作為緊隨風口的車企，自然也不能在大模型時代落后：7月31日，吉利預告了大模型技術(shù);8月8日，廣汽推出“廣汽AI大模型平臺”;奇瑞也將發(fā)布自己的AI大模型……而在此之前，小鵬、理想、特斯拉都宣稱自己擁有“自動化數(shù)據(jù)閉環(huán)系統(tǒng)”，作為大模型的一種應用方向。

　　除此之外，平臺級公司，百度、阿里、騰訊、360、華為都推出了自己的大模型。上半年結(jié)束的時候，國內(nèi)大模型已經(jīng)達到80個以上。中美兩國的大模型數(shù)量占據(jù)了全球80%。在大模型如此火熱的今天，自動駕駛的落地也在加速，當然，也迎來了新的挑戰(zhàn)。

　　01

　　自動駕駛中的大模型

　　其實“模型”就是一段計算機程序，用來構(gòu)建一個虛擬的神經(jīng)網(wǎng)絡。和生物的神經(jīng)網(wǎng)絡類似，只有刺激到一定程度，神經(jīng)才會活躍。如果再強化刺激，就會輸出活動。這其實就是多段函數(shù)的表達。神經(jīng)網(wǎng)絡模擬任意連續(xù)函數(shù)，也就成了可能。上世紀80年代之后，這些計算機概念就建立起來，并在自動駕駛上應用，但一直沒有大的突破。

　　其根本的原因在于參數(shù)量。這是ChatGPT火起來的重要原因。OpenAI公司發(fā)現(xiàn)，模型參數(shù)如果多到一定程度，系統(tǒng)智能(模型精度)就會極大提升，原理現(xiàn)在無法解釋，但已經(jīng)有了一個詞匯來形容——“涌現(xiàn)”。多到什么程度呢?一般來說，至少要1億左右。當然，因為自然語言的信息密度高于圖像，所以ChatGPT-2的參數(shù)量達到15億個，而ChatGPT-3則達到1750億個，剛好和人類神經(jīng)元數(shù)量級別差不多。

　　自動駕駛中的大模型更為復雜一些，被稱作為多模態(tài)大模型。作為一種可以處理多種不同類型數(shù)據(jù)的深度學習模型，它可以整合來自不同傳感器的數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)做出決策。多模態(tài)大模型通常由多個分支組成，每個分支處理不同類型的數(shù)據(jù)，例如圖像、文本、聲音、視頻等。這些分支可以并行運行，并最終將結(jié)果合并以進行決策。與傳統(tǒng)的單模態(tài)模型相比，多模態(tài)大模型的優(yōu)點在于它可以從多個數(shù)據(jù)源中獲得更豐富的信息，從而提高模型的性能和魯棒性。例如，在自動駕駛領(lǐng)域中，多模態(tài)大模型可以同時處理來自相機、激光雷達和毫米波雷達等多個傳感器的數(shù)據(jù)，以更全面地理解當前交通環(huán)境，并做出更準確的決策。

　　02

　　大模型如何顛覆自動駕駛?

　　具體而言，大模型如何部署在自動駕駛車輛上，又能部署在自動駕駛車輛的哪些模塊呢?

　　首先是自動駕駛的感知部分，眾所周知，自動駕駛的感知需要融合多個傳感器的輸入，從而完成數(shù)據(jù)的融合增強。在這個過程中，當傳感器的檢測結(jié)果沖突時，更加相信哪一方的結(jié)果便成了一大難題。而大模型的一大優(yōu)勢是可以處理不同類型的數(shù)據(jù)之間的關(guān)系。例如，在自動駕駛中，相機可以提供道路和障礙物的圖像信息，激光雷達可以提供距離和深度信息，而毫米波雷達可以提供速度和方向信息。大模型可以將這些不同類型的數(shù)據(jù)融合在一起，以更全面和準確地理解駕駛環(huán)境。

　　其次，便是完成目標檢測任務中的自動標注和預標注。以前都是有監(jiān)督學習(人工訓練)，現(xiàn)在讓AI自我訓練，就需要先完成數(shù)據(jù)閉環(huán)。這就是為什么幾家新勢力說自己擁有“自動化數(shù)據(jù)標注系統(tǒng)”的原因，其實就是大模型的一個功能。而完整的數(shù)據(jù)閉環(huán)則囊括了數(shù)據(jù)采集、數(shù)據(jù)回流、數(shù)據(jù)處理、數(shù)據(jù)標注、模型訓練、測試驗證諸多環(huán)節(jié)。其中，“數(shù)據(jù)標注”是AI自我訓練的前提，也是AI訓練的成本節(jié)點。

　　所謂標注，就是給視頻或者圖像的關(guān)鍵信息點貼上標簽，以便讓系統(tǒng)認識并在實際操作中做針對性規(guī)劃。顯然，量產(chǎn)車采集的場景基本都是重復的，數(shù)據(jù)意義不大。專門采集車則比較貴(成本每天6000元-10000元)。重點是，如何盡量多地搜集到“長尾場景”，即不常遇見，但駕駛了很多次之后，每個人幾乎都會遇上的場景(占5%左右)。在大模型上線前，都是人工標注。1000幀的視頻數(shù)據(jù)，人工標注成本可能達到萬元。而大模型目前最有價值的部分，莫過于自動化數(shù)據(jù)標注，可能會節(jié)約上億元(取決于替代多少人標注數(shù)據(jù))。

　　03

　　大模型時代，車企迎來全新挑戰(zhàn)

　　在大模型時代，由于模型參數(shù)量的巨大，所采集的數(shù)據(jù)也在飛速增長，如何應用好車企賴以生存的駕駛數(shù)據(jù)，并通過分布式系統(tǒng)來進行部署和訓練，最終如何應用在自動駕駛車輛上，都成了一大難題。

　　一般來說，數(shù)據(jù)閉環(huán)的工作現(xiàn)在已經(jīng)分割給外包供應商、大模型平臺公司(也可以視為供應商)和車企分別來做。很少有車企能夠徹頭徹尾地自己部署基礎(chǔ)大模型，自己搞定應用層，自己設(shè)計預標注并實現(xiàn)數(shù)據(jù)閉環(huán)，再驅(qū)動算法更新。這即是L4的進化之路，它的技術(shù)復雜度要求車企與供應商充分融合式合作，而非傳統(tǒng)的供應商“交付”-主機廠應用。

　　車企過于看重價值鏈全盤掌握，強調(diào)全棧自研，可能會耽誤迭代進程。如果設(shè)計一種規(guī)則，比如基礎(chǔ)層大模型由平臺級公司設(shè)計，車企負責掌握標注規(guī)則，并將后續(xù)人工審核交給另外的第三方，拿回標注好的數(shù)據(jù)之后，自己進行訓練。通過任務拆解，讓自己處于自動駕駛價值鏈的核心地位。避免在關(guān)鍵技術(shù)上受制于人，也不用被迫接受由某個供應商提出軟硬一體的解決方案。

　　總而言之，大模型的興起又引起了掌握智能駕駛的新勢力的一場狂歡，作為筆者始終認為想要在L4級別的自動駕駛領(lǐng)域走到最后，必須是智駕、車身一起抓，特斯拉已經(jīng)為后來者指明了方向，在大模型時代到來之際，也將拉開新勢力與傳統(tǒng)造車廠的進一步差距。

　　04

　　總結(jié)

　　在未來，汽車的終極形態(tài)必然是一個行走的智能終端，大模型的火熱也帶動了智駕在汽車上的部署落地，使得L4甚至更高級別的自動駕駛成為了可能。

　　縱然很多人認為corner case對于自動駕駛來說將成為約束其發(fā)展的阻礙，但隨著時間發(fā)展，采集到的極端場景數(shù)據(jù)越來越多，越來越全，總有一天可以讓大模型學習到所有的駕駛情況，而那時自動駕駛時代將真正到來，走在前列的智駕公司也將贏得先發(fā)優(yōu)勢。