電子發燒友網報道（文/莫婷婷）汽車智能化推動了“軟件定義汽車”，自動駕駛也同步進入了由軟件驅動的2.0時代。發展至今，自動駕駛市場開始邁進3.0時代。那么，什么是自動駕駛3.0時代，在2.0時代向3.0時代的過渡階段，大模型又有哪些需求？

自動駕駛由2.0時代邁向3.0時代

回顧自動駕駛的發展，可以將其總結為三個發展階段，由硬件驅動轉向軟件驅動，如今轉向數據驅動，也就是業內所說的自動駕駛3.0時代。在硬件驅動的1.0時代，由激光雷達負責感知，到了軟件驅動的2.0時代，感知由傳感器單獨輸出結果，應用了部分小模型，數據量較少。如今在3.0時代，感知由多模態傳感器聯合輸出結果，數據的需求量越來越大，應用了越來越多的大模型。

毫無疑問，大模型正在重塑汽車智能化技術路線，當前進入了自動駕駛2.0時代向3.0時代的技術架構演進的關鍵階段。毫末智行認為，在這個過程中，越來越多的分模塊出現集中化、模型化，也就是由多個模塊變成一個模型，由多個模型變成一個模型，最后會匯聚到這種端到端的大模型，通過端到端的大模型在車上或者在云上完成智能駕駛任務。

當前，有多家廠商發布了應用在汽車領域的大模型及其解決方案，例如毫末智行基于自身對技術發展的預判，發布了Drive GPT大模型，商湯絕影則發布了端到端自動駕駛解決方案UniAD等。

不同的企業對自動駕駛任務的定義是不同的。毫末智行將自動駕駛任務分成了兩個階段，一個是感知階段，另一個是認知階段。Drive GPT大模型在感知階段進行傳感器的多模態視覺融合，完成感知后，認知大模型再進行理解，認知模型除了輸入自動駕駛所需要的目的地、導航信息，還可以用基礎大語言模型，對駕駛環境做理解，從而對駕駛的策略進行預測。商湯絕影智能駕駛產品總監趙祥磊表示，Drive GPT還加入了圖片、文字等多模態模型，能夠更加高效、立體地理解、感知周圍的環境。

要知道，智能汽車在駕駛過程中面臨很多復雜的場景，例如能否根據道路的環境控制車速，讓行駛更安全。因此大模型需要更精準地完成檢測工作，這也就需要通過大量數據的訓練。
在云端完成感知大模型和認知大模型的能力提升之后，如何將其賦能至車端，是下一個階段需要突破的難題。


自動駕駛解決方案走向真端到端，由兩段式到一段式

目前，大模型上車已經迎來一定進展，并且隨著技術的成熟，NOA功能從高速NOA，卷向城市NOA，再到城市無圖NOA。2024年，正是城市無圖NOA落地的關鍵節點。

“圖”指的是高精度地圖，有圖意味著需要高精度地圖提供交通標志、紅綠燈等道路信息，并且要精確到厘米，讓車輛進行更加有效的路線規劃和智駕行為。但高精度地圖存在制作成本高、需要及時更新地圖信息、信息采集法規嚴格等問題。因此，城市無圖NOA已經成為下一階段的技術需求。更重要的是，城市無圖NOA還是大模型是否真的支持端到端的標志之一，這也是為什么在現階段大模型廠商經常提及“端到端”的原因。

在車企中，智己汽車發布的 D.L.P.（深度學習算法）人工智能模型，DDLD+DDOD融合感知大模型也已上車智己L6。智己汽車表示智己L6 Max全系具備無圖城市NOA能力。計劃在第一季度在上海地區率先推送城市NOA，第二季度開啟無圖城市NOA公測，第三季度量產無圖城市NOA，第四季度實現全國都可開無圖城市NOA。

10 年前的 ADAS 功能主要是識別車輛、行人和車道線，讓汽車居中行駛。隨著技術迭代，增加了響應紅綠燈的功能，再接下來，ADAS功能還需要識別更多復雜的道路信息，例如路上的施工區域，讓汽車能夠繞過障礙物更安全行駛。

商湯絕影智能駕駛產品線總監趙祥磊提及，后面我們發現它要的并不是找一個可通行的空間，而是要去理解這是一個施工的場景，可能需要去左轉、右轉甚至掉頭，這也是我們的理解，我們認為最終的端到端方案，它可能并不是一個感知和決策規劃兩段式的方案，真端到端應該是一段式的，這樣的話它的性能的天花板才會更高。

商湯絕影認為由感知和決策兩個模型組成的 “兩段式”架構的端到端方案比較容易落地，但存在性能上限瓶頸，因為中間信息的傳遞主要是人為的，會出現信息傳遞過濾或丟失的問題。

因此商湯絕影推出UniAD解決方案，公司表示這是真端到端的解決方案，實現了感知決策一體化。具備兩大優勢，一是性能上限更高，應對非結構化無圖道路和多交通參與者交互等復雜能力更強；二是迭代速度更快，針對復雜道路場景，相比于基于規則方案，開發效率提高數倍。目前已經完成實車部署開始路測。

商湯絕影采用了數據驅動、大模型驅動讓UniAD更高效地響應復雜道路場景。但是商湯絕影發現，當隨著時間周期越來越長，corner case出現概率也在降低，基于車輛采集的數據綜合效率逐漸降低。此時需要尋找新的數據驅動引擎。而AIGC的出現恰好能解決一部分問題，大模型能夠生成交通事故等長尾場景的數據，再進行訓練。

在毫末智行的自動駕駛技術路線中，也規劃了將在今年實現通用感知+通用認知，以及端到端訓練，打造感知+認知端到端。

當然，端到端的模型開發、基于大模型的數據生成，都是需要算力基礎設施作為支撐。算力基礎設備的算力規?；蛟S會成為下一階段大模型廠商的競爭優勢。