图/视觉中国
文 | 施然
充满不确定性的自动驾驶赛道，即将迎来近年最大的确定性。6月21日，工业和信息化部（下称“工信部”）副部长辛国斌在国务院新闻办公室举行的政策例行吹风会上表示，将启动智能网联汽车准入和上路通行试点，组织开展城市级“车路云一体化”示范应用，支持有条件的自动驾驶——L3级及更高级别的自动驾驶功能商业化应用。L3级是自动驾驶中的一个分水岭。根据中国《汽车驾驶自动化分级》，目前自动驾驶技术可分为L0到L5六个等级，其中L0为人工驾驶，L1、L2依然以人类驾驶员操控为主，系统充当辅助。从L3级别功能开始，出现系统控制车辆行驶。目前，支持L3级及更高级别的自动驾驶功能商业化应用的配套政策正在制定当中。也就是说，如果智能化是新能源汽车下半场，那么此次政策的打开无异于一声哨响。和L2相比，L3车辆的自主决策占比更高，但是，驾驶员仍需要介入部分场景。因此，必须对实际操作中的安全责任做出清晰划分。事实上，自2019年L2级别辅助驾驶功能大规模量产以来，自动驾驶商用在用户端并未有质的改变。根据国际数据公司IDC数据，今年一季度L2级自动驾驶在中国乘用车市场渗透率已经达到了45.3%。然而，由于缺乏可以明确依据的责任定义，L3一直是各家车企不敢逾越的关卡。另一方面，今年以来，中国新能源车渗透率基本维持在30%左右，整体进入成长中期。因此车企迫切需要新的竞争抓手。包括自动驾驶在内的汽车智能化是必然方向。
2010年以来，汽车智能化有过两次高潮：2014年-2016年，由于摄像头等视觉技术创新，Mobileye和博世等公司引领了全球 L2级别辅助驾驶。2020年-2022年，伴随大算力芯片和域控制器技术的成熟，特斯拉引领了全球准 L3 辅助驾驶浪潮。不过，L3及以上级别的自动驾驶功能，此前一直难以真正落地。原因在于交通责任的法律判定。到了L3级别，车辆的主导者由人类驾驶员转变为系统。此时，由于驾驶员身份的转变，在意外事故发生时，责任方判定变得尤为重要；且由于市场上存在大量宣称L2、L2.5、L2.9+的汽车产品，究竟L3和L3以下级别自动驾驶功能差异在哪里，均需要做出明确定义。行业普遍认为，如果没有一套完整细则判定交通责任划分，没有一家车企敢贸然跨越L3级自动驾驶。从产业发展的角度来说，随着中国电动车渗透率不断提升，车企需要差异化的产品来巩固竞争优势、拓展细分市场，因而提升了对智能化的需求。自动驾驶是一个亮点，也是一个卖点。有观点认为，今年中国汽车市场的价格战也是因为当前汽车产品过于同质，消费者期待有区别度的产品，更高水平的自动驾驶车辆或许是选项之一。这也意味着未来有能力实现L3及以上级别自动驾驶的车企将有可能建立竞争壁垒，而不具备这一能力的车企将会被加速淘汰。去年11月，国家开始对L3级别以上自动驾驶汽车的量产做出立法上的尝试。工信部等组织起草了《关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)》，公开征求社会各界意见。今年，根据东吴证券不完全统计，国内已有超过 17 条以上直接面向智能网联汽车相关的政策法规发布。
目前，全国已有 50 多个省市出台智能网联汽车测试规定。北京、上海、广州、深圳等 10 余个城市已允许在特定区域、特定时段让自动驾驶汽车进行出租车、城市公共汽车等商业化试运营。美国也在L3级别的自动驾驶法规的规范上有所行动。就在今年，美国内华达州和加州也先后对 L3 级别自动驾驶功能责任做出了清晰的划分，并批准奔驰 L3 级别自动驾驶功能上路运行。法规的完善意味着一片广阔的市场已经打开。对汽车行业来说，接下来要做的，是技术的跨越。
从L2进入到L3及以上级别的自动驾驶的研发，技术上同样存在一道鸿沟。在低级别辅助驾驶功能中，常见的一般案例已经能够被解决，而在高级别自动驾驶功能应用中，由于车辆的主导者由人类驾驶员转变为系统，此时车辆的智驾系统必须能够解决corner case，即罕见却又无法完全避免的极端场景。这些场景数据样本较少，一旦模型不能有效识别，可能引发严重的安全事故。现有方案在解决corner case上均显得力不从心。在过去的智能化进程中，车企主要技术路线有两种，一是特斯拉为代表的纯视觉方案；二是其他车企所采用的多传感器融合方案。后者在实现高级别自动驾驶功能时完全无法具备成本优势，靠“堆料”也难以解决层出不穷的corner case。这是因为传统的数据训练方法类似于让智驾系统从已有的数据样本中学习，因此系统只能应对学习过的情况。就像已经解决了99%的问题，而剩下1%失效的风险却可能让此前的努力都前功尽弃。在实车路采数据中积累corner case，不仅可行性低，成本也非常高。也就是说，对corner case的应对，传统的方法存在数据积累瓶颈。AI大模型是新的解法。大模型的方法并不需要人类去标注告诉系统学习什么，系统直接从海量的数据中学习。随着AI大模型技术的发展，特斯拉率先采用了基于 TransFormer大模型的BEV+占用网络感知算法，这种方法有利于解决图像尺度问题和遮挡问题，已经成为下一代汽车智能化的主要架构。经过两年多迭代，特斯拉FSD（full self-driving，完全智能驾驶软件）功能逐步成熟。马斯克已经宣布，FSD即将发布的新版本，将采用端对端的方式，即从目前模块化的小模型进化到类似GPT的大模型中。马斯克称，今年年底有望实现完全自动驾驶。国内主流车企纷纷跟进，包括理想、小鹏、比亚迪等车企都采用类似方式，建模全新一代自动驾驶感知方案。此外，自动驾驶质的变化不仅是硬件、模型、数据和算力需求这些生产要素的变化，还意味着生产要素的组合方式也在发生质变。在2016年以前，自动驾驶的开发方式基本上都是传统黑盒的开发方式，即主机厂委托供应商开发，供应商提供黑盒子。这种方式无法支持车辆实现高级别自动驾驶。随着自动驾驶研发深入，车载ECU的数量及配套软件开发量大幅增加（如大量使用激光雷达等传感器），针对更高级别自动驾驶系统的开发不能再采用这种黑盒模式，而是变成了生态化的合作，这也倒逼车企不得不提高业务的数字化水平。事实上，不仅仅是研发领域，人工智能已渗透到车企业务链条上的各层面，华为云公有云业务部总裁高江海的观点是，在生产制造领域，通过AI进行生产排班，可以最大化供应能力。在销售领域，AI也可以对海量数据进行分析挖掘，获取有价值的信息，帮助企业更准确地了解市场需求。因此，汽车行业进入到新的竞争阶段，对汽车智能化和车企智能化都提出了更高的要求。企业不仅必须上云，且十分考验云平台的能力。IDC在近日发布的报告中提出，当前以自动驾驶、智能座舱发展为代表的智能化网联化是市场热点。随着车联网的进一步发展，汽车行业对车联网的基础设施“汽车云”的需求日趋重视，汽车云市场将迎来快速发展。在自动驾驶量产向L3进发的情况下，云的消耗量将爆发式增长。预计自动驾驶开发解决方案市场未来五年复合增速为90.0%，2027年规模达208.7亿元人民币，占整体解决方案市场比例接近70%。自动驾驶所需要的云上服务主要包括两个部分：一是基础的资源层服务，包括计算、存储、网络等云端资源服务；二是上层研发工具，包括数据管理、模型训练、云上仿真等环节。随着车企数字化转型逐渐深入，所有的业务都完成了上云。此时，大量数据都在云上流转，云成为串联各个业务的基础设施。除了高性能的算力，云平台还需要提供端到端的加速能力。
因此，进入到L3级以上的自动驾驶领域，如同燃油车时代车企对动力引擎的争夺，云计算和人工智能正成为当下和未来的竞争焦点。公有云厂商均十分重视自动驾驶领域的“云”解法，华为云的思路可以作为一个观察视角。今年7月初，华为云发布了盘古大模型3.0。大模型采用分层、解耦、开放的架构，面向千行百业。在自动驾驶领域，盘古大模型可以有效应对corner case。其数据生成能力可以广泛应用于数据预处理、模型训练及模型仿真环节，比如，用数据生成替代实车路采；用自动标注替代人工标注；用自动生成对抗性场景替代人工设定等。
7月21日，华为云在智能驾驶创新峰会上发布自动驾驶开发平台，并发起自动驾驶关键技术攻坚倡议行动。
大模型也极大推高了对数据和算力的需求。因此，决定自动驾驶技术快速演进的关键，就落到了如何提升数据处理效率，如何加速模型迭代。
7月21日，华为云发布了基于盘古大模型加持的自动驾驶开发平台，贯穿自动驾驶研发的数据处理、数据标注、模型训练、模型验证和仿真。基于昇腾云服务，自动驾驶平台可以为自动驾驶开发提供稳定算力；基于盘古大模型加持，可以加速自动驾驶数据闭环迭代。目前，这一自动驾驶开发平台已经在长安、一汽、比亚迪、广汽等多个车企运行，且在商用车领域广泛应用于矿山、港口等场景。这是一套组合的打法。在具体的应用上，以上述提及的路测数据为例。盘古大模型结合自研算法，将不同时刻拍摄的视频可以重建为3D空间，通过编辑空间中的行程路线、光照纹理和车辆，用于构造新的corner case，显著降低数据采集成本的难度。
自动驾驶开发平台又贯穿了自动驾驶研发的全过程。在仿真方面，云端大规模定型仿真服务可以实现日行千万里的仿真验证能力。在迭代方面，自动驾驶开发平台能够自动将各种corner case的价值数据上传到云端，实现数据闭环的算法。优化迭代，提升车辆的智能水平。值得注意的是，华为云称，昇腾AI云服务单集群性能可达2000P Flops，大模型训练30天长稳率达到90%，断点恢复时长不超过10分钟，同时训练效能可以调优到业界主流GPU的1.1倍。算力是汽车行业智能化的基础。在当下，拥有这样的算力本身已经是稀缺资源。“巨大的算力不仅仅需要资源投入，对工程能力本身就是一种挑战。全球范围内也没有几家公司具备这样的算力。”一位海外自动驾驶研发人士表示。华为云EI服务产品部部长尤鹏介绍说，华为云已经协助研发自动驾驶算法的客户陆续开发了场景生成大模型，场景理解大模型，预标注大模型，多模态检索大模型等，极大地提升了这些公司的数据处理效率。绝大多数车企目前已着手调研自动驾驶大模型技术的应用前景，一些车企已经入场，其中不乏自研者，如理想汽车就推出了自研的mindGPT大模型。一些企业由于成本投入或其他问题，仍在观望。“但大家普遍看好。”一位资深汽车行业咨询人士表示。不过，大模型的训练和运行需要巨大的计算资源，对不少车企来说，这仍旧是一笔昂贵投入。大模型的决策过程并不透明，这使得对其进行有效监控和调整又成为一个新的议题。考虑到自动驾驶的行业特性，对安全有特殊要求，大模型未必是所有车企的最佳解法。可以肯定的是，由于产业技术突破和政策持续推动，采用大模型技术的 L3 甚至更高级别的自动驾驶量产落地已经到了关键的时间节点。产业链正在从量变走向质变的过程。回顾自动驾驶产业发展历程，行业的每一次跨越都离不开技术和政策的共振。一位资深业内人士表示，上一代计算平台是跑不了大模型的，几乎所有企业都是从这两年才开始布局新一代平台。当政策逐渐打开，千里逐鹿，这一轮竞争才刚刚开始。
