駛歷史進城號角，也已經被吹響。
就在成都車展上，魏牌宣布搭載毫末智行城市NOH的全新摩卡DHT-PHEV激光雷達版，9月計劃量產，年內發售，上市即交付。
城市NOH（Navigation On HPilot），正是毫末HPilot3.0的核心主打功能，計劃讓乘用車實現城市開放路況下的端到端智能駕駛。
而一旦交付，也意味著將毫末城市NOH將成為中國第一個大規模量產的城市導航輔助駕駛，將再次刷新量產自動駕駛乃至整個中國自動駕駛賽道的紀錄。
在現場，產學研大牛對毫末速度、模式和成績，不僅表達了一致的認可，還認為毫末所代表的是自動駕駛產業化落地的前進方向。
中國工程院院士、清華大學教授、清華大學智能產業研究院（AIR）院長張亞勤說，毫末成立1000天取得的成就令人矚目，而且堅持舉辦的HAOMO AI DAY也是國內非常難得的聚焦AI自動駕駛的技術盛宴，搭建起了一個行業技術交流平臺。
阿里巴巴集團副總裁、知名AI框架大牛賈揚清，則認為毫末正在自動駕駛領域推動新的AI技術工程范式，特別是數據智能體系和自動駕駛超算打造，或許會成為全行業內都有影響力的體系。
知名AI芯片公司寒武紀創始人陳天石，分享了云端和車端正在展現的計算需求和趨勢，認為毫末的速度，站在了趨勢一方。
△毫末智行“天團”：董事長張凱（左二）、CEO顧維灝（右二）、COO侯軍（左一）、CIO甄龍豹（右一）
所以毫末速度的秘訣是什么？董事長張凱這次開門見山給出了結論性答案——
堅定地走漸進式發展路線。在自動駕駛的3.0時代，輔助駕駛是通向自動駕駛的必由之路。
張凱表示，目前中國已成為全球智能汽車主戰場，預計到2025年，高階輔助駕駛搭載率可達70%，智能駕駛的時代風口，避無可避。
之所以確認輔助駕駛是通向自動駕駛的必由之路，是因為數據驅動在其中的核心作用。
張凱強調，漸進式路線是數據積累的最佳路徑越來越被行業所公認，成為自動駕駛公司的普遍發展方向。
毫末模式、毫末速度，就是對于漸進式路線的堅定實踐的結果，也是自動駕駛行業最快1000天的速度之源。
接下來的問題是如何加速、且可持續？
Attention大模型加速自動駕駛終局？
靠MANA（雪湖），毫末自研建立的國內首個自動駕駛數據智能體系。
其中包含了數據獲取、傳輸、感知、計算、驗證等多個子模塊，可以實現數據從輸入到輸出的迭代閉環，這也是毫末可以快速迭代、持續加速的保障。
在HAOMO AI DAY上，毫末披露了MANA的最新數據，截至2022年9月，MANA學習時長超過31萬小時，虛擬駕齡相當于人類司機4萬年。
毫末智行CEO顧維灝，還揭秘了MANA如何持續進化的秘訣。
一是來自產品和落地挑戰的作用力。二則是不斷吸收最前沿創新技術。比如在城市場景的落地中，就存在著4類場景難題、6大技術挑戰。
其中場景難題主要包括“城市道路養護頻繁”、“大型車輛密集”、“變道空間狹窄”、“城市環境多樣”等。
與之相對應會產生6大技術挑戰：
如何在自動駕駛領域應用大模型？如何讓數據發揮更大的價值？如何使用重感知技術解決現實空間理解問題？如何使用人類世界的交互接口？如何讓仿真更真？如何讓自動駕駛系統運動起來更像人？
在4大場景6大挑戰之下，毫末智行對MANA的感知智能和認知智能都進行了針對性升級調整。
首先，數據標注。通過使用大規模量產車無標注數據的自監督學習方法，可以實現模型效果的有效提升，相比只用少量標注樣本訓練，訓練效果提升3倍以上，可以更高效完成訓練，更好適應感知需求。
其次，增量式數據學習方法。針對新增數據，抽取部分訓練數據構成混合數據集，而不是新舊數據區別對外的方法，更追求新數據的擬合和新模型對齊舊模型的輸出，這樣能讓整體算力節省80%，響應速度提升6倍，也能避免量產車規模化產生數據后，無法兼顧規模和效率。
第三，重感知輕地圖，告別高精度地圖依賴。通過用時序的Transformer模型在BEV空間上做了虛擬實時建圖，使得感知車道線的輸出更加準確和穩定，讓城市導航輔助駕駛不必依賴高精度地圖——這實際也是更快更低門檻落地城市導航輔助駕駛的必備能力。
第四，車輛信號燈識別。通過車端感知系統升級，對車輛剎車燈、轉向燈狀態進行專門識別，讓駕駛員在處理前車急剎、緊急切入等場景中更安全和舒適。
第五，仿真系統進化。針對城市最復雜場景——路口，在仿真系統中引入高價值的真實交通流場景，與阿里云、德清政府合作，將路口這一城市最復雜場景引入仿真引擎，構建自動駕駛場景庫，通過自動駕駛的真實仿真驗證，時效性更高、微觀交通流更真實，效破解了城市路口通過“老大難”問題。
值得注意的事，這是中國首個基于車路協同云服務的大規模自動駕駛場景庫，也是中國第一個使用交通數據生成的自動駕駛場景庫，對外發布和應用，也標志著中國自動駕駛來到了新階段。
最后，擬人化認知。面對城市路況，如何讓駕駛決策更像人類是公認的體驗難題。毫末的方法則是通過對覆蓋全國的海量人類駕駛進行深度理解，學習常識和動作擬人化，讓系統能夠結合實際情況選擇最優路線保證安全，體感上也更像老司機。
以上，就是毫末在系統量產上車之后，獲得的數據和場景的反饋作用力。
而在另一端，毫末延續本色，把AI最前沿創新技術的吸收作為進步的另一重保證。
現如今，大模型和Transformer落地應用自動駕駛已是業內所有玩家的共識，但熟悉行業前情的人或許多少還有印象，最早把Transformer作為新手段用于感知的，正是毫末。
最新前沿判斷方面，顧維灝此次特別強調了Attention機制下的大模型帶來的驚喜。
Attention大模型背后的機制，主要是用統一模型的思路解決問題，告別不同AI任務使用專門模型的范式。這種機制其實早在2014年便已經提出，但主要在NLP領域被應用，直到2020年起在計算機視覺領域也取得明顯突破，從谷歌的VIT到微軟的SwinTransformer，輕松刷爆各大排行榜。
基于Attention機制的Transformer結構，更是在各種通用任務中表現驚人，展現出有效的通用AI模型范式的潛力。
而且Attention機制結構簡潔，可以無限堆疊基本單元得到巨大參數量模型，隨著參數提升效果也在提升。
顧維灝認為，基于Attention大模型，輔助駕駛獲得的大規模人機共駕數據就有了更高效地轉換，隨著量產車交付和上路，數據量不僅大而且足夠多樣，就能更快抵達自動駕駛終局。
這也是毫末認為“輔助駕駛是通往自動駕駛的必由之路”的技術底層自信，現階段沒有比輔助駕駛能更高效地積累到足夠規模和多樣性的數據。
但欲享Attention大模型之利，就得解決其落地之不易。
最核心的就是超大參數對于算力的需求：高需求、高成本，高落地難度，讓摩爾定律不再有效。
顧維灝透露，毫末的方法是通過低碳超算來降低訓練成本，通過改進車端模型和芯片設計來實現車端落地。云端和終端兩頭并舉，兩頭優化。
于是毫末超算中心也正式亮相，成為首個構建超算的自動駕駛公司。
毫末方面還透露，毫末超算中心的目標是滿足千億參數大模型，訓練數據規模100萬clips，整體訓練成本降低200倍。
自動駕駛的3.0時代？
量產、規模化、數據智能……
這是毫末智行談到最多的詞、強調最多的詞，也是對于自動駕駛發展階段的最新認知的總結。
在自動駕駛的落地探索征程中，有過路線的劃分，比如Waymo為代表的終極派和特斯拉為代表的漸進派；有過傳感器的陣營，如激光雷達陣營和純視覺陣營；甚至以商用模式為基準，還有To C、To B和To G的劃分。
但如果從第一性原理出發，有沒有大一統的標準和審視？
毫末智行認為：有，而且只有一個標準：數據。
按照數據的規模，也能把自動駕駛探索大道至簡劃歸為三個時代：
1.0時代，硬件驅動為主，規模歷程在100萬公里左右，主要感知方式是激光雷達，認知則依賴人工規則。
2.0時代，軟件驅動開始發揮作用，規模可以累積到1億公里，感知開始融合，但依然是不同傳感器單獨輸出的結果，認知方面依然人工規則占主導，開始用小規模小數據實現更好的預測和規劃。
3.0時代，數據驅動為核心，硬件和軟件在這里實現了大一統，感知也實現了多模態傳感器聯合輸出的大一統，認知上可以實現依靠大模型大數據擁有可解釋的場景化駕駛常識，能夠驅動1億公里以上的數據迭代。
實際上，按照毫末提出的三個時代劃分，不僅很多過去的自動駕駛現象能得到解釋，比如1.0時代堆砌了激光雷達的Robotaxi為何還會有低級事故，又比如2.0時代量產車上的高速環路導航輔助駕駛產品的體驗差異……以及特斯拉AutoPilot和FSD的體驗確實在日拱一卒、不斷得到優化。
所以更重要的是，毫末提出的這種數據維度的劃分，真正能讓自動駕駛流派和演進萬佛朝宗，業內和業外，都可以有更加客觀的坐標和參考。
以前，衡量自動駕駛的技術發展水平，有過VC認可的維度，有過自報MPI的維度，有過體感體驗的維度，也有過路測牌照的維度……
但無一例外都是偏向主觀的維度。
只有量產基礎下的數據維度，才接近AI躍遷的原理，才是更加客觀的維度。
而且這也是自動駕駛第一階段競速的結果，也是量產落地被作為自動駕駛中場哨的原因。
有意思的是，隨著數據智能的自動駕駛3.0提出，自動駕駛領域已然無壁可面。無論哪一路線，無論哪個陣營，最核心的競爭力都已經被放在了明面上——
有多大規模的數據？有多高效率的數據獲取、訓練和利用的能力？
這關乎迭代速度，也關于能耗、成本和贏得終局的加速度。
數據智能的能力，就是衡量自動駕駛公司核心壁壘的指標。
數據智能的能力，就是自動駕駛新階段的分水嶺。
其實這種分水嶺效應，之前已經在更受關注的路線之爭中展現。
特斯拉的價值，在產能問題被上海解決后得到了完全認可，股價和市值一飛沖天，馬斯克個人登頂地球首富，AutoPilot和FSD技術能力越來越強……而且隨著量產車上路越多，獲取數據的規模越大場景越豐富，這種能力迭代和進化就還會持續。
作為對應，這波自動駕駛浪潮的開創者Waymo，估值卻被一而再下調，落地和推進速度一而再delay，獲取數據的規模和多元性——沒能展現出更大的增長趨勢。
不過，上述已經展現的這種分水嶺效應，之前更多被作為特斯拉和Waymo的“私人恩怨”看待，遮蓋了背后反應出的本質問題。
現在，摸著特斯拉過河的毫末智行，在敢于天下后的實踐成果基礎上，把漸進式、輔助駕駛更快贏得自動駕駛終局的道理喊得響亮，并且用自動駕駛3.0的判別式，驗證自動駕駛公理下的新定律。
這代表著自動駕駛的終局之戰已經拉開了帷幕，也意味著整個自動駕駛江湖，又到了重新洗牌、重估位次的時候。
至少，是時候提出這個問題了。
—?完—
版權所有，未經授權不得以任何形式轉載及使用，違者必究。
- 馬斯克把超聲波雷達也扔掉了！特斯拉再度減配：8攝像頭終極傳感器方案面世2022-10-05
- iPhone在6人死亡車禍中自動求救，網友：功能很好，但千萬別用上2022-10-04
- 獨家 | 吉利控股集團擬收購圖森控股亞太地區業務全部股份，價格暫未公布2022-08-19
- 比亞迪歷史性切割！停產燃油車，不再需要廉價銷量撐面子了2022-04-04
相關閱讀
