数据驱动时代，自动驾驶行业面临哪些挑战

电子发烧友网报道（文/李弯弯）中国已经成为全球智能汽车的主战场，根据Canalyst数据，中国市场占全球智能汽车总市场的57%，中国智能汽车市场渗透率已经达到总量的26%，无论是从销售占比，还是渗透率来看，中国智能汽车市场都大幅领先欧美。

在日前的第六届HAOMO AI DAY上，毫末智行董事长张凯表示，从2020年到今年6月，中国市场高级别辅助驾驶搭载率持续快速提升，特别是今年上半年，高级别辅助驾驶的前装搭载率达到26.64%，预计到2025年，中国高级别辅助驾驶搭载率超过70%，前景可期。

自动驾驶技术进入数据驱动时代

结合技术发展的规律，毫末智行CEO顾维灏认为可以将近十年自动驾驶技术的发展分成三个阶段：自动驾驶1.0时代，主要是硬件驱动；自动驾驶2.0时代，主要是软件驱动；自动驾驶3.0时代，重点则是数据驱动。这几个阶段有何区别呢？

在硬件驱动时代，在感知上，主要靠激光雷达，线束多，个数多，能力就强；在认知上，基本使用人工规则来实现。由于车辆成本比较高，所以车辆数量有限，同时技术效果一般，导致自动驾驶里程规模比较少，在100万公里左右。

在软件驱动时代，有更大算力的中央计算芯片，车辆搭载的车规传感器个数在快速增加，AI在智能驾驶车上的应用更广泛。在感知上，各传感器各自为战，用一些小模型和少量数据做训练，得到单个传感器的识别结果，然后进行感知结果融合；在认知上，依然是人工规则为主。由于整体成本的下降和效果的提升，自动驾驶里程快速增加，达到上千万公里。

在数据驱动时代，则主要是数据自己训练自己。在感知上，用多个传感器、不同模态传感器的原始数据联合输出感知结果；在认知上，通过大量人驾数据抽取可解释的场景化驾驶常识，在配以AI的实时计算，可以更加拟人化的融入社会交通流中。这个阶段训练的方式发生了改变，主要从小模型、少数据，转成大模型和真正的大数据。

顾维灏谈到，毫末智行正在冲刺自动驾驶3.0时代，现阶段所有的一切都是为了能够做出数据通道和计算中心，以便更高效的获取数据，并把数据转化为知识。

经过过去近三年的发展，毫末已经在中国量产自动驾驶领域取得领先地位，数据规模正在快速增加，目前用户使用毫末辅助驾驶产品所产生的辅助驾驶里程，已接近1700万公里。其数据智能体系MANA的学习时长已经超过31万小时，虚拟驾龄达到4万年。末端物流自动配送车也为附近用户运送了超过9万单的物资。数据的规模和多样性都在快速的增长。

1000天，穿越创业公司生死线

刚刚过去的1000天，毫末智行穿越了一家创业公司的生死线，从0到1，突破了重重技术和商业难关，包括大规模、多车型的自动驾驶量产难关；末端物流自动配送车用车成本高居不下的难关；在自动驾驶核心AI技术领域突破了大规模数据处理以及大模型算法应用难关。

2021年，毫末智行获得了中国量产自动驾驶第一名的称号。在乘用车领域，今年7月底魏牌拿铁 DHT-PHEV的上市，成为搭载毫末智行智能驾驶系统的第七款车型，与此同时，欧拉闪电猫、欧拉芭蕾猫、欧拉好猫、全新一代长城炮等车型也在陆续交付中。

今年8月26日成都车展发布的魏牌摩卡激光雷达版，是搭载毫末第三代智能驾驶系统HPilot3.0的首款车型。毫末的HPilot3.0具备打通高速、城市场景的高级别辅助驾驶的能力，将会在今年下半年正式交付。到今年年底，搭载毫末辅助驾驶系统的车型将达数十款。

在末端物流自动配送车领域，毫末在4月份发布了第二代末端物流自动配送车——小魔驼2.0。小魔驼2.0是业内首款面向商用市场的10万元级末端物流自动配送车，目前小魔驼2.0已经开始稳定量产交付，面向商超、物流行业客户。截至2022年9月，毫末智行与物美多点合作的小魔驼运营项目订单量已突破9万单。

自动驾驶行业面临的挑战

2022年自动驾驶行业的竞争已步入下半程，毫末在数据智能、城市场景辅助驾驶、末端物流自动配送方面，都取得了新进展。

在数据智能方面，中国首个自动驾驶数据智能体系MANA基本完成数据闭环，截止目前，MANA的学习时长超过31万小时，虚拟世界驾龄相当于人类司机的4万年的驾龄。

在乘用车辅助驾驶方面，中国首款大规模量产的城市NOH辅助驾驶系统，即“毫末HPilot3.0”即将交付，毫末的HPilot3.0具有重感知、轻地图、大算力的特点。2022年，其可落地区域预计将会覆盖10座城市，2023年计划HPilot3.0落地城市超过100个。目前已在北京、保定等区域开展最后阶段的量产冲刺。

在末端物流自动配送方面，毫末小魔驼2.0也正在陆续交付中，将很快进入最后一公里的末端物流配送及客户的商业场景当中。

同时，2022年下半年自动驾驶行业也面临几大挑战：首先是大规模自动驾驶数据上云；其次是大算力AI芯片的性能突围；第三是城市场景自动驾驶产品的量产突围。

面对重重挑战，张凯谈到，毫末总结了五大应对法则：一、智能驾驶产品开发要始终将安全放在首位；二、要用ToC的思维去做ToB的事，才能真正开发出C端市场接受的产品；三，挖掘出用户真实场景数据来进行数据驱动；四，实现感知智能与认知智能的高度一体化；五，以开放的心态赋能客户。

另外值得关注的是，毫末超算中心逐渐揭开面纱。训练大模型需要消耗巨大的算力，以训练一个千亿参数、百万个clips的大模型为例，需要上千GPU卡训练几个月时间，如何提升训练效率，降低训练成本，实现低碳计算是自动驾驶走进千家万户的一个关键门槛。

毫末筹备MANA超算中心的目标是，满足千亿参数大模型，训练数据规模100万clips，整体训练成本可以降低200倍。另外基于毫末场景库的精准数据，基于海量实车数据的增量学习，结合稀疏激活、算子深度优化等技术，持续优化训练成本。

小结

如今智能驾驶汽车渗透率正在快速提升，自动驾驶技术也在不断升级，从早期的硬件驱动、软件驱动，到数据驱动，而大模型、大数据的使用，也让自动驾驶面临计算效率、成本等诸多问题，而这些也是接下来自动驾驶企业需要思考优化的问题。