文｜偲睿洞察 經緯
編輯｜孫越
“冬天到了，春天還會遠嗎？”
深陷資本寒冬的自動駕駛業(yè)內近期可謂是“冰火兩重天”，重量級的利好與利空頻出。
2022年，由于自動駕駛“長尾問題”難以解決導致應用場景受限、進而導致商業(yè)落地困難。投資人失去興趣，融資大幅縮水。據(jù)公開資料統(tǒng)計，披露的融資額度由2021年的1591.9億元銳減至205億元，直接縮減至原先的13%，行業(yè)進入寒冬。
投資資金一旦停滯不前，人員必然頻繁流動：據(jù)鈦媒體App統(tǒng)計，僅2023年上半年，自動駕駛相關的高層人員離職事件就高達16起，其中不乏曾被資本捧在手心里的企業(yè)。
在愈發(fā)寒冷的2023，如日中天的大模型，憑借解決“長尾問題”以及引發(fā)科技奇點的可能，如“冬天里的一把火”，照亮了行業(yè)的方向。
此外，大模型的熱度也越來越高，在汽車領域，已經入場的企業(yè)紛紛引入大模型，專職大模型的企業(yè)也在場外摩拳擦掌：
7月21日，整合了盤古大模型的華為云正式發(fā)布自動駕駛開發(fā)平臺；緊接著，商湯便宣布其“商湯日日新SenseNova”大模型體系已經形成產業(yè)應用實踐，包括商湯絕影最新打造的智能座艙產品和車路云協(xié)同交通體系等。
現(xiàn)實是，大模型來了之后，自動駕駛行業(yè)僅僅是完成從寒冬到暖冬的轉變。
感知決策型大模型本身的成本問題、硬件要求，以及數(shù)算中心網絡通訊問題都會影響其性能的發(fā)揮。
換言之，加載大模型后成本直線上升，即使有大模型的加持，自動駕駛依然經濟性有限。
本文試圖探究，在大模型降臨之后，自動駕駛為何還是迎來不了自己的春天？
PART-01 “三九”未過，自動駕駛寒冬依舊
沒有大模型之前，自動駕駛行業(yè)可謂是一念天堂，一念地獄。
（自動駕駛等級劃分，圖源：千際投行）
自動駕駛技術按自動化程度可以分為L0至L5共六個等級。其中L0至L2級可以統(tǒng)稱為“輔助駕駛”。
L3級別因為不再需要駕駛員隨時“手腳待命”，汽車本身擁有了環(huán)境感知與自主決策的能力，成為了自動駕駛的第一道分水嶺。
L4級別自動駕駛則可以做到真正的“無人駕駛”，不再強制需要人的介入。L5級別則完全不需要人的介入，也沒有地域限制，甚至不會有方向盤等現(xiàn)今常見的汽車操控部件。
百事利為先，自動駕駛最本質的盈利邏輯就是省掉操作員的人工成本。
自動駕駛技術除了搭載在汽車上作為車商的技術附加直接銷售外，主流的商業(yè)落地途徑主要有這幾條：物流、環(huán)衛(wèi)、礦山/港口等工業(yè)場景，以及無人出租車（Robotaxi）。
其中應用場景最廣，最具商業(yè)價值的是Robotaxi。知名華爾街基金經理木頭姐Cathie Wood在今年4月接受CNBC采訪時宣稱：至2030年，Robotaxi可創(chuàng)造8至10萬億美元的收入。
Robotaxi的商業(yè)前景引得各方紛紛布局。首先是一波政策“加持”，包括但不限于2022年4月1日發(fā)布的《北京市智能網聯(lián)汽車政策先行區(qū)乘用車無人化道路測試與示范應用管理實施細則》，開啟了國內乘用車無人化運營試點。
有了北京的先例，其他地區(qū)地方政府也在紛紛跟進。
2022年6月，深圳發(fā)布《深圳經濟特區(qū)智能網聯(lián)汽車管理條例》；8月，上海發(fā)布的《上海市加快智能網聯(lián)汽車創(chuàng)新發(fā)展實施方案》提到，到2025年，初步建成國內領先的智能網聯(lián)車創(chuàng)新發(fā)展體系，具備高度自動駕駛功能（L4 級及以上）在限定區(qū)域限定場景實現(xiàn)商業(yè)化應用。
政府卯足力氣提供政策支持，企業(yè)故事不斷，資本再不進場，就晚了。2020年與2021年，自動駕駛行業(yè)風頭正盛，各方勢力紛紛進場，一時間企業(yè)拿融資拿到手軟。
2020年，自動駕駛產業(yè)鏈廠商，紛紛迎來春天的第一場雨：小馬智行就曾獲得由豐田汽車與蔚來資本等資方投資的4.62億美元融資。同年5月和12月，滴滴和文遠知行也相繼宣布完成5億美元融資和2億美元投資······
2021年，毫末智行、圖森未來、斑馬智行、地平線等廠商更受資本寵愛。而誰又能想到短短的一年，凜冬的冰雪，就降落到了自動駕駛的春花之上。投資方態(tài)度180°大轉彎的癥結在于，真正意義上的“無人”即L4，很難實現(xiàn)。
接近千億的資本涌入賽道大大加速了各家企業(yè)的技術研發(fā)測試進程。2021年Waymo路測里程達到410萬英里。同年，北京示范區(qū)自動駕駛測試安全行駛近里程達400萬公里。
但是自動駕駛行業(yè)的問題在也測試中逐漸顯露：無法真正的無人。
（Robotaxi上的安全員，圖源：小馬智行官方微信公眾號）
即使是走在全國前列的北京亦莊示范區(qū)，在L3、L4的正常運行背后，被設置了重重關卡。
在2022年乃至2023年上半年的多次的試點中，基本要求每輛上路運營的Robotaxi內必須設有安全員，以確保自動駕駛系統(tǒng)平穩(wěn)運行，以及遇到突發(fā)狀況時應急干預。
而這種為L3級別自動駕駛設置的安全員門檻極高。其工作性質決定了安全員不僅要駕駛技術一流，可以應付各種緊急情況，而且要對自動駕駛系統(tǒng)有一定了解。因此培養(yǎng)安全員的周期較普通出租車司機更長，成本更高，不具備經濟性。
雖然在2023年7月7日，北京市高級別自動駕駛示范區(qū)工作辦公室正式宣布，亦莊開始“車內無人”商業(yè)化試點，Robotaxi終于可實現(xiàn)車輛完全自主駕駛，達到了L4級自動駕駛的標準，但是運營中心仍需配備后臺工程師隨時監(jiān)控。
Robotaxi能在亦莊運行，因為在基礎設施上亦莊下足了功夫。亦莊在建設早期就把高精度的數(shù)據(jù)地圖列為重點建設項目之一，高度數(shù)字化的基礎設施成為了后來Robotaxi的運營保障。但擁有類似亦莊水平的，高精度，高度數(shù)字化地圖的地區(qū)寥寥無幾?！懊搱D”，即不依賴高精度地圖運行的L4自動駕駛商業(yè)，落地遙遙無期。也就是說，如今的L4，既需要“后臺有人”，又要在亦莊這一“避魔圈”內運行。
眼見此番不“自由”的自動駕駛，資本紛紛進入了“賢者時間”，開始撤資。一時間眾多自動駕駛企業(yè)或資金鏈斷裂，倒閉關停，或節(jié)衣縮食，難以為繼。
據(jù)偲睿洞察不完全統(tǒng)計，至2022年底，在納斯達克上市的十余家家自動駕駛初創(chuàng)公司，在上市后的平均跌幅超過 80%。
更好落地的無人駕駛卡車（Robotruck）賽道上也同樣“尸橫遍野”。
相比于Robotaxi多涉及的城市場景，Robotruck，尤其是干線運輸多涉及高速場景，道路、路徑狀況較為單一，落地難度上要遠小于Robotaxi。但即便如此，落地依然困難。
美國Robotruck公司Embark股價由巔峰時期的209美元跌至如今的3美元左右。曾官宣在亞利桑那州完成全球首次開放道路全無人駕駛重卡測試，有著“自動駕駛第一股”之稱的圖森未來股價也由最高時期的接近80美元跌至現(xiàn)今的2美元上下。
歸根結底，落地難是因為難以解決自動駕駛大敵“長尾問題”：少部分場景一直未能攻克。
PART-02 “長尾”難“醫(yī)”，大模型真乃良藥
前谷歌無人車項目CEO約翰·克拉夫西奇曾表示，谷歌無人車技術已經接近于“走進大眾生活”。但是至今Waymo商業(yè)化運營仍困難重重。不僅是Waymo，市場上諸多商家自動駕駛項目都處在“成百步者半九十”的狀態(tài)，其原因就是“長尾問題”。
所謂“長尾問題”，其主要表現(xiàn)形式是，自動駕駛測試過程中的場景模擬始終無法覆蓋現(xiàn)實情況。
低頻率、種類極多、且對行車安全造成嚴重影響的“Corner Case”是橫亙在自動駕駛技術門前的一道坎。現(xiàn)階段各車企的解決方法是“數(shù)量取勝”，即通過大量測試，盡可能多的模擬各種情況，以觀察并矯正自家駕駛系統(tǒng)的行為。
但實驗室模擬總有這樣或那樣的問題?？突仿〈髮W機器人學習實驗室主任、被譽為“自動駕駛之父”的Sebastian Thrun曾多次發(fā)聲：實驗室實驗和真實應用場景認知差異巨大。實驗室環(huán)境只能盡量模擬真實環(huán)境，卻不能完全模擬真實場景。因此得出的數(shù)據(jù)和模型的精準度和可信度，在現(xiàn)實環(huán)境中可能毫無價值，即使是滿足了100%準確率的實驗，在現(xiàn)實生活中也不一定可行。
即便是實車在真實道路上的訓練和標定，大多數(shù)的數(shù)據(jù)的定位都是單調重復，對策略優(yōu)化意義不大。在某個城市進行了自動駕駛的成功試驗，也并不意味著經驗可以在另一個城市成功復制。目前模擬測試還是公路測試，都是“窮舉”打法，很難不陷入越努力越心酸的困局。
大模型，給這個已在寒冬中匍匐一年的自動駕駛，遞了一把火。
正如阿里前CEO張勇在今年4月11日阿里云峰會上說：“在AI時代，所有產品都值得用大模型重做一次”。大模型的出現(xiàn)給了自動駕駛企業(yè)解決“長尾問題”希望：
當模型參數(shù)量達到了一定程度，超過某個臨界值之后，“涌現(xiàn)”現(xiàn)象就會出現(xiàn)：模型的性能會大大超越預期。雖然為什么出現(xiàn)這種現(xiàn)象現(xiàn)階段尚無公論，但這種“量變”到“質變”的過程，為攻克號稱“最后1%”的“長尾問題”帶來了曙光。
（自動駕駛系統(tǒng)的組成部分，圖源：安信證券）
自動駕駛系統(tǒng)主要可以拆解為三個層次：感知層、決策層、控制層?，F(xiàn)階段比較清晰的大模型應用的方向是感知層。
大模型如何應用在感知層面？目前的主流思路是提升數(shù)據(jù)閉環(huán)。所謂數(shù)據(jù)閉環(huán)，即不斷將高價值數(shù)據(jù)從自動駕駛系統(tǒng)獲取的原始數(shù)據(jù)中提取出來后，輸送給算法做訓練。整個過程包括對來自傳感器數(shù)據(jù)進行特征標注、對“長尾數(shù)據(jù)”特征的挖掘、提取特征后“舉一反三”萃取其他數(shù)據(jù)、利用這些“長尾數(shù)據(jù)”進一步訓練算法。大模型的出現(xiàn)可以大大提升數(shù)據(jù)閉環(huán)，加速算法完善進度，以更好地解決各種“Corner Case”。
擁有處理海量數(shù)據(jù)的能力，大模型便可以在測試自動駕駛系統(tǒng)上限、重建自動駕駛場景上發(fā)光發(fā)熱，甚至可能搭載在車輛上進行合并檢測小模型、檢測道路物體、進行車道拓撲預測等。
由于大模型卓越的性能，在理想汽車大模型MindGPT發(fā)布之后，理想汽車董事長李想就表示，先前一年要做大概1000萬幀的自動駕駛圖像的人工標定，外包公司價格大概6元到8元錢一張，一年成本接近一億元。
而當使用大模型之后，降本將立竿見影：通過訓練的方式進行自動化標定，過去需要用一年做的事情基本上3個小時就能完成，效率是人的1000倍?！比绱恕吧衿?自然引得各方爭搶。
7月21日，華為云公有云業(yè)務部總裁高江海在“華為云智能駕駛創(chuàng)新峰會&烏蘭察布汽車專區(qū)發(fā)布會”上宣布，華為云自動駕駛開發(fā)平臺正式發(fā)布。
據(jù)悉，平臺將基于盤古大模型和ModelArts AI開發(fā)生產線，提供數(shù)據(jù)生成、自動標注、模型訓練、數(shù)據(jù)閉環(huán)等一系列能力，幫助車企和商用車企業(yè)加速自動駕駛算法的開發(fā)驗證和優(yōu)化迭代。現(xiàn)如今已在礦用卡車、港口ART、專線物流重卡等商用車場景中應用。
7月25日，光輪智能透露近期完成了“天使+”輪融資。光輪智能CEO，前蔚來汽車高管謝晨表示，光輪智能將在仿真的基礎上融合生成式 AI，以一小部分真實數(shù)據(jù)為藍本，通過生成式 AI 技術來放大數(shù)據(jù)量級，并基于自研的 " 端到端真實性評測算法 " 保證數(shù)據(jù)質量和效能，生成高信息增量的、用于算法訓練的數(shù)據(jù)。從技術角度來看，大模型確實是“神器”。然而，大模型真的是自動駕駛的“萬靈藥”嗎？
PART-03 和璧隋珠，新技術難入尋常家
大模型，不言自明，其最大的特點就是“大”。龐大的數(shù)據(jù)體量以及算力要求為其應用帶來了不小的挑戰(zhàn)。
如果將大模型“塞進車里”，首當其沖的便是硬件成本問題。大模型的規(guī)模和復雜度也在不斷提高，對硬件設備的要求也越來越高。
大模型需要大量的計算資源來訓練和運行。傳統(tǒng)的CPU、GPU等硬件設備已經無法滿足這種需求。專業(yè)為大模型計算設計定制的加速器芯片，如NVIDIA的A100、TPU等將成為硬需求，現(xiàn)實是，現(xiàn)如今僅有一些大廠有A100的存貨。
雪上加霜的是，大模型還需要大容量的存儲設備來存儲訓練數(shù)據(jù)和模型參數(shù)。由于大模型的數(shù)據(jù)量非常龐大，動輒百億級別數(shù)據(jù)需要使用高速的SSD硬盤或者NVMe固態(tài)硬盤來提高數(shù)據(jù)的讀寫速度······
硬件的問題將不可避免帶來成本的上升。雖然大模型的推廣可以減少如激光雷達等感受器的數(shù)量來降低成本，但是由于感受器需要留足安全冗余，大模型本身規(guī)模就已經龐大且指數(shù)級別的上升指日可待，故，硬件成本將在很長一段時間內成為難以回避的問題。
那么，我們換一個思路，如果把大模型從車里搬出來情況可行嗎？
將大模型所需數(shù)據(jù)集中儲存，無疑會攤薄使用者成本。運營商擁有更大的財力，可以采購更先進的存儲、傳輸設備。但自動駕駛大模型與普通用于AIGC的大模型之間最大的區(qū)別就是，對鏈接穩(wěn)定性以及數(shù)據(jù)傳輸速度的要求極為嚴苛。
作為大型移動設備，車量鏈接數(shù)據(jù)中心唯一的途徑就是無線網絡。汽車行駛中，由于秒級別的延遲造成無可挽回事故的案例，比比皆是。
對硬件性能、成本、以及對數(shù)據(jù)傳輸?shù)姆€(wěn)定性與速度的嚴苛要求下，“大模型上車”的時間點極為遙遠。
那么，如果把大模型作為解決“長尾問題”的后臺軟件開發(fā)工具是否可行？
現(xiàn)實是，大模型的訓練成本居高不下，國盛證券基于參數(shù)數(shù)量和token數(shù)量估算，GPT-3訓練一次的成本約為140萬美元；
（GPT-3訓練成本估算，圖源：國盛證券研究所）
對于一些更大的LLM模型采用同樣的計算公式，訓練成本介于200萬美元至1200萬美元之間。
（GPT-3以及其他更大LLM模型訓練成本估算，圖源：國盛證券研究所）
據(jù)業(yè)內估算，現(xiàn)階段已經在使用的Transformer大模型量變引起質變需要1億公里的里程數(shù)據(jù)。Transformer相比上一代CNN模型需要更大量的數(shù)據(jù)來訓練模型。
成本問題，束縛了大模型大展拳腳的空間。
正如錢鐘書在《圍城》中寫道，“好比冬季每天的氣候罷，你沒法把今天的溫度加在昨天的上面，好等明天積成個暖和的春日?！?/p>
在成本、硬件等一系列關鍵性問題得不到解決的情況下，昨日的自動駕駛加上今日的大模型，很難換來一個溫暖的春天。
即使某些企業(yè)短時間內突破了技術瓶頸，在數(shù)據(jù)安全、法律法規(guī)等行政性問題尚未妥善解決的情況下，L3及以上自動駕駛也很難“面朝大海，春暖花開”。