放大
缩小
默认
2021年4月，一段极狐阿尔法S华为HI定制版在城区复杂场景中自行驾驶的视频刷爆全网。视频中，车辆灵活地穿梭于路况复杂的城市道路，司机全程没有接管。
对大多数行业外的中国人来说，这是他们第一次感受到自身能力被智能驾驶汽车挑战。
而在行业内，城市NoA（城市高阶智驾）的暗战已经打响，包括华为、小鹏在内的多个国内团队立项，尝试将其落地成为一个可以交付的产品。近两年内，不断有造车新势力、传统车企的智能电动汽车品牌、智能驾驶供应商等企业加入战局。
今年，城市NoA的竞逐在极短时间内从水下进入白热化阶段。十余家车企与供应商齐声宣布，将在今年开启城市NoA功能量产。
这背后，一场行业的集体共谋、一次技术范式的全面革新、一个史无前例的超级工程已然接连拉开序幕。
进城：从拼算力到卷无图
在智能汽车的叙事中，城市NoA被认为是通往自动驾驶的最后一块拼图，也是技术与商业的高地。
在此之前，冲向高地的最短路径是硬件堆料。高阶智驾的硬件军备竞赛在去年达到顶峰。
然而，拼硬件参数，行业风风火火；讲功能落地，大家唯唯诺诺。
去年，仅有华为（极狐/阿维塔）、小鹏在少数城市开通了具有试点性质的城市NoA，无论是车企还是消费者，对这样的进度都难言满意。
高精地图在今年被推到台前，充当罪魁祸首。
4月中旬，在问界M5智驾版发布会上，余承东透露，如果要做有高精地图的城市智驾全域覆盖，上海需要采集3.6万公里道路高精地图数据，但截至目前，只采集了2.2万公里数据，并且道路还在持续变化。
随着上海车展的临近，这场竞赛陡然提速。
随后1个月里，小鹏、华为、理想相继公开城市NoA规划。在行业集体奔涌的热潮中，乐观的声浪一波接着一波：今年将是城市NoA大规模量产元年。
冷静的声音显得稀缺而寂寞。
在3月底召开的电动汽车百人会上，地平线创始人余凯劝诫行业保持理性：“目前，L2++城区NOA还存在技术挑战，基本上每几十公里就需要接管一次，在研发上至少需要三年时间才会取得较好的进展，因此到2025年，高速NOA仍会是量产主力。”
但没人愿意克制，包括余凯的合作伙伴和客户们。
无论是面对生存难题的L4级智能驾驶公司，还是期望获得差异优势的车企都选择咬牙跟进。竞争压力不仅来自国内，也来自大洋彼岸。
今年，伴随ChatGPT的大火，泛人工智能领域的竞争再度升级，具体到智能驾驶行业，所有人都在关注特斯拉的节奏。今年年初，特斯拉向北美用户全量推送了FSD（Full Self-drving，实为高级辅助驾驶）。“FSD入华在即”的传言随即频繁响起。没人愿意赌FSD是否会涌现，成为智能驾驶的ChatGPT。在一定程度上，目前ChatGPT与城市NoA的技术栈同源，它们都采用了眼下让整个AI行业沸腾的神经网络模型——Transformer，名为变形金刚。
而在汽车行业，特斯拉最先将Transformer应用于量产车智能驾驶，比其他车企早一到两年。
升维：“变形金刚”的威力
2021年8月，特斯拉举办了第一届AI Day，打响了城市NoA竞速赛的发令枪。
在那届AI Day上，特斯拉发布了基于Transformer的BEV（智驾车辆在鸟瞰视角下的环境感知建模）。这项技术使智驾汽车的感知能力“脱胎换骨”，如今几乎被所有无图城市NoA方案采纳。
在此之前，量产车辅助驾驶的感知算法模块主要运行卷积神经网络CNN。作为商业化应用超过10年的神经网络，CNN成熟、易用，但构筑在CNN基础上的智驾感知“天花板”十分明显：在它的世界里，空间是二维的（缺少“距离/深度”维度），时间是断裂的（感知系统缺乏上下文记忆），各个传感器是各自为政的（各传感器的时空坐标系不同，导致数据融合困难）。如果以人类作比，这将是一位双眼散焦、“声画不同步”且注意力时刻涣散的糟糕驾驶员。这是辅助驾驶之前只能胜任简单场景的重要原因。
2021年夏天，特斯拉团队在连续试错后，选择了这样一条技术路径：
设计更庞大、更复杂、参数更多的感知算法模块，利用Transformer的注意力机制，将各个传感器统一到同一个连续的四维（三维空间+一维时间）时空。车辆进行驾驶决策的基础，不再是健忘症患者看二维图像，而是正常人看流畅的三维视频。智能驾驶迎来了一次“时空观”的飞跃。
2022年，特斯拉在新一届AI Day上推出了能够检测通用障碍物的Occupancy Network占用网络。同年，国内新势力车企相继完成了激光雷达的批量装车，智驾车辆的感知能力变得前所未有地强大，近乎成年人。众所周知，人类开车并不需要高精地图。由此，伴随着Transformer+BEV、占用网络的声名渐响，系统感知能力的史诗级提升，智能驾驶摸索出一条可以大规模、批量化进城的道路——大模型。
代价：大模型的门槛
无论是对特斯拉还是其他企业而言，大模型是一枚沉甸甸的硬币。
正面，是智驾系统上限的提升；反面，则是智驾整个体系架构的更改，形式上不能完全说推倒重来，但工作量与难度绝对是超级加倍。
原因并不难理解：基于相对轻量的CNN二维感知，升维到了基于Transformer的四维感知。升维的条件是，需求的数据与算力呈指数级增长，智驾数据收集、云端算法训练、车端算法部署三个重点环节需要全面革新。
在海量数据中训练海量参数的大模型需要大量算力，只有大型云计算中心才能胜任。并且，目前车端的智能驾驶芯片并不是为Transformer准备的。
算法快速演进的结果是，“针对Orin，英伟达在软件层面做了大量的优化与弥补，但本质上并没有解决硬件加速的问题。”理想汽车自动驾驶副总裁郎咸朋告诉我们。同样的情况对其他智驾芯片企业而言，大致成立。
这些芯片量产上车的时间将在2025年乃至更晚，但车企们等不及。今年，大疆车载表示，有能力在80T算力平台上实现城市NoA。而此前行业传闻称，大疆车载已经获得比亚迪城市NoA项目定点。
如果要保证体验领先，对一家车企的要求会是：在台前，有一个强大的产品与销售团队，打造并卖出了一大批智驾功能保持常驻的车队，以收集有效数据；幕后，需要一个质量极高的智驾团队，一边自行打造部分不成熟的工具，一边搭建起一条高度自动化的数据管线，对算法快速迭代。这将是一场名副其实的销金游戏。当然，这考验的不仅仅是资金，还有智驾团队和公司最高层领导的毅力与信仰。
活在物理世界的人类对活在赛博空间的ChatGPT仍有极大的宽容度。相比之下，人们对智能驾驶汽车的要求严格得多，不对等的责任与前景，使行业出现了AIGC吸引智能驾驶人才转行的迹象。
当下的现实是，人们对城市NoA需求最确切、最能减负的场景，如复杂十字路口通行（含转弯、掉头）、早晚高峰/节假日拥堵仍然是智驾系统的弱势场景。特斯拉在这条道路上一马当先。目前，特斯拉的FSD算法中，绝大多数已经实现神经网络化。根据马斯克画下的饼，FSD V12将更进一步实现端到端的智能驾驶，但具体时间尚未可知。
更多企业对端到端仍然充满顾虑，这将把智能驾驶整个系统“黑盒化”，缺乏可解释性，对问题的追溯与修正将变得更加困难。
对所有城市NoA的参与者来说，坏消息是，他们将要挑战的，很可能是民用工业有史以来复杂度最高、约束条件最苛刻、实现难度最大的超级工程。
而一个尚不知好坏的消息是，眼下，他们闷头向前，并不认为这是个坏消息。（文章来源：远川汽车评论 作者：熊宇翔）
放大
缩小
默认