?數據智能產業創新服務媒體
——聚焦數智?· 改變商業
在6月的世界人工智能大會上，馬斯克在致辭中宣稱，到2023年底，特斯拉便可實現L4級或L5級的完全自動駕駛（FSD）。兩個月之后，馬斯克又在X社交平臺上發言：特斯拉正在攻關車輛控制技術，完成FSD人工智能的最后一塊拼圖。
這意味著，在絕大多數廠商集中攻關L2級、L3級自動駕駛之際，特斯拉直接跳過L3級，直達L4級、L5級的技術終局。馬斯克的一系列發言，震驚了汽車業界。
特斯拉的進展，讓BEV+Transformer算法的技術路線，逐漸成為業界的主流。中國的蔚小理+華為緊隨其后，在城市NOA取得突破。城市NOA是高階自動駕駛的蝶變，已接近L3級自動駕駛。2023年又被稱為城市NOA元年。
在城市NOA火爆之際，國內的L4級自動駕駛，也在取得突破。就在7月，北京亦莊、上海嘉定先后批準了自動駕駛“車內無人”的相關試點。
通向自動駕駛之路，是一次道阻且長的遠征。正當智能輔助駕駛進入下半場之際，數據猿邀請利氪科技合伙人兼副總裁文亮、火山引擎智駕云負責人張路、焱融科技分布式存儲架構師馬志剛舉行一場直播對話，直面自動駕駛的問題和解法，展望自動駕駛的未來，獻上一場思維碰撞的盛宴。
以下為完整直播回放：
分級正在淡化，業界更關心落地場景
《汽車駕駛自動化分級》國家標準將自動駕駛劃分為L0-L5六個等級標準：L0是純人工駕駛，L1是駕駛自動化，L2是輔助駕駛，L3是自動輔助駕駛，L4是自動駕駛，L5是無人駕駛。
在行業發展趨勢上，隨著自動泊車、高速巡航、城市NOA等自動駕駛功能走向普及，業界關注的重心已從熱衷追求自動駕駛等級，轉向具體場景落地。
利氪科技的文亮說，自動駕駛等級由國際性汽車工程師研究會（SAE）明確提出，目的是展示從“人駕”到“人機共駕”最后到“機器駕”的演變過程。但在具體實踐中，從L0級-L5級的劃分正慢慢淡化，業界更關注自動駕駛的落地場景。落地場景，有泊車場景，有高速場景，有城市場景，業界根據這些場景劃分功能，部署落地，更多是從客戶體驗出發，以客戶的最終感受為主。
火山引擎的張路說，自動駕駛業界正圍繞城市NOA等點狀功能在布局，對L0級-L5級別的劃分并不在意。在張路看來，乘用車最終賣給消費者，消費者關注什么，企業就應當做什么。消費者不在乎自動駕駛等級，更關注的是具體的功能。通過“堆硬件”方式追求L3級、L4級自動駕駛的一些公司發現，消費者對此根本不會埋單。因此，“堆”硬件的方式在業界早已過時，行業的重心是圍繞點狀功能展開布局，滿足消費者的需求。商用車的自動駕駛，則更關心商業閉環能不能成功，對自動駕駛等級的劃分，也不在意。
焱融科技的馬志剛也認為，自動駕駛的最終落地，離不開具體的場景。在他看來，自動駕駛的普及要最終落到“點”上，也就是落到駕駛安全、用戶體感這些“點”上。對于自動駕駛，安不安全、好不好用，才是最關鍵之處。
純視覺還是雷達，要看產品本身的表現
場景化，是自動駕駛的未來。為實現場景化的自動駕駛，各大廠商提出了不同的技術路線。純視覺方案pk激光雷達的技術路線之爭，正是自動駕駛領域的一大看點。
在火山引擎的張路看來，特斯拉BEV+Transformer算法的技術標準已經跑通，在美國，特斯拉很快就可以實現FSD。在這個背景下，國內廠商的技術路線已經趨同，不同的只是推進速度的快慢。據張路介紹，以蔚小理為代表的造車新勢力技術路線已十分明確，就是BEV+Transformer路線，解決方案上視覺為主，雷達為輔。
對于視覺和雷達之爭，利氪的文亮說，其實對于用不用雷達，特斯拉也糾結了許久。對于自動駕駛而言，從安全上考慮，感知工具越多越好，但要落地量產，就一定要有一個取舍。特斯拉的純視覺方案，目前來看似乎代表了一個方向，但從長遠來看，用激光雷達還是用純視覺方案，還要看產品本身的表現。在文亮看來，即便特斯拉的純視覺方案取得了成功，激光雷達、毫米波雷達也不會被徹底淘汰，仍會沿著既定的技術路線走向去。或許在將來的某個時間點，激光雷達也會出現新的技術突破。
焱融的馬志剛更為傾向視覺+雷達的組合式方案。在馬志剛看來，每一種探測手段，都有自己的局限性。之所以自動駕駛至今還不夠完美，主要是數據感知、數據處理、數據治理的閉環尚未完善。自動駕駛的現狀是，從數據的感知，到中間的決策，再到最后的執行，越往后反而越成熟。前端的感知，是數據的入口，其實最難。馬志剛介紹說，從實踐上看，攝像頭、雷達其實各有所長。焱融服務的商用車、乘用車客戶，大多采用組合式方案，而焱融也更擅長處理混合型數據。
巨額數據成本，企業不得不面對的難題
無論是純視覺方案，還是視覺+雷達的組合式方案，數據都是自動駕駛的靈魂。沒有數據建設、數據處理、數據治理，自動駕駛也就無從談起。
在馬志剛看來，數據的建設、數據的閉環處理，其實有一定的門檻。對自動駕駛企業而言，數據量基本都呈指數級膨脹。數據量的增長，使得算法越來越復雜。自動駕駛的研發過程，是一個升級打怪的過程，會越來越難。居高不下的數據管理成本，是企業不得不面對的現實問題。
火山引擎的張路說，對自動駕駛企業來說，目前兩塊成本最大，一塊是數據管理，一塊是模型訓練。在數據管理方面，自動駕駛企業處理的數據，已達到幾十、上百PB的量級，每年消耗上億的成本。怎么挖掘海量數據的價值，一直是行業的難點。
在模型訓練方面，在大模型成熟之前，數據標注也需要配備大量的人力，消耗大量的成本。有一種說法是，對自動駕駛而言，有多少人工，就有多少智能。另一方面，Transformer算法也是未來通用人工智能領域一個繞不開的算法。大模型對GPU的需求十分大，不少自動駕駛公司每年都是上億的投入在模型訓練里邊。
張路說，作為字節跳動旗下的云計算公司，火山引擎將在數據處理、模型訓練方面提供解決方案，為客戶降本增效。
據張路介紹，火山引擎復用了抖音處理非結構化視頻的能力，抖音在數據挖掘上沉淀的能力，正好跟自動駕駛行業相匹配。
只有形成商業閉環，Robotaxi才可走下去
在海量數據?+ 人工智能算法的基礎上，自動駕駛逐漸由夢想變成現實。在國內，多家公司的Robotaxi產品都已上路測試，成為高階自動駕駛領域關注的焦點。
據火山引擎的張路觀察，一些公司前些年十分激進，直接在走L4級自動駕駛的道路，但在商業上無法實現閉環。一些以往做Robotaxi的公司，一直在降級，為了生存不得不去接一些L2、L2+的項目，用這些項目的資金流養活自己。從這些現象可以看出，Robotaxi的路，奇點還沒有到。其實，行業其實已經達成共識，通向自動駕駛之路，一定是漸進式的，跳躍式已被論證不可商業化。
焱融的馬志剛說，Robotaxi當下的困境，實際引出了另外一個話題，就是乘用車的自動駕駛、商用車的自動哪一個更容易實現。從數據管理的角度看，在干線物流、礦山、港口、園區這些商用場景更容易實現L3、L4級別的自動駕駛。與商用場景相比，乘用車在數據類型、算法上不同，又受到法律法規的限制，一般都在L2級這個水平，正在向L3級發起沖擊。
在利氪的文亮看來，自動駕駛必須在某一規則、某一框架、某一場景下才能夠實現，Robotaxi是自動駕駛一個運輸工具類場景，未來肯定可以落地。當然，作為一個新生事物，商業閉環是一個必須考慮的問題。如果Robotaxi通過技術進步、車路協同，可以解決商業閉環的問題，一定可以走下去。
文亮說，利氪科技主要做線控底盤，首先切入的產品是線控制動。Robotaxi上沒有駕駛員，對于安全、冗余、可靠，要求十分高。利氪科技的線控制動產品完全可以滿足相關安全、冗余的要求。
走向自動駕駛，汽車芯片是一個短板
談及自動駕駛，芯片是一個繞不開的話題。長期以來，國內汽車芯片市場由國外大廠主導，國產芯片公司剛剛起步，生存狀況艱難。
在利氪的文亮看來，這三年來國內汽車行業一直面臨缺芯的問題，國產化替代是芯片的發展趨勢。一個芯片是否安全可靠，需要大量的數據、大量的使用方可驗證。
焱融的馬志剛充分認同文亮的觀點。在他看來，芯片是自動駕駛的載體，汽車行業缺芯是一個嚴峻的問題。就整個自動駕駛產業鏈而言，有一個木桶效應，芯片便是一個短板，必須要加以解決。要解決缺芯問題，只能對外促成合作，向內謀求自身發力，實現國產化替代。
在火山引擎的張路看來，芯片國產化是一個國家戰略，目標就是要做到戰略可控。一個好消息是，地平線、黑芝麻智能這些國產芯片早已突圍而出，至少在AI芯片方面能有一席之地。在MCU、域控制器方面，國產化的比例也越來越高。芯片國產化的路雖然很艱辛，但這的確是一個行業趨勢。
張路認為，國產化芯片依舊缺乏一個產業鏈生態。一個芯片研發出來，必須要有驅動程序、軟件、系統方面的配套，必須有主機廠去使用，才有可能生存。這其實是一個巨大的挑戰。
未來出行，城市大腦實現統一調度
在大算力、大數據、大模型的推動下，全面自動駕駛的時代一定會來臨。以始為終地展望，未來的出行市場會出現怎樣的形態？
火山引擎的張路認為，在全自動駕駛時代來臨之后，汽車可能演變為一個出行服務。要實現這一路徑，一定會出現大的運營類的公司去承載這些業務，慢慢形成寡頭。自動駕駛與智慧城市結合，一定會產生一個城市大腦，實現交通網的統一調度。
利氪的文亮則認為，即便全自動駕駛時代來臨，依舊會分不同的情景、不同的需求。消費者有的情況下需要全無人駕駛，有的情況下則想要體驗駕駛的樂趣，人機共駕，也有許多需求。
焱融的馬志剛說，如果L5級的全自動駕駛落地，一定會出現類似公共交通的大集中統一協調。當然，在不同的場景下，人有不同的需求，有的場景下需要需要全自動駕駛，有的場景下則需求人工智能輔助駕駛。所以，未來的交通形態一定是綜合式解決，既有公共交通全部集中化管理的一面，又有一部分個性化需求得以滿足。為了達成這一目標，需要所有上下游的參與者都去發力，才可能實現。
文：Bugle-X?/?數據猿
