GPT（生成式預(yù)訓(xùn)練大模型）出現(xiàn)后，迅速引發(fā)各行各業(yè)的關(guān)注，自動駕駛行業(yè)也開始探索GPT在自動駕駛領(lǐng)域的應(yīng)用及落地策略。

傳統(tǒng)自動駕駛模型是小模型+規(guī)則制，是問題導(dǎo)向形的。GPT大模型出現(xiàn)以后，變成大模型+大數(shù)據(jù)的形式，通過自動標(biāo)注的形式獲取數(shù)據(jù)，數(shù)據(jù)規(guī)模大，獲取速度快，成本低，變成了數(shù)據(jù)驅(qū)動。車企部署自動駕駛GPT需要分階段、分任務(wù)地解決相應(yīng)問題和挑戰(zhàn)。

由此，虎嗅智庫撰寫發(fā)布了《自動駕駛GPT對車企技術(shù)策略影響分析》，通過深入剖析GPT大模型對自動駕駛技術(shù)發(fā)展的影響，為車企布局自動駕駛技術(shù)提供有價值的應(yīng)對之策。

【資料圖】

本文為該報告核心觀點。

點擊文末【閱讀原文】查看完整版報告

能解決當(dāng)前哪些痛點問題？

首先，GPT大模型通過自動數(shù)據(jù)標(biāo)注技術(shù)，降低了數(shù)據(jù)獲取成本，加快了數(shù)據(jù)獲取速度。自動標(biāo)注技術(shù)可以將標(biāo)注成本降低約90%,這為自動駕駛技術(shù)的快速商業(yè)化應(yīng)用創(chuàng)造了條件。

其次，GPT大模型可以實時生成“活地圖”，預(yù)測被遮擋障礙物，有效解決自動駕駛中的corner case（極端情況）問題。基于transformer的BEV感知，可以將周圍環(huán)境信息融合，生成三維信息，為決策提供動態(tài)環(huán)境數(shù)據(jù),實現(xiàn)去高精地圖化并增強泛化能力，這可以顯著提高自動駕駛的安全性。

最后，GPT大模型具有強大的泛化能力，可以識別規(guī)則之外的新案例。傳統(tǒng)模型依靠規(guī)則制定，對規(guī)則之外難以應(yīng)對。GPT通過海量數(shù)據(jù)訓(xùn)練，可以根據(jù)泛化特征識別新案例，能識別新的案例。這樣使自動駕駛技術(shù)應(yīng)用于更為廣泛和復(fù)雜的場景中。

對當(dāng)前技術(shù)路線的影響

GPT大模型出現(xiàn)以前，行業(yè)對于漸進式和躍進式技術(shù)路線的選擇上是存在分歧的。躍進式技術(shù)路線以谷歌、百度為代表，通過收集路測數(shù)據(jù)訓(xùn)練自動駕駛模型，依托高精地圖實現(xiàn)L4級自動駕駛。

GPT大模型出現(xiàn)以后，漸進式智能駕駛方案逐漸成為主流路線。依托于高精地圖的L4級躍進式技術(shù)路線逐漸被行業(yè)舍棄，基于Transformer+BEV的漸進式成為自動駕駛主流技術(shù)路線，這套技術(shù)路線不依賴于高精地圖。原因在于，基于Transformer的BEV感知技術(shù)，可以將動態(tài)物體、靜態(tài)物體統(tǒng)一坐標(biāo)系，通過 Occupancy網(wǎng)絡(luò)避開不需要識別或識別不出的物體，再通過NeRF技術(shù)對三維駕駛場景進行還原，預(yù)測出后續(xù)決策所需要的道路拓撲信息，實現(xiàn)去高精地圖化。

這個過程中，與其說是去高精地圖，不如說是通過Transformer+BEV感知方式實時生成即時高精地圖，擺脫了對第三方供應(yīng)高精地圖的依賴。

“四步走”策略

車企部署自動駕駛GPT需要分階段，分任務(wù)的解決相應(yīng)問題和挑戰(zhàn)。綜合無人駕駛智能化程度和大模型部署位置，落地的過程總體可分為“四步走”。

第一步，云端部署自動駕駛GPT大模型。通過海量數(shù)據(jù)訓(xùn)練實現(xiàn)自動標(biāo)注，降低數(shù)據(jù)獲取成本，解決corner case問題，覆蓋各類駕駛場景。這一階段云端模型不斷迭代訓(xùn)練，性能逐步提高。

第二步，將訓(xùn)練有素的云端模型部署至車端，實現(xiàn)車端模型部署。車端模型仍需云端模型指導(dǎo)，屬車云協(xié)同階段，云端模型主導(dǎo)。車端數(shù)據(jù)回傳云端，實現(xiàn)模型聯(lián)合訓(xùn)練與優(yōu)化。這一階段智能駕駛為人類駕駛賦能，未達無人駕駛。

第三步，進入車云協(xié)同階段，車端模型主導(dǎo)。云端與車端模型協(xié)作，車端數(shù)據(jù)實時回傳云端，實現(xiàn)高效計算與存儲。車端芯片成本降低但算力有限，需要云端支持。這一階段車企實現(xiàn)自動駕駛產(chǎn)品車端自主部署，車云協(xié)同帶來更廣場景應(yīng)用。

第四步，自動駕駛技術(shù)成熟，車端可以自主部署模型，實現(xiàn)真無人駕駛。自動駕駛方案選擇更加靈活，由用戶根據(jù)需求選擇。這標(biāo)志產(chǎn)業(yè)鏈各方技術(shù)水平顯著提高，自動駕駛產(chǎn)品極具個性化，成為消費市場主流，開創(chuàng)出行新模式。

需要重點解決的問題

自動駕駛GPT模型從云端到車端的部署與應(yīng)用，需要重點解決三大問題：

1、云端訓(xùn)練成本高。GPT大模型需要海量數(shù)據(jù)與強大算力支持，以實現(xiàn)模型表現(xiàn)的突破。這需要建立大數(shù)據(jù)中心與云計算基礎(chǔ)設(shè)施，持續(xù)采集各類駕駛場景數(shù)據(jù)，輸入模型訓(xùn)練與迭代，相應(yīng)的成本也較高。如何快速獲取海量高質(zhì)量數(shù)據(jù)，并具備強大的云計算能力，是實現(xiàn)自動駕駛GPT云端部署的前提。

2、車端部署成本高。自動駕駛GPT模型部署至車端，需要專用的低成本高性能芯片作為支撐。隨著模型規(guī)模擴大，所需芯片面積與成本也增加。而用戶對車載芯片增加的成本有一定心理預(yù)期，超出部分難以通過市場轉(zhuǎn)嫁。如何研發(fā)出專用于自動駕駛且低成本高性能的芯片，是車端部署的關(guān)鍵所在。

3、數(shù)據(jù)回傳及模型管理難度大。車端部署后的自動駕駛GPT模型需要車內(nèi)收集的數(shù)據(jù)回傳至云端，以實現(xiàn)模型的持續(xù)優(yōu)化。但數(shù)據(jù)回傳涉及數(shù)據(jù)的壓縮、脫敏與監(jiān)管等,較為復(fù)雜。同時,大規(guī)模模型在車端部署后，其涌現(xiàn)能力凸顯，如何約束模型行為，避免極端情況出現(xiàn)，也是需要重點考慮的問題。

結(jié)語

GPT大模型的出現(xiàn)為自動駕駛技術(shù)發(fā)展帶來新的機遇與挑戰(zhàn)。它不僅改變了自動駕駛的技術(shù)路徑，也在重塑產(chǎn)業(yè)生態(tài)，其應(yīng)用與落地需要整個產(chǎn)業(yè)鏈的共同推進與努力。加強基礎(chǔ)設(shè)施建設(shè)與技術(shù)創(chuàng)新，伴隨云計算、5G通信與芯片技術(shù)的發(fā)展，自動駕駛GPT將得以更快速度部署與應(yīng)用。

點擊《自動駕駛GPT對車企技術(shù)策略影響分析》閱讀完整報告內(nèi)容。

關(guān)于虎嗅智庫：

虎嗅智庫致力于推動產(chǎn)業(yè)數(shù)字化以及以“雙碳”轉(zhuǎn)型為代表的可持續(xù)發(fā)展，為參與這個進程的中國企業(yè)高管、政府相關(guān)決策服務(wù)。我們主要的服務(wù)手段主要為：研究型內(nèi)容（報告、分析文章、調(diào)研評選）、數(shù)據(jù)庫、線上線下活動與社群、定制型項目等。

我們提供的核心價值：

及時與優(yōu)質(zhì)的洞察，了解技術(shù)、了解行業(yè)、了解同行與對手；

為決策者技術(shù)與產(chǎn)品戰(zhàn)略決策、產(chǎn)業(yè)規(guī)劃、解決方案選型提供重要參考；

幫助市場全面了解前沿科技及所影響產(chǎn)業(yè)的發(fā)展?fàn)顩r，還有未來趨勢。