/?導(dǎo)讀?/

2022年行至年終，自動(dòng)駕駛波瀾再起。

先是大眾基本放棄自研，花了168億元聯(lián)姻中國(guó)初創(chuàng)企業(yè)地平線開發(fā)智駕系統(tǒng)，緊接著背靠福特、大眾的自動(dòng)駕駛明星公司ArgoAI宣布破產(chǎn)。

新歡燕爾時(shí)，舊愛(ài)難續(xù)緣。大眾、福特這些傳統(tǒng)主機(jī)大廠的改弦易轍，代表了自動(dòng)駕駛進(jìn)入新一輪洗牌期。完全無(wú)人駕駛的商業(yè)化困境日益凸顯，L4明星選手出現(xiàn)掉隊(duì)退賽，而輔助駕駛的漸進(jìn)式路線則高歌猛進(jìn)。

無(wú)外乎行業(yè)喊出了“自動(dòng)駕駛再無(wú)路線之爭(zhēng)”。

這一結(jié)論印證了，幾個(gè)月前一家成立僅3年的自動(dòng)駕駛初創(chuàng)公司毫末智行喊出的“輔助駕駛是通向自動(dòng)駕駛的必由之路”的觀點(diǎn)。

自動(dòng)駕駛產(chǎn)業(yè)其實(shí)已經(jīng)進(jìn)入跨越過(guò)Gartner技術(shù)曲線中后半程的成熟增長(zhǎng)周期。

在L4自動(dòng)駕駛路線的公司紛紛“降維”或者直接轉(zhuǎn)型輔助駕駛路線的現(xiàn)象背后，其實(shí)不僅僅是商業(yè)化路線的合流，背后同樣是自動(dòng)駕駛技術(shù)路線的合流。

面向無(wú)人駕駛的美好藍(lán)圖或者說(shuō)誘人前景，沒(méi)有一項(xiàng)技術(shù)如同自動(dòng)駕駛一樣如此跌宕起伏，飽受質(zhì)疑又被滿懷希望。

其中一個(gè)核心問(wèn)題就是首先走跨越式路線率先攻克無(wú)人駕駛百分百的安全性再走向商用，還是從輔助駕駛?cè)胧?，在人機(jī)共駕的情況下，讓自動(dòng)駕駛逐步聰明起來(lái)，再通向無(wú)人駕駛之境。

自動(dòng)駕駛演進(jìn)的天平逐步落到輔助駕駛這一路線上，其本質(zhì)就是在量產(chǎn)輔助駕駛的規(guī)模場(chǎng)景數(shù)據(jù)下，自動(dòng)駕駛技術(shù)正在進(jìn)入以數(shù)據(jù)驅(qū)動(dòng)下的多模態(tài)感知和可解釋場(chǎng)景化認(rèn)知為代表的3.0時(shí)代。

外行人看熱鬧，內(nèi)行人要看門道。我們可以從毫末智行、特斯拉兩家代表性的漸進(jìn)式玩家的技術(shù)干貨中，來(lái)理解自動(dòng)駕駛技術(shù)的合流之處。

本文主要涉及到9月份的兩場(chǎng)AIDAY上的技術(shù)布道的一些技術(shù)共識(shí)：

1、自動(dòng)駕駛算法進(jìn)入到合流階段，那就是深度學(xué)習(xí)在自動(dòng)駕駛當(dāng)中的應(yīng)用，從各種不同的網(wǎng)絡(luò)結(jié)構(gòu)的探索逐步收斂到Transformer為代表的大模型形態(tài)。

2、大模型的引入使得對(duì)于算力和數(shù)據(jù)的要求進(jìn)入到新的階段。那就是海量大數(shù)據(jù)的訓(xùn)練和云端大算力（超算平臺(tái)）的要求。

本文盡可能會(huì)用通俗易懂的語(yǔ)言來(lái)解釋這些自動(dòng)駕駛的底層技術(shù)，下面我們將從算法、數(shù)據(jù)和算力的角度來(lái)進(jìn)行介紹，告訴你基于數(shù)據(jù)驅(qū)動(dòng)和輔助駕駛路線的自動(dòng)駕駛技術(shù)為什么這么能打，并最有可能走向自動(dòng)駕駛的終局。

算法進(jìn)化：Attention大模型如何大力出奇跡

當(dāng)前自動(dòng)駕駛技術(shù)的出現(xiàn)和成熟落地，得益于新一輪人工智能技術(shù)，代表性技術(shù)就是以深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)為代表的AI算法的出現(xiàn)以及以GPU為代表的適合AI計(jì)算的專用芯片算力的爆炸式增長(zhǎng)。

從深度學(xué)習(xí)當(dāng)中發(fā)展出的各類神經(jīng)網(wǎng)絡(luò)，包括CNN卷積神經(jīng)網(wǎng)絡(luò)、RNN循環(huán)神經(jīng)網(wǎng)絡(luò)以及LSTM長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)等，開始廣泛應(yīng)用在圖像識(shí)別、機(jī)器視覺(jué)以及NLP自然語(yǔ)言處理等能力上，而這些能力又稱為自動(dòng)駕駛感知技術(shù)的基礎(chǔ)。

隨著AI算力的增長(zhǎng)，AI算法模型也出現(xiàn)了新的進(jìn)化，那就是出現(xiàn)了以Transformer、GPT3為代表的上千億參數(shù)規(guī)模的大模型。近兩年，以特斯拉、毫末智行為代表的領(lǐng)先的自動(dòng)駕駛技術(shù)公司率先將Transformer應(yīng)用到自動(dòng)駕駛的感知算法當(dāng)中，取得一些明顯進(jìn)步。

簡(jiǎn)單來(lái)說(shuō)，Transformer大模型的核心是Attention注意力機(jī)制，它可以通過(guò)簡(jiǎn)單的注意力模塊實(shí)現(xiàn)規(guī)模的堆疊，并從輸入的大量數(shù)據(jù)自身之間的相關(guān)性來(lái)完成特征編碼。這一特性就特別適合融合自動(dòng)駕駛感知數(shù)據(jù)的不同位置、先后時(shí)序下的時(shí)空特征。

理解這些基礎(chǔ)信息后，我們就可以來(lái)看下毫末和特斯拉這次發(fā)布的最新技術(shù)思路。首先是BEV感知的引入。所謂BEV感知就是鳥瞰視角下的場(chǎng)景感知，也就是采取多傳感器特征融合的策略，將多個(gè)傳感器所生成的特征放到統(tǒng)一的坐標(biāo)系下，形成一個(gè)以自車為中心的俯視視角，仿佛我們?cè)谫愜囉螒虻纳系垡暯窃陂_車一樣，可以掌控車輛周圍全局的狀況。

特斯拉解決的問(wèn)題就是使用Transformer模型中的自注意力機(jī)制來(lái)實(shí)現(xiàn)多個(gè)相機(jī)所拍攝的視角的融合。而毫末也設(shè)計(jì)出自己的BEV Transfomer模型，采用多相機(jī)融合，并加入時(shí)序特征，來(lái)進(jìn)行車道線的識(shí)別。同時(shí)，9月份的AIDAY上，毫末也提出采用對(duì)人類世界的交互信息，即判斷周圍車輛的轉(zhuǎn)向、剎車燈信息來(lái)增強(qiáng)感知判斷。

而在今年10月1日的Tesla AI Day上，特斯拉展示了BEV感知的升級(jí)版本：Occupancy network，也被稱為占據(jù)柵格網(wǎng)絡(luò)。簡(jiǎn)單理解就是在原有BEV的二維網(wǎng)格上升級(jí)為三維網(wǎng)格，即加入了高度信息，使得FSD的感知系統(tǒng)看到的世界更像一個(gè)《Minecraft》里的立體空間。

這樣只要感知視野內(nèi)出現(xiàn)障礙物就會(huì)出現(xiàn)在三維網(wǎng)格中，得到其位置和速度信息，而常見的車輛、行人、建筑物等還會(huì)被給出語(yǔ)義信息，而不常見的物體即便沒(méi)有語(yǔ)義信息，也因?yàn)檎紦?jù)了網(wǎng)格也就不會(huì)被感知系統(tǒng)“忽視”而出現(xiàn)遺漏風(fēng)險(xiǎn)。

特斯拉的厲害之處是通過(guò)深度神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制，僅靠多相機(jī)融合而成的BEV感知就升級(jí)為占據(jù)柵格網(wǎng)絡(luò)，達(dá)到媲美激光雷達(dá)所直接繪制出的三維信息，同時(shí)還包含了視覺(jué)提供的稠密的語(yǔ)義信息。

對(duì)于國(guó)內(nèi)的自動(dòng)駕駛團(tuán)隊(duì)來(lái)說(shuō)，還需要依靠激光雷達(dá)與相機(jī)的多模態(tài)感知融合，來(lái)達(dá)到類似占據(jù)柵格網(wǎng)絡(luò)的效果。

但無(wú)論是特斯拉的純視覺(jué)感知還是毫末所使用的多模態(tài)傳感器融合感知，都在引領(lǐng)“重感知、輕地圖”的路線，也就是不再依賴預(yù)制高精度地圖這種構(gòu)建成本高、應(yīng)用范圍小的先驗(yàn)感知條件。通常來(lái)說(shuō)，高精地圖是L4無(wú)人駕駛和部分車企推出城市場(chǎng)景輔助駕駛產(chǎn)品的標(biāo)配。

如果不依賴高精地圖給出的清晰的車道線信息，那僅憑借基礎(chǔ)的導(dǎo)航地圖（Navigation Map）的拓?fù)湫畔⒆龅缆分敢↙ane Guidance）。在這里，特斯拉也使用了Transformer的語(yǔ)言模型Vector Lane對(duì)車道線進(jìn)行空間上的感知。毫末與特斯拉類似，采用了弱引導(dǎo)的方式，再用時(shí)序的transformer模型在BEV空間上做了虛擬實(shí)時(shí)建圖，通過(guò)這種方式讓感知車道線的輸出更加準(zhǔn)確和穩(wěn)定。

在認(rèn)知模塊，特斯拉和毫末也給出了“大同小異”的解決方案。所謂認(rèn)知，就是自動(dòng)駕駛系統(tǒng)要對(duì)感知結(jié)果的預(yù)測(cè)、決策和規(guī)劃，也就是解決自車要怎么走，要加速還是減速，變道還是剎停，最終給車輛發(fā)出一個(gè)行動(dòng)的指令。而在實(shí)際的行車過(guò)程中，這些動(dòng)作都是發(fā)生在毫秒之間并且是連續(xù)的。

特斯拉當(dāng)前的作法是通過(guò)對(duì)感知模塊信息的判斷得到一個(gè)可行的軌跡空間，再采用增量決策樹搜索等優(yōu)化算法來(lái)確定最優(yōu)的軌跡。在這一過(guò)程中還要加入對(duì)占據(jù)網(wǎng)絡(luò)中遮擋區(qū)域的動(dòng)態(tài)物體的預(yù)測(cè)，以避免發(fā)生“鬼探頭”這類的碰撞風(fēng)險(xiǎn)。

而毫末的解決思路是讓車輛的運(yùn)動(dòng)模擬人駕，像人類一樣實(shí)現(xiàn)在安全基礎(chǔ)上更高效、舒適的決策和規(guī)劃。具體來(lái)說(shuō)，毫末正在原有的分場(chǎng)景微模型方法的基礎(chǔ)上，引入大模型的處理方式。

為此，毫末建立了一個(gè)海量的認(rèn)知場(chǎng)景庫(kù)，對(duì)海量的人駕數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，基于典型場(chǎng)景挖掘海量司機(jī)的實(shí)際駕駛行為，構(gòu)建一個(gè)taskpromt，即訓(xùn)練基于時(shí)空Attention的駕駛決策預(yù)訓(xùn)練大模型，使得自動(dòng)駕駛決策更像人類實(shí)際駕駛行為，以保證實(shí)現(xiàn)自動(dòng)駕駛決策的可控、可解釋。這樣通過(guò)模擬人駕來(lái)定義目標(biāo)和求解的最優(yōu)行為，可以充分發(fā)揮數(shù)據(jù)優(yōu)勢(shì)。

至此，我們可以看到，兩家自動(dòng)駕駛公司在感知和認(rèn)知算法的進(jìn)化，主要得益于AI大模型的使用，而大模型的背后離不開對(duì)于海量數(shù)據(jù)以及算力的需求。

3.0時(shí)代，縱享絲滑的“數(shù)據(jù)自由”是如何煉成的？

在今年9月的毫末AIDAY上，毫末CEO顧維灝提出了自動(dòng)駕駛技術(shù)正在邁入以數(shù)據(jù)驅(qū)動(dòng)為標(biāo)志的3.0時(shí)代。

因?yàn)檫@個(gè)概念過(guò)于概況，很容易被誤解。其實(shí)，對(duì)于自動(dòng)駕駛來(lái)說(shuō)，數(shù)據(jù)一直以來(lái)都是無(wú)比重要的，但是過(guò)去十年的技術(shù)發(fā)展，Attention大模型的應(yīng)用，使得數(shù)據(jù)在今天成為更為決定性的因素。

對(duì)于特斯拉，從 2015 年轉(zhuǎn)向自動(dòng)駕駛自研之時(shí)，就確定了基于“數(shù)據(jù)迭代”的算法架構(gòu)，而毫末智行，從3年前成立之初，也確定了基于數(shù)據(jù)驅(qū)動(dòng)自動(dòng)駕駛進(jìn)化的數(shù)據(jù)智能體系，并且把數(shù)據(jù)處理的效率與成本當(dāng)成是技術(shù)進(jìn)化的第一性原理。

對(duì)于自動(dòng)駕駛的技術(shù)進(jìn)化，數(shù)據(jù)的標(biāo)注、系統(tǒng)的仿真以及數(shù)據(jù)處理是至關(guān)重要的，最終的目標(biāo)就是要實(shí)現(xiàn)在成本和效率下的“數(shù)據(jù)自由”。

特斯拉在數(shù)據(jù)標(biāo)注上，曾在2021年透露過(guò)有一個(gè)上千人的標(biāo)注團(tuán)隊(duì)，而在經(jīng)歷了今年的裁員風(fēng)波后，這次的AI Day上更進(jìn)一步強(qiáng)調(diào)了自動(dòng)化標(biāo)注的優(yōu)化。通過(guò)自動(dòng)標(biāo)注技術(shù)，特斯拉將訓(xùn)練場(chǎng)景的標(biāo)注速度大幅提升。

毫末同樣在使用人工標(biāo)注的同時(shí)，采用了自動(dòng)化標(biāo)注和自監(jiān)督學(xué)習(xí)的方式來(lái)進(jìn)行數(shù)據(jù)的標(biāo)注。為了在自動(dòng)駕駛系統(tǒng)中應(yīng)用Attention大模型，毫末在MANA中引入無(wú)數(shù)據(jù)標(biāo)注的自監(jiān)督學(xué)習(xí)。MANA采用基于BEV框架下的3D空間一致性的自監(jiān)督訓(xùn)練，更有效迫使模型理解道路場(chǎng)景的三維結(jié)構(gòu)，從而更好的適應(yīng)自動(dòng)駕駛的各種感知任務(wù)需求。相比只用標(biāo)注樣本做訓(xùn)練，訓(xùn)練效率可提升3倍以上，同時(shí)精度有顯著提升。

在數(shù)據(jù)系統(tǒng)的仿真上，特斯拉和毫末都非常的重視。其中，特斯拉這一次AI Day上放出了大招。給出了示例是通過(guò)僅僅2周的時(shí)間就將舊金山的大部分道路場(chǎng)景做到仿真環(huán)境里。據(jù)介紹，這是采用了游戲中的虛幻4引擎來(lái)完成的，支持隨機(jī)建筑物、隨機(jī)環(huán)境、隨機(jī)車道線、隨機(jī)天氣與路面狀態(tài)、隨機(jī)軌跡的生成。這意味著，針對(duì)特殊路況的corner case，特斯拉有能力通過(guò)低時(shí)間成本的數(shù)據(jù)驅(qū)動(dòng)的方法，做到快速仿真，訓(xùn)練和驗(yàn)證。

而毫末的目標(biāo)是如何讓仿真更真實(shí)。他們的思路是完成這樣三層的仿真系統(tǒng)構(gòu)建。一是基礎(chǔ)仿真能力、仿真環(huán)境和運(yùn)動(dòng)的基礎(chǔ)能力，主要衡量精準(zhǔn)性；一個(gè)構(gòu)建場(chǎng)景的能力，主要看效率；最后是定義場(chǎng)景的能力，主要看有效性。前面兩個(gè)說(shuō)的是仿真場(chǎng)景的真實(shí)、效率，最后則是看場(chǎng)景定義的有效性，即能不能真正幫助提升自動(dòng)駕駛的實(shí)際通過(guò)能力。

為此，毫末與阿里以及德清政府合作，利用路段設(shè)備記錄的真實(shí)交通流實(shí)景數(shù)據(jù)進(jìn)行仿真訓(xùn)練，比車輛采集更豐富，對(duì)路口通過(guò)能力提升幫助很大。為避免高重復(fù)度的場(chǎng)景，MANA使用自己提出的“交通環(huán)境熵”模型來(lái)計(jì)算場(chǎng)景價(jià)值，挑選出高價(jià)值場(chǎng)景轉(zhuǎn)化為仿真測(cè)試用例。這樣就大大提高了整個(gè)產(chǎn)品的通過(guò)性。

在大規(guī)模真實(shí)場(chǎng)景數(shù)據(jù)的處理上，特斯拉和毫末同樣有各自的獨(dú)到方案。提到特斯拉的數(shù)據(jù)引擎，就不得不提特斯拉在量產(chǎn)車上的影子模式（Shadow Mode），當(dāng)特斯拉車輛上的觸發(fā)器（Trigger）發(fā)現(xiàn)一些異常模式（corner case）時(shí)，影子模式就會(huì)記錄，一些通過(guò)清洗，生成驗(yàn)證集。而一些通過(guò)離線的自動(dòng)標(biāo)注算法，生成對(duì)應(yīng)的標(biāo)簽。當(dāng)這些真實(shí)數(shù)據(jù)+標(biāo)簽準(zhǔn)備就緒，再混合仿真數(shù)據(jù)，以及經(jīng)過(guò)手動(dòng)校準(zhǔn)的數(shù)據(jù)，共同構(gòu)成的訓(xùn)練數(shù)據(jù)集，用于訓(xùn)練車端模型。

毫末是如何處理海量新增的采集數(shù)據(jù)呢？如果采用原有的訓(xùn)練方案，即把新數(shù)據(jù)加入到舊數(shù)據(jù)當(dāng)中，把神經(jīng)網(wǎng)絡(luò)重新再訓(xùn)練一遍，不僅費(fèi)時(shí)費(fèi)力，還成本巨大。對(duì)于自動(dòng)駕駛企業(yè)來(lái)說(shuō)是不可承受之重。因此，毫末提出采用增量學(xué)習(xí)的方式來(lái)更加有效的利用新數(shù)據(jù)。

在訓(xùn)練過(guò)程中，抽取部分存量數(shù)據(jù)加上新數(shù)據(jù)組合成一個(gè)混合數(shù)據(jù)集，在限定數(shù)據(jù)規(guī)模的前提下，盡可能多的保持其中所包含的信息量。在模型上，要求新模型和舊模型的輸出保持盡量一致，同時(shí)盡可能地?cái)M合新數(shù)據(jù)，這樣就在規(guī)模巨大的存量數(shù)據(jù)中讓模型保持對(duì)新場(chǎng)景的敏感。按照毫末這種增量學(xué)習(xí)的方式，整體算力可以節(jié)省 80%。

最終數(shù)據(jù)驅(qū)動(dòng)的技術(shù)路線使得自動(dòng)駕駛正在進(jìn)入超算時(shí)代。特斯拉顯然是開風(fēng)氣者。

眾所周知，特斯拉不僅自研了車端的專屬自動(dòng)駕駛FSD芯片，還在去年宣布自研出了專門用于自動(dòng)駕駛訓(xùn)練的云端AI芯片D1以及計(jì)算中心Dojo。而在這一年時(shí)間里，特斯拉已經(jīng)經(jīng)歷了14個(gè)版本的迭代，將這個(gè)超算中心做了出來(lái)。

根據(jù)特斯拉的計(jì)劃，2023年第一季度將部署第一臺(tái)ExaPOD超級(jí)計(jì)算機(jī)，算力高達(dá)1.1EFLOP，其中的一個(gè)DOJO POD就可以提供 108PFLOPS 算力的深度學(xué)習(xí)性能。特斯拉的目標(biāo)就是讓Dojo不斷突破限制，成為AI訓(xùn)練方面最強(qiáng)的超算系統(tǒng)。

與此同時(shí)，像小鵬、毫末等國(guó)內(nèi)的自動(dòng)駕駛公司也在迎頭追趕，紛紛建立自己的超算中心。

據(jù)毫末發(fā)布的計(jì)劃來(lái)看，其超算中心的目標(biāo)是滿足千億參數(shù)大模型，處理數(shù)據(jù)規(guī)模百萬(wàn)clips。

此外，毫末將基于海量數(shù)據(jù)建立增量學(xué)習(xí)引擎，結(jié)合稀疏激活、算子深度優(yōu)化等技術(shù)持續(xù)優(yōu)化訓(xùn)練成本?？梢灶A(yù)見，自動(dòng)駕駛將投入更大量資源在云端的訓(xùn)練上面，而訓(xùn)練效率提升和成本優(yōu)化始終是建設(shè)超算中心的主要目標(biāo)。

結(jié)合以上的詳盡介紹，我們可以看到特斯拉和毫末在技術(shù)路線上存在很多的共識(shí)。

首先最重要的就是根本技術(shù)路線的合流，也就是對(duì)于Attention機(jī)制的大模型的使用，比如在感知策略中都采用的BEV感知融合，從而形成了以視覺(jué)融合為主的“重感知、輕地圖”路線。特斯拉和毫末都提出在感知模型建模后再加入導(dǎo)航地圖中的拓?fù)潢P(guān)系，以此降低對(duì)高精度地圖的依賴。這一策略正在得到來(lái)自華為、小鵬等高精地圖路線玩家的積極響應(yīng)，表示在未來(lái)的城市拓展中會(huì)考慮無(wú)高精地圖下的開放。這無(wú)疑對(duì)自車感知能力有了更高的要求，反過(guò)來(lái)看也對(duì)于單車自動(dòng)駕駛能力的提升形成了鞭策的效應(yīng)。

其次是對(duì)于數(shù)據(jù)處理和高效模型訓(xùn)練的重視。出于對(duì)覆蓋海量真實(shí)道路場(chǎng)景的大模型訓(xùn)練，就需要大量仿真訓(xùn)練。特斯拉和毫末在這一點(diǎn)上都非常重視通過(guò)對(duì)真實(shí)世界的仿真來(lái)快速的測(cè)試模型，收集失效場(chǎng)景，從而提高模型迭代的效率。而出于數(shù)據(jù)閉環(huán)下的模型迭代，兩家都在超算中心和云端訓(xùn)練上投入了大量的資源。

技術(shù)合流下，自動(dòng)駕駛柳暗花明

講了這么多的技術(shù)干貨，我們其實(shí)是可以回應(yīng)開頭看到的行業(yè)狀況：為什么當(dāng)前自動(dòng)駕駛產(chǎn)業(yè)會(huì)面臨多次的挫折，為什么又有大量玩家可以信心滿滿加快發(fā)展？

在數(shù)據(jù)驅(qū)動(dòng)成為自動(dòng)駕駛產(chǎn)業(yè)趨勢(shì)的當(dāng)下，AI大模型、自動(dòng)標(biāo)注、仿真、超算中心，正在成為各個(gè)玩家都在擁抱的技術(shù)共識(shí)。

在這種技術(shù)合流的新階段，車隊(duì)規(guī)模帶來(lái)的數(shù)據(jù)規(guī)模，以及充足的超算基礎(chǔ)設(shè)施資源、高效的超算訓(xùn)練，將成為決定自動(dòng)駕駛系統(tǒng)進(jìn)化速度的核心因素。

自動(dòng)駕駛技術(shù)一直存在著L4無(wú)人駕駛路線和從L2進(jìn)發(fā)的輔助駕駛路線。

L4無(wú)人駕駛路線的目標(biāo)是要在確保解決百分百安全問(wèn)題下實(shí)現(xiàn)無(wú)人駕駛，因此會(huì)對(duì)自動(dòng)駕駛的測(cè)試范圍、測(cè)試場(chǎng)景、感知冗余、先驗(yàn)知識(shí)提出更高要求。這一特點(diǎn)帶來(lái)的弊端就像是在溫室中培養(yǎng)的花朵，雖然看起來(lái)艷麗奪目，但是缺乏移栽到室外的適應(yīng)能力。因此難以打破限定區(qū)域，也難以形成規(guī)模商業(yè)化。遙遙無(wú)期的商業(yè)化，使得大量L4自動(dòng)駕駛公司陷入燒錢黑洞，無(wú)法形成正向循環(huán)。

數(shù)據(jù)能力和商業(yè)化規(guī)模，成為制約L4路線玩家的根本瓶頸。越來(lái)越多的L4玩家已經(jīng)或轉(zhuǎn)移、或擴(kuò)展到了L2領(lǐng)域，開始為量產(chǎn)車打造輔助駕駛系統(tǒng)。之前的Cruise、現(xiàn)在的ArgoAI都是這一趨勢(shì)下的代表。一些玩家的退賽正是行業(yè)進(jìn)入常態(tài)化增長(zhǎng)發(fā)展的必然結(jié)果。

而從L2+輔助駕駛場(chǎng)景而來(lái)的自動(dòng)駕駛技術(shù)則走出了一條自我進(jìn)化的通路。那就是用戶的真實(shí)行駛提供海量場(chǎng)景數(shù)據(jù)，量產(chǎn)輔助駕駛實(shí)現(xiàn)商業(yè)閉環(huán)，數(shù)據(jù)驅(qū)動(dòng)下的自動(dòng)駕駛AI算法得到不斷升級(jí)，這樣自動(dòng)駕駛的閉環(huán)形成正向循環(huán)。

最后我們想說(shuō)。所謂撥云見日，就是只有讀懂了自動(dòng)駕駛技術(shù)合流的這一根本趨勢(shì)，我們才能在籠罩在當(dāng)下自動(dòng)駕駛行業(yè)的層層迷霧中，看到柳暗花明的新局面。

- End -