長城的智能化轉(zhuǎn)型：如何兼顧品牌的差異化和技術(shù)的平臺化？組織架構(gòu)怎么調(diào)？

作者：蘇清濤

前段時間，長城汽車舉辦了一場關(guān)于智能駕駛及智能座艙的媒體沙龍， 長城汽車智能化副總裁吳會肖、AI Lab負責人楊繼峰及智能駕駛高級總監(jiān)姜海鵬等對媒體提出的諸多問題多了仔細的解答，在此，我們梳理出了一部分跟智能駕駛相關(guān)的內(nèi)容，摘要如下——

媒體：長城汽車旗下的品牌和車型很多，這些車，不僅品牌調(diào)性不一樣，而且，價位也不一樣，那么，在做智能化時，如何實現(xiàn)品牌的差異化？

吳會肖：如果對不同車型采用同樣的智能化配置，如何對存量車做OTA，會是一個非常大的挑戰(zhàn)。因此，對不同車型的智能化水平做個序列，是有必要的。

就自動駕駛來說，如果算法可以被壓縮，其對算力的需求是有可能下降的，但還是要符合技術(shù)的發(fā)展規(guī)律，所以，現(xiàn)階段，自動駕駛還是會分為低、中、高不同檔次。

姜海鵬：智駕方面，在上一代品牌/車型（已經(jīng)量產(chǎn)的這批）中，我們更側(cè)重于做平臺化，并在此基礎(chǔ)上構(gòu)建數(shù)據(jù)閉環(huán)能力；但對下一代品牌/車型，自動駕駛功能的區(qū)隔就會非常明顯。

比如，歐拉品牌的用戶主要為女性，而女性對過于激進的駕駛行為是比較擔憂的，針對用戶的這一痛點，我們通過記憶路線的設(shè)計，讓智駕系統(tǒng)對用戶常走的路線有一些記憶，隨著對路線越來越熟悉，在駕駛的過程中，系統(tǒng)就不會有特別激進的行為，從而讓用戶舒服、放心。

再比如，坦克品牌是強越野和“鐵漢柔情”的結(jié)合，其主流用戶的駕駛風格偏激進，因此，我們會將智駕系統(tǒng)的加速、減速參數(shù)設(shè)置得激進一些，讓推背感、減速會來的更刺激一些。

再比如，魏牌因為是最高端的品牌，所以，我們所有的新功能、新平臺都會在魏牌上先落地。

再比如，哈弗是一個普惠性的品牌，我們要保證，競品有的（智駕）功能，哈佛都有。

媒體：智駕產(chǎn)品的規(guī)劃和功能算法的部署，到底應(yīng)該是基于人群還是基于場景？? 我剛聽下來，覺得長城的思路是基于人群。

我想說的是，盡管長城體系下面有非常多的品牌以及各種不同的車型，但其實本質(zhì)上，智能駕駛應(yīng)該會像我們考駕照一樣，無論你開30萬元的車和還是 10 萬元的車，你都要基于同一套交通法規(guī)去練習啊。

所以，我覺得，智駕產(chǎn)品按照人群來定位是很難的，所以，你們內(nèi)部在做智駕產(chǎn)品時，底層的思考邏輯是什么？

姜海鵬：我認為，智能駕駛的產(chǎn)品定義首先是基于場景，然后再基于細分人群。

為什么會先基于場景？因為，場景在很大程度上決定了成本——場景不同，整個架構(gòu)、平臺都不一樣，最終，成本也會大不一樣。比如，用一個幾百塊錢的攝像頭就能實現(xiàn)常用的?L2 功能，但如果要進城的話可能就得需要1.5萬甚至更高的成本才行。

再往下走，就是偏高速泊車等，只需要30 TOPS以內(nèi)的算力就夠了。

那么，基于場景設(shè)計的智駕功能，如何再適配不同細分人群的需求呢? 這是一個非常艱難的過程，但我們畢竟采集了很多用戶的駕駛行為數(shù)據(jù)，有了這些數(shù)據(jù)，我們就可以針對性地調(diào)整應(yīng)用層算法的標定參數(shù)——算法還是那一套，但標定參數(shù)不同，駕駛風格就可以實現(xiàn)差異化。

當然了，把算法提取到標定參數(shù)這一層是非常難的，你得知道哪些參數(shù)可以變、變了以后對對用戶體驗有怎樣的影響。這一點，很多算法公司是做不到的，因為他們對車不了解，不知道哪些信號調(diào)了以后對于整車信號的影響是什么樣的，但這恰好是傳統(tǒng)車企的優(yōu)勢——我們現(xiàn)在量產(chǎn)的平臺都已經(jīng)做到了這點，新的平臺也是按照這個標準在開發(fā)。

媒體：長城不僅品牌和車型眾多，而且既用毫末的算法，也用自研的算法，那在具體的開發(fā)中是如何實現(xiàn)技術(shù)的平臺化，從而提高開發(fā)效率的？

姜海鵬：在平臺化開發(fā)的過程中，中間件發(fā)揮了至關(guān)重要的作用，因為，不同算力的計算平臺上，跑的中間件是同一套，這樣可以保證整車、底層芯片及外部算法的適配做到標準化。

現(xiàn)階段，我們最重要的任務(wù)之一就是把這套中間件推廣開來，在上面跑不同的應(yīng)用算法。

在未來，我們也許會因為外部的算法資源，但中間件肯定還是這一套。

媒體：目前，蔚來和理想都用了Orin和J5兩個算力平臺，后面還會有Thor，且基于不同硬件平臺的研發(fā)都是獨立進行的。那對長城體系來說，以后有沒有可能基于同一個統(tǒng)一的硬件平臺做開發(fā)？如果不能，那么，在同時使用多個品牌的芯片平臺的情況下，我們會怎樣分配開發(fā)資源？

姜海鵬：除了特斯拉外，現(xiàn)在還沒有哪家公司能夠確保全系車型都能夠用同一個硬件架構(gòu)或者同一個系列型的硬件架構(gòu)。

其實，從?Orin到?Orin X，再到?Orin，再到?Orin N，它是一個產(chǎn)品系列，但對車企來說，完全采用同一家供應(yīng)商的同系列芯片，也會存在一定的風險。

媒體：在蔚來，NIO品牌和阿爾卑斯品牌的研發(fā)都是由不同的團隊來做的，現(xiàn)在，NIO的研發(fā)團隊差不多1600人，而阿爾卑斯的研發(fā)團隊目標人數(shù)是2000-3000人，哪怕，長城會采用這種“兩套班子，兩套人馬”的情況嗎？

姜海鵬：就長城的體量來說，我們不打算這么做。我們還是想盡可能地追求通用化、平臺化。

楊繼峰：我們?yōu)槭裁匆m結(jié)“幾套人馬”的問題？其實，這個問題的本質(zhì)是怎么樣能更好地解決算法模型的多場景泛化能力。

過去，AI在每個場景下都需要用算法綁定數(shù)據(jù)、綁定計算架構(gòu)，并且還需要有專門的團隊去維護；但在下一個時代，我們會看到的是用同一個模型來解決多場景的問題。如Transformer?可以用來解決智駕的空間感知問題，也可以用來解決座艙的空間感知問題，還可以用來解決工廠的空間感知問題。

【未來，大模型的引入，將大幅度降低技術(shù)平臺化的難度。——編者注】

媒體：智能化走在最前面的，主要是純電車型，而長城目前銷售價的車型中燃油車占比還很高，那長城對燃油車的智能化是怎樣的態(tài)度？

我們后面會采取什么樣的戰(zhàn)略，是只對存量的硬件平臺進行軟件更新，還是在后續(xù)新的硬件平臺里面也會把燃油車放進去？還是說，先用智能新能源車把整體的量帶起來，然后再將技術(shù)應(yīng)用到燃油車上？

吳會肖：首先我承認，燃油車做智能化確實比電動車難得多。比如說，燃油車做?OTA?升級的時候，先得考慮蓄電池的電量，根據(jù)電池余量來判斷可以在什么時候升級；甚至，可能不能在冬天升級，因為，在冬天，蓄電池電流不夠的問題會更嚴重。

當然，我們在燃油車上也搭載了高通的8155，并且，在此基礎(chǔ)上實現(xiàn)的智能化，效果也還可以。

媒體：那我們今后會將新的EE架構(gòu)應(yīng)用到燃油車上嗎？

吳會肖：會的。

媒體：對傳統(tǒng)車企來說，如果在之前的組織模式下要去做智能化轉(zhuǎn)型，效率會很低，那么，長城這邊有沒有一些組織架構(gòu)更新的計劃？

吳會肖：我們在不久前剛成了立AI Lab，但人員是從公司現(xiàn)有數(shù)字化團隊整合而來的。我們的座艙團隊，當前分布在8個城市，協(xié)同上還存在不少問題，現(xiàn)在也在做整合。

長城在十幾年前就開始做智能化了，但隨著技術(shù)的嚴謹，組織也在持續(xù)調(diào)整。

楊繼峰：我在汽車產(chǎn)業(yè)所經(jīng)歷的組織，分三個階段。

第一個階段，是以車型交付為目的開發(fā)時代。在這個階段，一個車型只要進入?SOP， 95%的開發(fā)工作就完成了，剩下的就是把它調(diào)優(yōu)，然后交付。在這個階段，車型開發(fā)團隊在做完這一款車后就去做下一款車。

隨著OTA的理念逐漸深入人心，沒有OTA能力的車型被市場接受的難度開始升高，而為了降低OTA的難度，主機廠就得減少整車的系統(tǒng)版本。這個時候，車輛的系統(tǒng)開發(fā)需要更加關(guān)注平臺化，讓一個平臺能支持多個車型的交付。相應(yīng)地，組織架構(gòu)也要適應(yīng)平臺化開發(fā)的需求去做調(diào)整。

我們剛成立了一個?AI??Lab?和空間算法實驗室。因為，我們發(fā)現(xiàn)，下一個時代的AI開發(fā)，是整車數(shù)據(jù)驅(qū)動的，甚至，艙駕也可能是要融合為一體的，所以，在當前階段，按域或按功能做平臺化也許并不是一個好的思路。

今天，我們的算法團隊是基于多個平臺給多個品牌的車型做交付，但在下一個時代，這樣的組織架構(gòu)是不行的。因此，我們會站在一個更廣的視角上建立系統(tǒng)和系統(tǒng)之間的關(guān)系，比方說，場景的數(shù)據(jù)標簽就會同時被應(yīng)用于自動駕駛的規(guī)劃控制上、座艙的內(nèi)容生成上以及動力管理和性能管理上。

媒體：我們可以理解為，您所在的 AI ?Lab 算是長城的“ AI 中臺”嗎？

楊繼峰：? 在我的定義里，這個不只是中臺，而是中臺+前臺。

我們這個團隊還要對今天所有自研的?DMS、OMS、ABM?、語音等在智能空間上的落地應(yīng)用負責。我們希望把整個?AI?數(shù)據(jù)能力、計算能力、算法能力和應(yīng)用場景放在一個組織里端到端地去解決。

媒體：城市 NOH，我們明年開城的節(jié)奏大概是怎樣的？

姜海鵬：首批落地的城市包括上海、北京和保定，后續(xù)會陸續(xù)拓展成都、廣州這些一線城市，其次是準二線包括長沙、青島、鄭州這些省會城市。

明年的計劃目標是 100 個城市，但這個目標很有挑戰(zhàn)性，因為中國城市的場景確實差異太大。就拿紅綠燈來講，現(xiàn)在我們在北京、上海訓(xùn)練紅綠燈識別的模型，采集的圖片達到 500 萬張。

媒體：有一個說法是大模型“參數(shù)量越高，可解釋性越差”，那楊總怎么看待大模型的可解釋性在智駕應(yīng)用中的問題？或者說，在您看來，可解釋性是不是一個問題？

楊繼峰：大模型的可解釋性問題，在算法開發(fā)層面和在工程落地層面，思路是不完全一樣的。

在算法開發(fā)層面，試圖用一個特別大的基座模型去解決多個任務(wù)，必然會帶來可解釋性差的問題；但在工程落地層面，我們其實是可以找到一些方法來解決或避開這個問題。大概有以下幾種思路——

第一，在選擇基座模型的時候盡可能選擇一個可控性強的，而不是“能聊”的。

第二，用另一個模型來約束基座模型出錯的可能性。

第三，不應(yīng)要選擇一個參數(shù)量最大的模型，也不一定要選擇在多任務(wù)上跑得最好的模型，而是選擇對解決特定場景的特定任務(wù)最合適的模型。

媒體：對端到端的自動駕駛大模型，如果加了很多約束，那它的結(jié)構(gòu)還算是“端到端”嗎？

楊繼峰：做算法的人推崇的核心是高級，因為端到端模型顯得特別高級，所以我們很推崇。但從量產(chǎn)的角度看，我們要在安全性能和用戶體驗之間找平衡，因此，所謂“更有高級感”的模型能否在一個可見的時間點把功能體驗做好，是我們更需要思考的問題。

所以，我們還是要以終為始地定義功能體驗，而不是去定義算法的高級性。