漸進派破壁：西有特斯拉，東有毫末智行！用數(shù)據(jù)智能推動自動駕駛歷史進城

雷剛 發(fā)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(chuàng)辦的第1020天，在第六個HAOMO AI DAY現(xiàn)場，這種態(tài)度被亮得明確，結(jié)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(chuàng)的路線，國外以FSD公測開始上路，國內(nèi)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(shù)據(jù)閉環(huán)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(xiàn)在還旗幟鮮明把行業(yè)公理真諦打上公屏：遵循數(shù)據(jù)智能，依靠數(shù)據(jù)智能，實踐數(shù)據(jù)智能，這是驅(qū)動自動駕駛駛?cè)虢K局的第一性原理。

并且隨著自動駕駛相關(guān)的軟硬件進入量產(chǎn)期，行業(yè)的探索來到了規(guī)?；M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(shù)據(jù)智能驅(qū)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(xiàn)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(xiàn)的。自創(chuàng)辦以來，毫末智行剛度過了第1000天，卻已經(jīng)快速坐穩(wěn)了中國量產(chǎn)自動駕駛第一名。

量產(chǎn)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(chǎn)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(nèi)，從無到有推出了三代乘用車輔助駕駛產(chǎn)品HPilot，兩年6次OTA升級，實現(xiàn)搭載超過十款乘用車型量產(chǎn)落地，同時并行30個項目異步開發(fā)。

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(nèi)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(xù)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(chǎn)自動駕駛陣營坐穩(wěn)第一名。

并且這只是規(guī)?；涞氐拈_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(jīng)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(chǎn)，年內(nèi)發(fā)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(xiàn)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(guī)模量產(chǎn)的城市導航輔助駕駛，將再次刷新量產(chǎn)自動駕駛乃至整個中國自動駕駛賽道的紀錄。

在現(xiàn)場，產(chǎn)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(chǎn)業(yè)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(chǎn)業(yè)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(nèi)非常難得的聚焦AI自動駕駛的技術(shù)盛宴，搭建起了一個行業(yè)技術(shù)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(shù)工程范式，特別是數(shù)據(jù)智能體系和自動駕駛超算打造，或許會成為全行業(yè)內(nèi)都有影響力的體系。

知名AI芯片公司寒武紀創(chuàng)始人陳天石，分享了云端和車端正在展現(xiàn)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(jié)論性答案——堅定地走漸進式發(fā)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(zhàn)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(shù)據(jù)驅(qū)動在其中的核心作用。

張凱強調(diào)，漸進式路線是數(shù)據(jù)積累的最佳路徑越來越被行業(yè)所公認，成為自動駕駛公司的普遍發(fā)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(jié)果，也是自動駕駛行業(yè)最快1000天的速度之源。

接下來的問題是如何加速、且可持續(xù)？

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(nèi)首個自動駕駛數(shù)據(jù)智能體系。

其中包含了數(shù)據(jù)獲取、傳輸、感知、計算、驗證等多個子模塊，可以實現(xiàn)數(shù)據(jù)從輸入到輸出的迭代閉環(huán)，這也是毫末可以快速迭代、持續(xù)加速的保障。

在HAOMO AI DAY上，毫末披露了MANA的最新數(shù)據(jù)，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(xù)進化的秘訣。

一是來自產(chǎn)品和落地挑戰(zhàn)的作用力。

二則是不斷吸收最前沿創(chuàng)新技術(shù)。

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(shù)挑戰(zhàn)。其中場景難題主要包括“城市道路養(yǎng)護頻繁”、“大型車輛密集”、“變道空間狹窄”、“城市環(huán)境多樣”等。

與之相對應會產(chǎn)生6大技術(shù)挑戰(zhàn)：

如何在自動駕駛領域應用大模型？

如何讓數(shù)據(jù)發(fā)揮更大的價值？

如何使用重感知技術(shù)解決現(xiàn)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(tǒng)運動起來更像人？

在4大場景6大挑戰(zhàn)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(diào)整。

首先，數(shù)據(jù)標注。通過使用大規(guī)模量產(chǎn)車無標注數(shù)據(jù)的自監(jiān)督學習方法，可以實現(xiàn)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(shù)據(jù)學習方法。針對新增數(shù)據(jù)，抽取部分訓練數(shù)據(jù)構(gòu)成混合數(shù)據(jù)集，而不是新舊數(shù)據(jù)區(qū)別對外的方法，更追求新數(shù)據(jù)的擬合和新模型對齊舊模型的輸出，這樣能讓整體算力節(jié)省80%，響應速度提升6倍，也能避免量產(chǎn)車規(guī)?；a(chǎn)生數(shù)據(jù)后，無法兼顧規(guī)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(wěn)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(tǒng)升級，對車輛剎車燈、轉(zhuǎn)向燈狀態(tài)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(tǒng)進化。針對城市最復雜場景——路口，在仿真系統(tǒng)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(gòu)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(xié)同云服務的大規(guī)模自動駕駛場景庫，也是中國第一個使用交通數(shù)據(jù)生成的自動駕駛場景庫，對外發(fā)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(tǒng)能夠結(jié)合實際情況選擇最優(yōu)路線保證安全，體感上也更像老司機。

以上，就是毫末在系統(tǒng)量產(chǎn)上車之后，獲得的數(shù)據(jù)和場景的反饋作用力。

而在另一端，毫末延續(xù)本色，把AI最前沿創(chuàng)新技術(shù)的吸收作為進步的另一重保證。

現(xiàn)如今，大模型和Transformer落地應用自動駕駛已是業(yè)內(nèi)所有玩家的共識，但熟悉行業(yè)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(diào)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(tǒng)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(jīng)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(jié)構(gòu)，更是在各種通用任務中表現(xiàn)驚人，展現(xiàn)出有效的通用AI模型范式的潛力。

而且Attention機制結(jié)構(gòu)簡潔，可以無限堆疊基本單元得到巨大參數(shù)量模型，隨著參數(shù)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(guī)模人機共駕數(shù)據(jù)就有了更高效地轉(zhuǎn)換，隨著量產(chǎn)車交付和上路，數(shù)據(jù)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(shù)底層自信，現(xiàn)階段沒有比輔助駕駛能更高效地積累到足夠規(guī)模和多樣性的數(shù)據(jù)。

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(shù)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(xiàn)車端落地。云端和終端兩頭并舉，兩頭優(yōu)化。

于是毫末超算中心也正式亮相，成為首個構(gòu)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(shù)大模型，訓練數(shù)據(jù)規(guī)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(chǎn)、規(guī)模化、數(shù)據(jù)智能……

這是毫末智行談到最多的詞、強調(diào)最多的詞，也是對于自動駕駛發(fā)展階段的最新認知的總結(jié)。

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(fā)，有沒有大一統(tǒng)的標準和審視？

毫末智行認為：有，而且只有一個標準：數(shù)據(jù)。

按照數(shù)據(jù)的規(guī)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(qū)動為主，規(guī)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(guī)則。

2.0時代，軟件驅(qū)動開始發(fā)揮作用，規(guī)?？梢岳鄯e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(jié)果，認知方面依然人工規(guī)則占主導，開始用小規(guī)模小數(shù)據(jù)實現(xiàn)更好的預測和規(guī)劃。

3.0時代，數(shù)據(jù)驅(qū)動為核心，硬件和軟件在這里實現(xiàn)了大一統(tǒng)，感知也實現(xiàn)了多模態(tài)傳感器聯(lián)合輸出的大一統(tǒng)，認知上可以實現(xiàn)依靠大模型大數(shù)據(jù)擁有可解釋的場景化駕駛常識，能夠驅(qū)動1億公里以上的數(shù)據(jù)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(xiàn)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(chǎn)車上的高速環(huán)路導航輔助駕駛產(chǎn)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(yōu)化。

所以更重要的是，毫末提出的這種數(shù)據(jù)維度的劃分，真正能讓自動駕駛流派和演進萬佛朝宗，業(yè)內(nèi)和業(yè)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(shù)發(fā)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(chǎn)基礎下的數(shù)據(jù)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(jié)果，也是量產(chǎn)落地被作為自動駕駛中場哨的原因。

有意思的是，隨著數(shù)據(jù)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(jīng)被放在了明面上——有多大規(guī)模的數(shù)據(jù)？有多高效率的數(shù)據(jù)獲取、訓練和利用的能力？

這關(guān)乎迭代速度，也關(guān)于能耗、成本和贏得終局的加速度。

數(shù)據(jù)智能的能力，就是衡量自動駕駛公司核心壁壘的指標。

數(shù)據(jù)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(jīng)在更受關(guān)注的路線之爭中展現(xiàn)。

特斯拉的價值，在產(chǎn)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?shù)厍蚴赘?，AutoPilot和FSD技術(shù)能力越來越強……而且隨著量產(chǎn)車上路越多，獲取數(shù)據(jù)的規(guī)模越大場景越豐富，這種能力迭代和進化就還會持續(xù)。

作為對應，這波自動駕駛浪潮的開創(chuàng)者Waymo，估值卻被一而再下調(diào)，落地和推進速度一而再delay，獲取數(shù)據(jù)的規(guī)模和多元性——沒能展現(xiàn)出更大的增長趨勢。

不過，上述已經(jīng)展現(xiàn)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(zhì)問題。

現(xiàn)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(zhàn)已經(jīng)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。