作者 | Bruce

編輯 | 德新

數據是人工智能算法迭代的基石。

自動駕駛作為人工智能技術應用的典型場景，核心競爭將比拼自動駕駛的數據規模和質量。

“毫末經過接近三年的發展，目前已經是中國量產自動駕駛公司的第一名，數據規模正在快速增加。” 2022年9月13日，毫末智行CEO顧維灝在第六屆毫末AI Day上宣布。

這天是毫末智行成立的第1020天。

顧維灝認為，參照谷歌發布的AI自然語言處理模型PaLM所處理的數據規模，自動駕駛領域如果要更廣泛地應用 Attention大模型，所需的數據規模需要自動駕駛里程至少達到 1 億公里。

顧維灝將近十年的技術發展分成了三個階段：

自動駕駛 1.0 時代，最早的采用硬件驅動方式。特點包括自動駕駛運行里程100萬公里，感知主要依靠激光雷達，認知基于人工規則；

自動駕駛 2.0 時代，最近幾年出現的采用軟件驅動方式。特點有自動駕駛運行里程100萬-1億公里，感知依靠傳感器單獨輸出的結果，認知基于人工規則，開始出現基于小模型、小數據的技術模式；

自動駕駛 3.0 時代，即將發生并將持續發展的采用數據驅動方式。特點是，自動駕駛運行里程在1億公里以上，感知依靠多模態傳感器聯合輸出的結果，認知基于離線強化學習抽取駕駛常識，技術模式基于大模型、大數據。

對于毫末來說，將自動駕駛里程提升到1億公里，建立基于Attention大模型的AI自動駕駛處理模型，是進入自動駕駛3.0時代的重心。

背靠長城汽車，要迅速突破1億公里并非難事。

我們更看重的，是毫末在進入3.0時代后如何利用大模型、大數據加速迭代自動駕駛功能。

如果可以利用好大模型，毫末在智駕維度上超越蔚小理的勝負手很快就會出現。

1-過去1000天，毫末做了什么？

自動駕駛分為漸進式和跨越式，毫末走的是漸進式路線，并很早確定了“毫末模式”：

（領先的數據智能 * 穩定的量產能力 * 安全） ^ 生態

這一模式下，毫末取得了一系列戰績。

乘用車方面：

2021年，毫末輔助駕駛系統HPilot 1.0版搭載五款車，數萬臺規模。今年4月，搭載了第六款車型坦克500。

目前，搭載毫末輔助駕駛系統的車涉及魏牌、坦克、哈弗、歐拉多個長城子品牌，今年底將落地30款車型。

毫末輔助駕駛用戶行駛里程，截至今年9月達到1700萬公里；

毫末預計，2024年底，上車總量達到百萬量級。這意味著，屆時長城旗下的車基本上都會搭載毫末輔助駕駛系統，這對于輔助駕駛用戶行駛里程也會是一個重大提升。

商用車方面：

• 產品層面，毫末推出了末端物流自動配送車線控底盤小魔盤、配送車小魔駝、小蠻驢、魔袋20等產品；

• 合作層面，與美團、阿里、物美多點建立合作關系；

• 訂單層面，截至今年9月，小魔駝訂單量突破9萬單；

毫末還拿下了多個第一，比如：

• 發布了中國首個自動駕駛數據智能體系 MANA；

• 中國第一個大規模量產、重感知的城市NOH輔助駕駛系統；

• 中國第一個十萬元級末端物流自動配送車小魔駝 2.0。

毫末智行董事長張凱表示，MANA已經基本完成數據閉環，城市 NOH 輔助駕駛系統即“毫末 HPilot3.0” 9 月量產，今年可落地區域預計將會覆蓋10座城市，2023年我們的計劃是 HPilot3.0 落地城市超過100個。

此外，經過兩代小魔駝的持續迭代，目前小魔駝2.0已經兼具自動駕駛與平行駕駛的能力， 為全程無人接管提供了完備的方案。

一句話，毫末拿下了中國自動駕駛量產第一。

那么，取得這些成績背后的核心原因是什么？

在國內車企中，毫末很早就看清了自動駕駛進入數據驅動的終局，并且基于終局視角，一開始就搭建數據智能體系，也就是MANA。

毫末智行CEO顧維灝說，自動駕駛競爭進入了以數據驅動為主的3.0時代。

數據的重要性凸顯，尤其在城市高階智能駕駛競爭中，涉及復雜場景比如城市道路養護、變道空間狹窄等多種場景得到充分體現，此外數據還涉及多重感知融合、規控策略提升等。

毫末很清楚自己的優劣勢，劣勢是起步晚，優勢是后面有長城的百萬輛汽車做量產搭載后盾。在這種情況下，建立數據智能體系就成了重中之重。

據XEV研究所了解，搭建數據智能體系已經成為自動駕駛頭部玩家的共識。

搭建數據智能體系，就近可以優化規控策略，提升用戶使用輔助技術功能的體感。朝遠了說，是積累數據用來反哺優化感知算法，洞察用戶需求用來更好定義功能開發的關鍵。

對于數據的收集和處理的能力，是毫末在自動駕駛領域持續前進的核心。

2-毫末的核心，在自動駕駛領域應用大模型

解決了大部分高速場景后，自動駕駛的重心開始轉向城市場景。

顧維灝透露，城市場景的復雜性遠超毫末最早的預期，比如，城市道路經常不定時的養護；有的路段大型車輛密集，遮擋和截斷嚴重；周圍車輛的行為導致自車變道空間狹窄，變道困難；還經常遇到打開的車門等等。

解決城市場景問題，本質上即是解決更大規模的數據處理問題。

一方面，需要有效地將數據規模轉化為模型效果。

業界常用的方式是監督學習，在遇到更大規模的數據時，樣本標注的時間成本和費用成本會變得很高。

毫末的方式是將所有感知任務backbone進行統一，然后利用無標注數據對統一backbone進行預訓練，模型剩余的部分再用標注樣本進行訓練。

顧維灝說，做Backbone的預訓練這種方式比只用標注樣本做訓練，效率可以提升3倍以上，同時精度也有顯著的提升。

另一方面，在數據規模增加后，需要繼續保持巨量數據規模下對自然界數據分布遵循長尾分布形態。

簡單來說，就是在處理好頭部場景數據的基礎上，兼顧腰尾部場景數據。

由于深度學習的訓練過程是擬合數據分布的過程，更擅長處理頭部場景，對腰尾部場景的處理效果并不好。所以，業界常用的方式是用全量數據再次精細的訓練模型，但是這種做法的成本高而且效率低。

毫末的做法是，構造一個增量式的學習訓練平臺。訓練過程中不再無差別地去優化所有參數，而是選擇“有偏見”的參數進行定點優化，并動態觀察模型的擬合能力，適時地擴充模型的參數規模。

顧維灝說，相比常規做法，這一方式達到同樣的精度可以節省 80% 以上的算力，收斂時間也可以提升 6 倍以上。

與常見的由攝像頭、激光雷達、高精地圖組成的自動駕駛方案不同，毫末采用了重感知輕地圖的技術路線。

“城市場景里的道路環境發生變化的頻率遠遠高于高速場景，如果把地圖看作一個傳感器的話，那么這個傳感器的置信度是有些問題的。”顧維灝說。

毫末的解決方案是，使用 Transformer 建立強感知的時空理解能力，用時序的transformer 模型在 BEV 空間上進行虛擬實時建圖，通過這種方式讓感知車道線的輸出更加準確和穩定，在這個時空下對障礙物的判斷也會變得更加準確。

目前，在實時感知能力下，毫末已經可以不需要地圖輔助就能解決過去比較麻煩的模糊復雜路口、環島等問題。

毫末還在通過升級車上的感知系統，以使自動駕駛系統識別城市環境下的交互接口。此外，毫末還在與阿里巴巴、德清政府合作，借助路端設備提升對于城市路口的仿真場景構建效果。

自動駕駛最終目的是讓車的運行更像人類駕駛。

過去業界常用的分場景、微模型方法，會存在由于太機械導致的舒適感不足問題。毫末正在借鑒多模態大模型的方法來解決認知問題，讓系統的動作更加擬人。

大致做法是，對覆蓋全國的海量人駕數據進行深度理解，構建毫末自動駕駛場景庫，并基于典型場景挖掘海量司機的實際駕駛行為，構建 taskpromt，訓練一個基于時空 Attention 的駕駛決策預訓練大模型，使得自動駕駛決策更像人類實際駕駛行為。

在訓練大模型時，為了提高訓練效率并降低訓練成本，毫末的超算中心開始登場。

這一類似特斯拉Dojo的超算中心，目標是滿足千億參數大模型，同時數據規模100萬clips，整體訓練成本可以降低 200 倍。

總的來說，智能駕駛這條賽道，是1和0的比拼。1指的是智駕功能，0指的是可以量產搭載的車型。

毫末智行負責1，長城汽車背后的百萬銷量負責0。

MANA實現數據閉環，以及高速、城市NOH功能的開發完成，和末端無人配送產品的出現，意味著毫末智行基本上完成了1。

接下來就是功能系統的大規模上車。

3-自動駕駛數據，毫末超越蔚小理的勝負手

追擊1000天后，毫末的智能駕駛水平終于來到蔚小理的同一檔。

一個標志是，搭載毫末輔助駕駛系統的摩卡激光雷達版，和小鵬P5激光雷達版，可以在首個量產城市領航輔助的稱號爭奪上掰手腕。

實際上，毫末智行和蔚小理的智能駕駛打法是略有不同的。

蔚小理的優勢是全棧自研起步早，劣勢是量產規模處于起步期。毫末智行的劣勢是起步晚，優勢是后面有長城的百萬輛汽車做量產搭載后盾。

為了彌補這種劣勢，毫末智行追擊了1000天，彌補了時間差導致的功能差距。

在具體技術方案上，基于對數據智能體系的重視，毫末智行與蔚小理的注重感知、高精地圖、激光雷達方案不同，采用了“重感知、輕地圖”的技術路線。這是大膽、甚至可以說是冒險的技術路線。

秉承傳統車企基因，毫末還具備了技術工程化能力。

毫末在兩年多時間里實現10余款不同平臺車輛量產落地。背后的原因是，毫末形成了一套高效的智能駕駛產品開發流程，可以30個項目異步開發。

功能產品研發完成后，大量長城旗下品牌車型等著被搭載，這將進一步推動毫末輔助駕駛系統的迭代演進。

總結來看，方向選對并且推進迅速，讓毫末和蔚小理的智能駕駛功能落地節點上保持了一致，接下來，比拼的就是功能上車的規模量。

當自動駕駛進入數據驅動的3.0競爭時代，誰的數據積累速度更快，誰就能拔得頭籌。

毫末和蔚小理誰的數據量積累更快？

蔚來官方數據顯示，截至今年5月21日，蔚來中國用戶累計使用NIO Pilot行駛超過4.18億公里，使用領航輔助（NOP）累計行駛1.57億公里。

何小鵬在今年3月透露，小鵬智能駕駛累計行駛里程達到1.4億公里。

理想官方公布數據顯示，截至今年6月底，理想高速NOA累計行駛里程超過2462萬公里，輔助駕駛里程超過2.9億公里。

相比之下，毫末當前的輔助駕駛行駛里程最少。但接下來，隨著毫末輔助駕駛系統在長城品牌車型上的迅速搭載，毫末的輔助駕駛行駛里程規模倍增將是必然。

目前，長城汽車年銷量處于100萬臺的水平，根據長城汽車規劃，將在2025年實現全球年銷量400萬臺車的目標。

對于蔚小理來說，當下年銷量大概在9萬臺的水平。到2025年，要達到長城的同等銷量規模，難度并不小。

銷量直接決定了輔助駕駛系統的搭載規模，這一次，蔚小理全棧自研早起步的優勢，開始被毫末背靠的長城汽車規模優勢替代。

這也是為什么說智駕維度上毫末智行迎來了超越蔚小理的拐點。

毫末的勝負手，也就是自動駕駛數據的多樣性、規模量，在1億公里之后就會到來，相信那一天并不會太遠。

總結

以上是生活随笔為你收集整理的毫末追击智能驾驶1000天，对战蔚小理将现胜负手的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。