2022年自動駕駛繼續換擋提速。
特斯拉 2022 年 Q2 財報顯示，FSD Beta 版10萬名測試使用者累計行駛約 4200 萬英里，馬斯克預計如若今年底測試人數擴大到 100 萬，FSD Beta 累計行駛里程將很快突破 1 億英里。FSD全稱為Full Self-Drive即“完全自動駕駛”，馬斯克曾明確表示FSD是特斯拉的未來，也是特斯拉最重要的資產。不過特斯拉FSD被很多人認為是馬斯克在“畫餅”，因為L5級完全自動駕駛不可能在短期內落地。
在中國市場，自動駕駛“漸進式落地”呈現出更強的活力。工信部資料顯示，今年上半年 L2 級輔助駕駛乘用車新車市場滲透率達到 30%，同比增加 12。7%。在很多人印象中只有蔚小理等“新勢力”具備智慧駕駛能力，實際上傳統車企也不遑多讓，比如長城汽車8月銷售新車 88226 輛，其中智慧化車型佔比已提升至 85。59%。
除高級別智慧駕駛量產加速外，中國自動駕駛在法律法規、測試道路、商業場景等維度均取得突破，截至目前已有30多個城市出臺智慧網聯汽車道路測試管理辦法和實施細則，來自2022世界智慧網聯汽車大會的訊息顯示，全國開放各級測試公路超過7000公里，實際道路測試里程超過1500萬公里，自動駕駛出租車、無人巴士、自主代客泊車、幹線物流以及無人配送等多場景示範應用有序開展。
自動駕駛技術歷史悠久，不過一直到2010年前後才進入大眾視野，彼時谷歌、百度等科技巨頭入局這一賽道，掀起了延續至今的技術浪潮。而從技術演進路線來看，在全球範圍內自動駕駛技術都呈現出一個新的趨勢：不再是硬體或者軟體驅動，不再是測試道路下的資料驅動，而是以真實道路行駛場景為核心的資料驅動，這是自動駕駛3。0的標誌。
自動駕駛3.0時代來臨
今天看一家自動駕駛企業的技術實力，首先要看運營里程，如同晶片要看晶圓、儲存要看容量一樣，原因在於：自動駕駛本質上是AI技術，而AI運轉的核心邏輯是：將高質量資料不斷填餵給AI，AI透過自學習不斷進化，一家企業運營里程越多獲得的資料越多，既意味著智慧化程度越高，也表明其具有“久經真實場景考驗”的實力。
當前，全球範圍內有機會衝擊1億公里級運營里程俱樂部的有兩家企業：一個是特斯拉，基於百萬級車主的參與，其FSD累積行駛里程將衝向1億英里；另一個是毫末智行。在第六屆 HAOMO AI DAY 上，毫末智行董事長張凱透露，毫末智行使用者輔助駕駛行駛里程已突破 1700 萬公里，位列中國自動駕駛公司第一名，其預計到 2025 年，高級別輔助駕駛搭載率將超 70%。
毫末智行CEO 顧維灝在AI DAY 上提出，行業正在進入以資料驅動為核心的新時代：自動駕駛3。0時代。那麼，到底什麼是自動駕駛3。0？
硬體驅動的1。0時代：從谷歌等科技巨頭的初代無人車開始的自動駕駛1。0時代，硬體是核心驅動，基於傳統車型改裝的無人車上都遍佈著鐳射雷達等硬體，車尾箱藏著負責AI計算的主機等裝置，這一階段硬體就是自動駕駛的能力上限，特別是雷達感測器，其數量越多、效能越強，對應的自動駕駛智慧化程度就越高。
硬體驅動的自動駕駛問題顯著，一個是整車成本居高不下，改造成本動輒上百萬；另一個是智慧化程度較低，因為硬體迭代需要很長的週期，這一階段的無人車只能小範圍探索，未能走向大規模商用或量產，行駛里程在100萬公里內。
軟體驅動的2。0時代：2016年AlphaGo戰勝李世石後，以深度學習為基礎的AI技術大行其道，經歷多年硬體驅動的自動駕駛邁入軟體驅動時代。大算力中央計算晶片上車，在鐳射雷達感測器外，基於多路攝像頭實現機器視覺等新的感知模式日益流行，隨著邊緣計算發展雲也以多種形式參與其中，這些都大幅降低了單車成本，提升了智慧效果，自動駕駛里程逐漸增加至上千萬公里。
資料驅動的3。0時代：可被視作是2。0時代的延續，AI依然是核心技術，核心不同在於：AI對資料的要求發生了質變，“大模型”成為新的技術基石。
2021年，國外的微軟、英偉達、谷歌，國內的浪潮、華為和阿里……越來越多科技巨頭都在佈局AI大模型。深度學習高速發展十年來，AI進入工業化階段，其支撐更加廣泛普適的場景，要支撐更大更復雜的AI計算需求，要實現從弱人工智慧到強人工智慧的升級，傳統訓練模式已很難滿足，具有“巨量資料、巨量算力、巨量演算法”特性的AI大模型生逢其時，其本質是深度學習的“加強版”，透過給模型“填喂”大資料提高其自學習能力，進而具有更強的智慧程度。微軟CEO納德拉說：“深度學習在過去20年或10年取得了巨大進展，大模型將是下一個大事件”，此言非虛。
AI大模型支援“AI預訓練”，支援透過堆疊資料集“貪婪式訓練”，十分適合在自動駕駛上應用，包括感知、認知和決策。以大模型AI為核心技術，由真實道路資料驅動的自動駕駛3。0將有如下不同：
1、規模：圍繞真實道路場景，資料規模更大、多樣性更充分，行駛里程將邁進 1 億公里級。
2、感知：以大模型AI為基礎，雷達、視覺等感測器聯合工作，多模態共同輸出結果。
3、認知：在各類場景下模擬人的認知行為，結合人類的駕駛常識決策，提高行車舒適性。
4、模式：不再是人工強監督、強規劃、強介入的深度學習模式，而是基於大資料大模型的AI，海量大資料自訓練，基於資料通道和計算中心實現更高效的積累資料，將資料轉化為知識。
簡而言之，自動駕駛3。0時代依然是以AI技術為基礎，但內涵卻已發生變化：一個是大模型已取代傳統深度學習成為新的訓練模式，另一個是自動駕駛行駛里程邁上新臺階，資料越來越“大”，這給大模型驅動的自訓練自動駕駛創造了條件，極大地加速了自動駕駛的落地程序，而當自動駕駛行駛里程從百萬到千萬再到一億規模以上時，量變也將引發質變。
3.0將是少數派的遊戲
相較於1。0時代與2。0時代而言，3。0時代的自動駕駛的核心邏輯已發生變化，舞臺中央的玩家將會大幅減少，原因如下：
第一，自動駕駛3。0是資料驅動，更是“真實場景下的海量大資料驅動”。
正如前文所言，自動駕駛3。0的基礎是AI大模型，這需要足夠“大”的資料，包括里程規模、多樣性等。一個重要的細節是：毫末智行、特斯拉公佈的是“運營里程/行駛里程”，還有一些企業公佈的是“測試里程”，此“里程”非彼“里程”，就算有些企業的測試里程資料高於毫末、特斯拉的運營里程/行駛里程，但價值卻相去甚遠。
前些年自動駕駛企業普遍公佈測試里程資料，因為其車輛只能在部分開放測試道路上跑，這樣的資料越到後面價值越小，因為自動駕駛技術有著“長尾效應”，正如交通運輸部公路科學研究院中心主任周煒所言：“自動駕駛也有長尾效應，比如說自動駕駛智慧車輛測試，測試50天內能夠發現99。9%的問題，那0。1%的問題可能5000天未必能發現和解決。再從測試里程來說，在15萬公里測試時就能發現99。9%的問題，那0。1%的問題未必在15億公里中能發現和解決。”
要突破自動駕駛的長尾效應，就要不斷擴大道路行駛場景，最理想的狀況就是開放式道路，汽車能到的地方自動駕駛都能到。“漸進式落地路線”讓這一點變為現實，在這一路線下自動駕駛技術的形式是高級別輔助駕駛，可在開放式道路執行，當然，這又有一個前置條件：足夠的車參與進來。
特斯拉FSD可邁向1億英里行駛里程的前提是百萬級車主參與測試，其努力了幾十年才做到百萬+量產車下線，中國造車新勢力距離百萬量產都相去甚遠。
毫末智行的底氣在於其是“中國量產輔助駕駛規模化第一名”，其採取獨特的鐵三角發展模式：“場景化使用者體驗設計、AI 人工智慧技術、技術工程化能力三者的高度有效協同”，其用 2 年時間研發三代智慧駕駛系統HPilot，依託長城實現 10 餘款不同平臺車輛量產落地、全新車型複用開發，如魏牌摩卡、坦克 500等主流車型。HPilot3。0將在 2022 年內正式落地，將成為中國第一家真正量產城市 NOH 的高級別輔助駕駛產品。
簡言之，毫末智行依託量產落地能力掌握著使用者場景入口，擁有海量真實道路場景下的高質量、多樣化大資料，進而掌握了自動駕駛3。0時代的入場券。可斷言，自動駕駛技術的終極贏家一定是擁有真實道路場景的玩家，這也是為什麼一些頭部自動駕駛技術玩家要耗巨資下場造車。
第二，自動駕駛3。0跑真實場景，必須走“從輔助駕駛到自動駕駛的漸進式路線”。
自動駕駛路線有兩類：
一個是頂層設計面向完全自動駕駛形態，“一步到位”的躍進式路線，輕的是需要製作高精地圖讓自動駕駛“看得清”，重的則需要改造道路基礎設施，對紅綠燈乃至公路進行重建，以及在路側裝配相關的車路協同裝置，這一路線的好處是可直接進入到高級別自動駕駛階段，但建設成本高，建設週期長、維護成本不小，當下只在極少部分測試道路如某高速的一段落地。
另一個則是面向現有路網的輔助駕駛技術，跟傳統汽車共用一個交通體系的漸進式路線。這一路線不需要改造道路等基礎設施甚至不需要高精地圖，成本更低，門檻更低，難度更小，更利於大規模落地，但短板在於初期自動駕駛級別不高，先從L2起步。
“讓一部分車完全智慧起來”還是“讓車先智慧一點點”？特斯拉與毫末智行的選擇是第二點，這將更有利於其參與自動駕駛3。0的角逐，因為3。0的“資料驅動”需要的是“真實場景下的海量大資料”，要獲得對應資料，既要有量產能力下的使用者入口，還要有對應道路的真實行駛能力，而漸進式路線正是資料積累的最佳路徑。相反，採取“躍進式路線”的玩家受限於開放測試道路里程、道路智慧化改造程序等，在行駛里程上將會被極大地拉開差距。
張凱此前曾明確表示，毫末的世界觀在於從一開始就認定了要走漸進式發展路線。在AI DAY上其進一步明確輔助駕駛是通向自動駕駛的必由之路，因為“漸進式路線的量產時間更早，能夠快速形成規模化，從使用者真實使用場景中積累足夠多的資料。”相較於躍進式路線定向採集資料方式而言，漸進式採集資料的成本更低、質量更高。在毫末智行的實踐中，自動駕駛產品能力、規模資料獲取的成本和質量三者已形成正迴圈效應。
或許“讓一部分車完全智慧起來”的理想派玩家可推出更完美的自動駕駛解決方案，但機率很小且短期內看不到希望。而“讓車先智慧一點點”的玩家至少當前已經實現量產商用，且在資料的不斷積累中悄然進化，技術的成熟與商業的回報兩不誤，這也更符合商業本身的規律。
第三，自動駕駛3。0是強人工智慧，需要全新的演算法與算力基礎設施。
自動駕駛3。0依託AI大模型，而大模型具有“巨量資料、巨量演算法、 巨量算力”三大特徵，每一特徵都意味著AI大模型是門檻很高的技術競賽，對於任何企業包括巨頭來說，打造一個大模型都不是一件容易的事情，需要收集海量資料、需要採買海量算力、需要進行大量研發，金錢、時間、人力投入同樣“巨量”，正是因為此構建AI大模型的企業幾乎都是財力雄厚、技術強悍的巨頭——微軟甚至宣稱其用了價值10億美元的超級計算機來訓練其AI大模型。
在巨量資料層面，具備商用量產能力、使用者場景入口、真實道路場景的玩傢俱有顯著優勢，這一點毫末智行、特斯拉們優勢明顯。
在巨量演算法層面，毫末智行早已在準備。其早在去年 12 月的 AI DAY 上就釋出中國首個數據智慧體系 MANA，可對海量資料進行深度挖掘。在將AI大模型應用到自動駕駛上，毫末智行也已探索多時，據顧維灝介紹，毫末早在 2021 年 6 月就啟動了針對 transformer 大模型的研究和落地嘗試，基於過去一年多對訓練平臺的改造升級，資料規格和標註方法的切換準備， 針對感知、認知具體任務的模型細節探索，這給毫末在城市導航輔助駕 駛場景中打下了堅實基礎。
在AI DAY上，毫末智行基於“重感知、輕地圖”技術實踐，推出第一個重感知的城市輔助駕駛方案，透過AI大模型克服「城市道路養護頻繁」、「大型車輛密集」、「變道空間狹窄」、「城市環境多樣」等城市智慧駕駛難題。
在巨量算力層面，科技巨頭無疑具有先天優勢，但特斯拉、毫末們也在加速佈局。特斯拉在去年釋出了超級計算機 Dojo，毫末智行的解決方案是超算中心，其發現隨著 Attention 大模型的應用，自動駕駛對算力的需求已遠遠超出摩爾定律，這導致大模型訓練成本非常高，在終端裝置上落地尤其困難。針對此毫末佈局低碳超算，在去年 12 月就已宣佈在籌建自己的超算中心，此外其還透過改進車端模型、晶片設計和資料組織等方式讓AI大模型在自動駕駛場景更低成本的落地。
同時具備“真實場景下的海量大資料驅動”、“走從輔助駕駛到自動駕駛的漸進式路線”，“足夠強大的演算法與算力基礎設施”的玩家是鳳毛麟角，自動駕駛3。0註定是少數派的遊戲，當下，特斯拉與毫末智行是更具備相關特徵的玩家。
不過，即便步入1億公里行駛里程階段，自動駕駛要全面落地依然任重道遠。自動駕駛3。0實現就面臨著不少技術挑戰，正如顧維灝在AI DAY上所總結的那樣：
如何在自動駕駛領域應用大模型；
如何讓資料發揮更大的價值；
如何使用重感知技術解決現實空間理解問題；
如何使用人類世界的互動介面；
如何讓模擬更真；
如何讓自動駕駛系統運動起來更像人。
攻克這些難題，也將是毫末等自動駕駛3。0主流玩家接下來的重任。
寫在最後：
自動駕駛是未來已成為科技、汽車、交通等產業的共識，但到底怎樣實現？自動駕駛將以何種姿態走向大眾？行業一直沒有統一答案，這些年來，各路玩家摸著石頭過河，探索不同路線，共同推動著自動駕駛技術的進化。
那麼，到底什麼才是自動駕駛的終局？現在看來，不論是特斯拉首次提出的“資料閉環”，還是毫末智行率先喊出的“資料驅動的3。0時代”，都在讓爭議逐漸變為共識，自動駕駛的未來圖景也更加清晰：在真實道路場景的海量大資料驅動下，以大模型等AI新技術為基石，讓演算法自訓練不斷進化，進而讓車像司機一樣思考，讓完全自動駕駛不再遙遙無期。基於此，到底要走漸進式路線還是躍進式路線，到底要採取“強感知、輕地圖”還是“感知融合 + 高精地圖”的技術方案，行業也將很快形成更大的共識。