自動(dòng)駕駛那不會自動(dòng)駛來的春天

" 冬天到了，春天還會遠(yuǎn)嗎？"

【資料圖】

深陷資本寒冬的自動(dòng)駕駛業(yè)內(nèi)近期可謂是 " 冰火兩重天 "，重量級的利好與利空頻出。

2022 年，由于自動(dòng)駕駛 " 長尾問題 " 難以解決導(dǎo)致應(yīng)用場景受限、進(jìn)而導(dǎo)致商業(yè)落地困難。投資人失去興趣，融資大幅縮水。據(jù)公開資料統(tǒng)計(jì)，披露的融資額度由 2021 年的 1591.9 億元銳減至 205 億元，直接縮減至原先的 13%，行業(yè)進(jìn)入寒冬。

投資資金一旦停滯不前，人員必然頻繁流動(dòng)：據(jù)鈦媒體App 統(tǒng)計(jì)，僅 2023 年上半年，自動(dòng)駕駛相關(guān)的高層人員離職事件就高達(dá) 16 起，其中不乏曾被資本捧在手心里的企業(yè)。

在愈發(fā)寒冷的 2023，如日中天的大模型，憑借解決 " 長尾問題 " 以及引發(fā)科技奇點(diǎn)的可能，如 " 冬天里的一把火 "，照亮了行業(yè)的方向。

此外，大模型的熱度也越來越高，在汽車領(lǐng)域，已經(jīng)入場的企業(yè)紛紛引入大模型，專職大模型的企業(yè)也在場外摩拳擦掌：

7 月 21 日，整合了盤古大模型的華為云正式發(fā)布自動(dòng)駕駛開發(fā)平臺；緊接著，商湯便宣布其 " 商湯日日新 SenseNova" 大模型體系已經(jīng)形成產(chǎn)業(yè)應(yīng)用實(shí)踐，包括商湯絕影最新打造的智能座艙產(chǎn)品和車路云協(xié)同交通體系等。

現(xiàn)實(shí)是，大模型來了之后，自動(dòng)駕駛行業(yè)僅僅是完成從寒冬到暖冬的轉(zhuǎn)變。

感知決策型大模型本身的成本問題、硬件要求，以及數(shù)算中心網(wǎng)絡(luò)通訊問題都會影響其性能的發(fā)揮。

換言之，加載大模型后成本直線上升，即使有大模型的加持，自動(dòng)駕駛依然經(jīng)濟(jì)性有限。

本文試圖探究，在大模型降臨之后，自動(dòng)駕駛為何還是迎來不了自己的春天？

" 三九 " 未過，自動(dòng)駕駛寒冬依舊

沒有大模型之前，自動(dòng)駕駛行業(yè)可謂是一念天堂，一念地獄。

（自動(dòng)駕駛等級劃分，圖源：千際投行）

自動(dòng)駕駛技術(shù)按自動(dòng)化程度可以分為 L0 至 L5 共六個(gè)等級。其中 L0 至 L2 級可以統(tǒng)稱為 " 輔助駕駛 "。

L3 級別因?yàn)椴辉傩枰{駛員隨時(shí) " 手腳待命 "，汽車本身擁有了環(huán)境感知與自主決策的能力，成為了自動(dòng)駕駛的第一道分水嶺。

L4 級別自動(dòng)駕駛則可以做到真正的 " 無人駕駛 "，不再強(qiáng)制需要人的介入。L5 級別則完全不需要人的介入，也沒有地域限制，甚至不會有方向盤等現(xiàn)今常見的汽車操控部件。

百事利為先，自動(dòng)駕駛最本質(zhì)的盈利邏輯就是省掉操作員的人工成本。

自動(dòng)駕駛技術(shù)除了搭載在汽車上作為車商的技術(shù)附加直接銷售外，主流的商業(yè)落地途徑主要有這幾條：物流、環(huán)衛(wèi)、礦山 / 港口等工業(yè)場景，以及無人出租車（Robotaxi）。

其中應(yīng)用場景最廣，最具商業(yè)價(jià)值的是 Robotaxi。知名華爾街基金經(jīng)理木頭姐 Cathie Wood 在今年 4 月接受 CNBC 采訪時(shí)宣稱：至 2030 年，Robotaxi 可創(chuàng)造 8 至 10 萬億美元的收入。

Robotaxi 的商業(yè)前景引得各方紛紛布局。首先是一波政策 " 加持 "，包括但不限于 2022 年 4 月 1 日發(fā)布的《北京市智能網(wǎng)聯(lián)汽車政策先行區(qū)乘用車無人化道路測試與示范應(yīng)用管理實(shí)施細(xì)則》，開啟了國內(nèi)乘用車無人化運(yùn)營試點(diǎn)。

有了北京的先例，其他地區(qū)地方政府也在紛紛跟進(jìn)。

2022 年 6 月，深圳發(fā)布《深圳經(jīng)濟(jì)特區(qū)智能網(wǎng)聯(lián)汽車管理?xiàng)l例》； 8 月，上海發(fā)布的《上海市加快智能網(wǎng)聯(lián)汽車創(chuàng)新發(fā)展實(shí)施方案》提到，到 2025 年，初步建成國內(nèi)領(lǐng)先的智能網(wǎng)聯(lián)車創(chuàng)新發(fā)展體系，具備高度自動(dòng)駕駛功能（L4 級及以上）在限定區(qū)域限定場景實(shí)現(xiàn)商業(yè)化應(yīng)用。

政府卯足力氣提供政策支持，企業(yè)故事不斷，資本再不進(jìn)場，就晚了。2020 年與 2021 年，自動(dòng)駕駛行業(yè)風(fēng)頭正盛，各方勢力紛紛進(jìn)場，一時(shí)間企業(yè)拿融資拿到手軟。

2020 年，自動(dòng)駕駛產(chǎn)業(yè)鏈廠商，紛紛迎來春天的第一場雨：小馬智行就曾獲得由豐田汽車與蔚來資本等資方投資的 4.62 億美元融資。同年 5 月和 12 月，滴滴和文遠(yuǎn)知行也相繼宣布完成 5 億美元融資和 2 億美元投資 ······

2021 年，毫末智行、圖森未來、斑馬智行、地平線等廠商更受資本寵愛。

而誰又能想到短短的一年，凜冬的冰雪，就降落到了自動(dòng)駕駛的春花之上。投資方態(tài)度 180° 大轉(zhuǎn)彎的癥結(jié)在于，真正意義上的 " 無人 " 即 L4，很難實(shí)現(xiàn)。

接近千億的資本涌入賽道大大加速了各家企業(yè)的技術(shù)研發(fā)測試進(jìn)程。2021 年 Waymo 路測里程達(dá)到 410 萬英里。同年，北京示范區(qū)自動(dòng)駕駛測試安全行駛近里程達(dá) 400 萬公里。

但是自動(dòng)駕駛行業(yè)的問題在也測試中逐漸顯露：無法真正的無人。

（Robotaxi 上的安全員，圖源：小馬智行官方微信公眾號）

即使是走在全國前列的北京亦莊示范區(qū)，在 L3、L4 的正常運(yùn)行背后，被設(shè)置了重重關(guān)卡。

在 2022 年乃至 2023 年上半年的多次的試點(diǎn)中，基本要求每輛上路運(yùn)營的 Robotaxi 內(nèi)必須設(shè)有安全員，以確保自動(dòng)駕駛系統(tǒng)平穩(wěn)運(yùn)行，以及遇到突發(fā)狀況時(shí)應(yīng)急干預(yù)。

而這種為 L3 級別自動(dòng)駕駛設(shè)置的安全員門檻極高。其工作性質(zhì)決定了安全員不僅要駕駛技術(shù)一流，可以應(yīng)付各種緊急情況，而且要對自動(dòng)駕駛系統(tǒng)有一定了解。因此培養(yǎng)安全員的周期較普通出租車司機(jī)更長，成本更高，不具備經(jīng)濟(jì)性。

雖然在 2023 年 7 月 7 日，北京市高級別自動(dòng)駕駛示范區(qū)工作辦公室正式宣布，亦莊開始 " 車內(nèi)無人 " 商業(yè)化試點(diǎn)，Robotaxi 終于可實(shí)現(xiàn)車輛完全自主駕駛，達(dá)到了 L4 級自動(dòng)駕駛的標(biāo)準(zhǔn)，但是運(yùn)營中心仍需配備后臺工程師隨時(shí)監(jiān)控。

Robotaxi 能在亦莊運(yùn)行，因?yàn)樵诨A(chǔ)設(shè)施上亦莊下足了功夫。亦莊在建設(shè)早期就把高精度的數(shù)據(jù)地圖列為重點(diǎn)建設(shè)項(xiàng)目之一，高度數(shù)字化的基礎(chǔ)設(shè)施成為了后來 Robotaxi 的運(yùn)營保障。但擁有類似亦莊水平的，高精度，高度數(shù)字化地圖的地區(qū)寥寥無幾。" 脫圖 "，即不依賴高精度地圖運(yùn)行的 L4 自動(dòng)駕駛商業(yè)，落地遙遙無期。

也就是說，如今的 L4，既需要 " 后臺有人 "，又要在亦莊這一 " 避魔圈 " 內(nèi)運(yùn)行。

眼見此番不 " 自由 " 的自動(dòng)駕駛，資本紛紛進(jìn)入了 " 賢者時(shí)間 "，開始撤資。一時(shí)間眾多自動(dòng)駕駛企業(yè)或資金鏈斷裂，倒閉關(guān)停，或節(jié)衣縮食，難以為繼。

據(jù)偲睿洞察不完全統(tǒng)計(jì)，至 2022 年底，在納斯達(dá)克上市的十余家家自動(dòng)駕駛初創(chuàng)公司，在上市后的平均跌幅超過 80%。

更好落地的無人駕駛卡車（Robotruck）賽道上也同樣 " 尸橫遍野 "。

相比于 Robotaxi 多涉及的城市場景，Robotruck，尤其是干線運(yùn)輸多涉及高速場景，道路、路徑狀況較為單一，落地難度上要遠(yuǎn)小于 Robotaxi。但即便如此，落地依然困難。

美國 Robotruck 公司Embark股價(jià)由巔峰時(shí)期的 209 美元跌至如今的 3 美元左右。曾官宣在亞利桑那州完成全球首次開放道路全無人駕駛重卡測試，有著 " 自動(dòng)駕駛第一股 " 之稱的圖森未來股價(jià)也由最高時(shí)期的接近 80 美元跌至現(xiàn)今的 2 美元上下。

歸根結(jié)底，落地難是因?yàn)殡y以解決自動(dòng)駕駛大敵 " 長尾問題 "：少部分場景一直未能攻克。

" 長尾 " 難 " 醫(yī) "，大模型真乃良藥

前谷歌無人車項(xiàng)目 CEO 約翰 · 克拉夫西奇曾表示，谷歌無人車技術(shù)已經(jīng)接近于 " 走進(jìn)大眾生活 "。但是至今 Waymo 商業(yè)化運(yùn)營仍困難重重。不僅是 Waymo，市場上諸多商家自動(dòng)駕駛項(xiàng)目都處在 " 成百步者半九十 " 的狀態(tài)，其原因就是 " 長尾問題 "。

所謂 " 長尾問題 "，其主要表現(xiàn)形式是，自動(dòng)駕駛測試過程中的場景模擬始終無法覆蓋現(xiàn)實(shí)情況。

低頻率、種類極多、且對行車安全造成嚴(yán)重影響的 "Corner Case" 是橫亙在自動(dòng)駕駛技術(shù)門前的一道坎。現(xiàn)階段各車企的解決方法是 " 數(shù)量取勝 "，即通過大量測試，盡可能多的模擬各種情況，以觀察并矯正自家駕駛系統(tǒng)的行為。

但實(shí)驗(yàn)室模擬總有這樣或那樣的問題。卡耐基梅隆大學(xué)機(jī)器人學(xué)習(xí)實(shí)驗(yàn)室主任、被譽(yù)為 " 自動(dòng)駕駛之父 " 的 Sebastian Thrun 曾多次發(fā)聲：實(shí)驗(yàn)室實(shí)驗(yàn)和真實(shí)應(yīng)用場景認(rèn)知差異巨大。實(shí)驗(yàn)室環(huán)境只能盡量模擬真實(shí)環(huán)境，卻不能完全模擬真實(shí)場景。因此得出的數(shù)據(jù)和模型的精準(zhǔn)度和可信度，在現(xiàn)實(shí)環(huán)境中可能毫無價(jià)值，即使是滿足了 100% 準(zhǔn)確率的實(shí)驗(yàn)，在現(xiàn)實(shí)生活中也不一定可行。

即便是實(shí)車在真實(shí)道路上的訓(xùn)練和標(biāo)定，大多數(shù)的數(shù)據(jù)的定位都是單調(diào)重復(fù)，對策略優(yōu)化意義不大。在某個(gè)城市進(jìn)行了自動(dòng)駕駛的成功試驗(yàn)，也并不意味著經(jīng)驗(yàn)可以在另一個(gè)城市成功復(fù)制。目前模擬測試還是公路測試，都是 " 窮舉 " 打法，很難不陷入越努力越心酸的困局。

大模型，給這個(gè)已在寒冬中匍匐一年的自動(dòng)駕駛，遞了一把火。

正如阿里前 CEO 張勇在今年 4 月 11 日阿里云峰會上說：" 在 AI 時(shí)代，所有產(chǎn)品都值得用大模型重做一次 "。大模型的出現(xiàn)給了自動(dòng)駕駛企業(yè)解決 " 長尾問題 " 希望：

當(dāng)模型參數(shù)量達(dá)到了一定程度，超過某個(gè)臨界值之后，" 涌現(xiàn) " 現(xiàn)象就會出現(xiàn)：模型的性能會大大超越預(yù)期。雖然為什么出現(xiàn)這種現(xiàn)象現(xiàn)階段尚無公論，但這種 " 量變 " 到 " 質(zhì)變 " 的過程，為攻克號稱 " 最后 1%" 的 " 長尾問題 " 帶來了曙光。

（自動(dòng)駕駛系統(tǒng)的組成部分，圖源：安信證券）

自動(dòng)駕駛系統(tǒng)主要可以拆解為三個(gè)層次：感知層、決策層、控制層。現(xiàn)階段比較清晰的大模型應(yīng)用的方向是感知層。

大模型如何應(yīng)用在感知層面？目前的主流思路是提升數(shù)據(jù)閉環(huán)。

所謂數(shù)據(jù)閉環(huán)，即不斷將高價(jià)值數(shù)據(jù)從自動(dòng)駕駛系統(tǒng)獲取的原始數(shù)據(jù)中提取出來后，輸送給算法做訓(xùn)練。 整個(gè)過程包括對來自傳感器數(shù)據(jù)進(jìn)行特征標(biāo)注、對 " 長尾數(shù)據(jù) " 特征的挖掘、提取特征后 " 舉一反三 " 萃取其他數(shù)據(jù)、利用這些 " 長尾數(shù)據(jù) " 進(jìn)一步訓(xùn)練算法。 大模型的出現(xiàn)可以大大提升數(shù)據(jù)閉環(huán)，加速算法完善進(jìn)度，以更好地解決各種 "Corner Case"。

擁有處理海量數(shù)據(jù)的能力，大模型便可以在測試自動(dòng)駕駛系統(tǒng)上限、重建自動(dòng)駕駛場景上發(fā)光發(fā)熱，甚至可能搭載在車輛上進(jìn)行合并檢測小模型、檢測道路物體、進(jìn)行車道拓?fù)漕A(yù)測等。

由于大模型卓越的性能，在理想汽車大模型 MindGPT 發(fā)布之后，理想汽車董事長李想就表示，先前一年要做大概 1000 萬幀的自動(dòng)駕駛圖像的人工標(biāo)定，外包公司價(jià)格大概 6 元到 8 元錢一張，一年成本接近一億元。

而當(dāng)使用大模型之后，降本將立竿見影：通過訓(xùn)練的方式進(jìn)行自動(dòng)化標(biāo)定，過去需要用一年做的事情基本上 3 個(gè)小時(shí)就能完成，效率是人的 1000 倍。"

如此 " 神器 " 自然引得各方爭搶。

7 月 21 日，華為云公有云業(yè)務(wù)部總裁高江海在 " 華為云智能駕駛創(chuàng)新峰會 & 烏蘭察布汽車專區(qū)發(fā)布會 " 上宣布，華為云自動(dòng)駕駛開發(fā)平臺正式發(fā)布。

據(jù)悉，平臺將基于盤古大模型和 ModelArts AI 開發(fā)生產(chǎn)線，提供數(shù)據(jù)生成、自動(dòng)標(biāo)注、模型訓(xùn)練、數(shù)據(jù)閉環(huán)等一系列能力，幫助車企和商用車企業(yè)加速自動(dòng)駕駛算法的開發(fā)驗(yàn)證和優(yōu)化迭代。現(xiàn)如今已在礦用卡車、港口 ART、專線物流重卡等商用車場景中應(yīng)用。

7 月 25 日，光輪智能透露近期完成了 " 天使 +" 輪融資。光輪智能 CEO，前蔚來汽車高管謝晨表示，光輪智能將在仿真的基礎(chǔ)上融合生成式 AI，以一小部分真實(shí)數(shù)據(jù)為藍(lán)本，通過生成式 AI 技術(shù)來放大數(shù)據(jù)量級，并基于自研的 " 端到端真實(shí)性評測算法 " 保證數(shù)據(jù)質(zhì)量和效能，生成高信息增量的、用于算法訓(xùn)練的數(shù)據(jù)。

從技術(shù)角度來看，大模型確實(shí)是 " 神器 "。然而，大模型真的是自動(dòng)駕駛的 " 萬靈藥 " 嗎？

和璧隋珠，新技術(shù)難入尋常家

大模型，不言自明，其最大的特點(diǎn)就是 " 大 "。 龐大的數(shù)據(jù)體量以及算力要求為其應(yīng)用帶來了不小的挑戰(zhàn)。

如果將大模型 " 塞進(jìn)車?yán)?"，首當(dāng)其沖的便是硬件成本問題。大模型的規(guī)模和復(fù)雜度也在不斷提高，對硬件設(shè)備的要求也越來越高。

大模型需要大量的計(jì)算資源來訓(xùn)練和運(yùn)行。傳統(tǒng)的 CPU、GPU 等硬件設(shè)備已經(jīng)無法滿足這種需求。專業(yè)為大模型計(jì)算設(shè)計(jì)定制的加速器芯片，如 NVIDIA 的 A100、TPU 等將成為硬需求，現(xiàn)實(shí)是，現(xiàn)如今僅有一些大廠有 A100 的存貨。

雪上加霜的是，大模型還需要大容量的存儲設(shè)備來存儲訓(xùn)練數(shù)據(jù)和模型參數(shù)。由于大模型的數(shù)據(jù)量非常龐大，動(dòng)輒百億級別數(shù)據(jù)需要使用高速的 SSD 硬盤或者 NVMe 固態(tài)硬盤來提高數(shù)據(jù)的讀寫速度 ······

硬件的問題將不可避免帶來成本的上升。雖然大模型的推廣可以減少如激光雷達(dá)等感受器的數(shù)量來降低成本，但是由于感受器需要留足安全冗余，大模型本身規(guī)模就已經(jīng)龐大且指數(shù)級別的上升指日可待，故，硬件成本將在很長一段時(shí)間內(nèi)成為難以回避的問題。

那么，我們換一個(gè)思路，如果把大模型從車?yán)锇岢鰜砬闆r可行嗎？

將大模型所需數(shù)據(jù)集中儲存，無疑會攤薄使用者成本。運(yùn)營商擁有更大的財(cái)力，可以采購更先進(jìn)的存儲、傳輸設(shè)備。但自動(dòng)駕駛大模型與普通用于 AIGC 的大模型之間最大的區(qū)別就是，對鏈接穩(wěn)定性以及數(shù)據(jù)傳輸速度的要求極為嚴(yán)苛。

作為大型移動(dòng)設(shè)備，車量鏈接數(shù)據(jù)中心唯一的途徑就是無線網(wǎng)絡(luò)。汽車行駛中，由于秒級別的延遲造成無可挽回事故的案例，比比皆是。

對硬件性能、成本、以及對數(shù)據(jù)傳輸?shù)姆€(wěn)定性與速度的嚴(yán)苛要求下，" 大模型上車 " 的時(shí)間點(diǎn)極為遙遠(yuǎn)。

那么，如果把大模型作為解決 " 長尾問題 " 的后臺軟件開發(fā)工具是否可行？

現(xiàn)實(shí)是，大模型的訓(xùn)練成本居高不下，國盛證券基于參數(shù)數(shù)量和 token 數(shù)量估算，GPT-3 訓(xùn)練一次的成本約為 140 萬美元；

（GPT-3 訓(xùn)練成本估算，圖源：國盛證券研究所）

對于一些更大的 LLM 模型采用同樣的計(jì)算公式，訓(xùn)練成本介于 200 萬美元至 1200 萬美元之間。

（GPT-3 以及其他更大 LLM 模型訓(xùn)練成本估算，圖源：國盛證券研究所）

據(jù)業(yè)內(nèi)估算，現(xiàn)階段已經(jīng)在使用的 Transformer 大模型量變引起質(zhì)變需要 1 億公里的里程數(shù)據(jù)。Transformer 相比上一代 CNN 模型需要更大量的數(shù)據(jù)來訓(xùn)練模型。

成本問題，束縛了大模型大展拳腳的空間。

正如錢鐘書在《圍城》中寫道，"好比冬季每天的氣候罷，你沒法把今天的溫度加在昨天的上面，好等明天積成個(gè)暖和的春日。"

在成本、硬件等一系列關(guān)鍵性問題得不到解決的情況下，昨日的自動(dòng)駕駛加上今日的大模型，很難換來一個(gè)溫暖的春天。

即使某些企業(yè)短時(shí)間內(nèi)突破了技術(shù)瓶頸，在數(shù)據(jù)安全、法律法規(guī)等行政性問題尚未妥善解決的情況下，L3 及以上自動(dòng)駕駛也很難 " 面朝大海，春暖花開 "。

本文來自微信公眾號 " 偲睿洞察 "（ID:siruidongcha），作者：經(jīng)緯，編輯：孫越，36 氪經(jīng)授權(quán)發(fā)布。