目前人工智能的最大受益者是自動駕駛？

以前，馬車很慢，但現(xiàn)在它們與以前大不相同，不僅變得更快、更方便，而且更智能。近日，在人工智能和算力時代的自動駕駛生態(tài)創(chuàng)新大會上，來自通信界的記者全面了解了人工智能賦能自動駕駛的最新進展。人工智能大模型與自動駕駛技術有著天然的契合。通過AI大模型賦能自動駕駛技術，可以全面提升自動駕駛系統(tǒng)的安全性、穩(wěn)定性、舒適性和智能性。

中國電動汽車產(chǎn)量占全球60% 自動駕駛技術有望超越歐美

根據(jù)IDC的一份報告，2022年全球電動汽車產(chǎn)量達到1100萬輛，其中約700萬輛在中國發(fā)貨，占全球市場份額的60%至70%。中國不僅是電動汽車的最大生產(chǎn)國和消費國，也是自動駕駛技術的重要創(chuàng)新者和推動者。隨著人工智能模型的應用和發(fā)展，中國的自動駕駛產(chǎn)品和技術水平有望在不久的將來趕超歐美國家。

汽車行業(yè)是人工智能大模型的重要應用領域之一，涉及各種復雜的場景和任務，需要高效、準確、可靠的決策和控制。自動駕駛行業(yè)的數(shù)據(jù)量也非常大。以自動駕駛為例，一輛汽車每天可以產(chǎn)生3PB的數(shù)據(jù)，這些數(shù)據(jù)至少保留三年，每年至少有1000PB的數(shù)據(jù)。假設一家公司有十輛自動駕駛汽車在路上行駛，每年大約有300000 PB的汽車，100000輛大規(guī)模生產(chǎn)的汽車在路上的數(shù)據(jù)量將達到50ZB。這對數(shù)據(jù)的存儲和計算提出了重大挑戰(zhàn)。

人工智能大型模型與自動駕駛技術有著天然的契合，因為它們都需要處理海量、多維和多模式的數(shù)據(jù)，并且都需要端到端的學習和推理。人工智能大模型可以通過車載傳感器、路況信息、地圖數(shù)據(jù)等多源數(shù)據(jù)的融合分析，實現(xiàn)對自動駕駛場景的深度理解和預測。他們還可以通過車輛控制系統(tǒng)和用戶交互系統(tǒng)等多個模塊的協(xié)同優(yōu)化，實現(xiàn)自動駕駛行為的高效生成和執(zhí)行。通過人工智能的大模型賦能自動駕駛技術，可以提高自動駕駛系統(tǒng)的安全性、穩(wěn)定性、舒適性和智能性。

目前，中國在人工智能大模型領域擁有一批具有國際競爭力的企業(yè)和研究機構，如百度、阿里巴巴、騰訊、華為、中科院等。這些企業(yè)和機構不僅在人工智能的基礎理論和算法方面取得了重大突破，而且在人工智能芯片、平臺和應用方面也表現(xiàn)出強大的創(chuàng)新能力。比亞迪、吉利、特斯拉等許多新車制造商也采用了人工智能技術的支持，如AI+汽車、AI+自動駕駛、AI+智能座艙等，成為熱門產(chǎn)品。

在自動駕駛技術的發(fā)展過程中，中國也展現(xiàn)出強大的市場需求和消費潛力。據(jù)統(tǒng)計，中國目前擁有超過5000萬輛智能網(wǎng)聯(lián)汽車。這些汽車不僅為用戶提供了更方便、舒適、安全的出行體驗，還為人工智能模型提供了海量數(shù)據(jù)和反饋，實現(xiàn)了數(shù)據(jù)和算法的良性循環(huán)。隨著人工智能模型的不斷優(yōu)化升級，中國有望在未來三到五年內(nèi)實現(xiàn)L3甚至更高級別的自動駕駛技術在全行業(yè)的推廣和示范。

北京在推動人工智能大模型發(fā)展方面也發(fā)揮了重要的引領和示范作用。在過去的半年里，北京出臺了一系列政策措施，旨在打造具有全球影響力的人工智能創(chuàng)新高地，促進通用人工智能的發(fā)展，支持大型人工智能模型在各個領域的應用和實施。北京出臺了促進通用人工智能發(fā)展的若干措施，還發(fā)布了兩批通用人工智能產(chǎn)業(yè)創(chuàng)新伙伴計劃。北京市經(jīng)信局還成立了數(shù)字經(jīng)濟專業(yè)班，重點建設整個大模型，發(fā)揮政府平臺的引導作用，鼓勵更多的模型企業(yè)通過政府提供的平臺培養(yǎng)和支持其計算能力和數(shù)據(jù)需求。

人工智能賦能自動駕駛，面臨多重挑戰(zhàn) 工業(yè)界、學術界和研究界之間合作研發(fā)的需求

我們不能高估大型模型的現(xiàn)狀，也不能低估它們的未來。人工智能大模型作為一種技術工具，不僅可以為自動駕駛產(chǎn)品的創(chuàng)新賦能，還可以為自動驅(qū)動研發(fā)的效率賦能。在當前階段，我們需要探索如何在確保產(chǎn)品和效率的同時找到合適的解決方案和方法。

未來階段，需要關注自動駕駛產(chǎn)品在車上落地的幾個趨勢，即：從云端向本地端轉(zhuǎn)移。這是因為登陸車需要考慮網(wǎng)絡環(huán)境的不穩(wěn)定性和模型規(guī)模的可行性，因此需要實現(xiàn)模型小型化和本地化部署；從訓練到推理的轉(zhuǎn)變是因為在著陸時需要考慮系統(tǒng)的可控性和確定性，從而實現(xiàn)模型推理優(yōu)化和應用場景；從工具到產(chǎn)品的進化，是因為在上車時需要考慮用戶的需求和體驗，從而實現(xiàn)車型的功能提升和價值提升；從生成到可控的轉(zhuǎn)變是由于在著陸時需要考慮系統(tǒng)的安全性和合規(guī)性。因此，有必要在模型中實現(xiàn)清晰的邏輯和對規(guī)則的遵守；從一般的大車型發(fā)展到垂直車型，是因為在落地汽車時需要考慮行業(yè)的特點和差異，從而實現(xiàn)車型的領域?qū)I(yè)化和場景定制化。

盡管人工智能大模型在自動駕駛領域顯示出了巨大的潛力和價值，但它也面臨著多重挑戰(zhàn)和問題，需要產(chǎn)學研協(xié)同研究，不斷優(yōu)化創(chuàng)新。

首先，數(shù)據(jù)的質(zhì)量和數(shù)量決定了大型模型的能力上限。然而，在自動駕駛領域，數(shù)據(jù)的收集、存儲、處理、分析等方面都存在巨大的困難和成本。因此，如何構建數(shù)據(jù)閉環(huán)系統(tǒng)，提高數(shù)據(jù)的質(zhì)量和效率，同時降低數(shù)據(jù)的成本和風險，是人工智能大模型開發(fā)需要解決的重要問題之一。

其次，算法的設計和優(yōu)化決定了大型模型的性能和有效性。然而，在自動駕駛領域，算法的選擇和應用也存在各種困難和挑戰(zhàn)。例如，在自動駕駛領域，目前主流的兩種算法路徑都是端到端和模塊化的。端到端是指將輸入數(shù)據(jù)直接映射到輸出控制信號的方法，可以簡化系統(tǒng)結構，提高操作效率。模塊化是指將自動駕駛系統(tǒng)分解為幾個子模塊并分別進行學習和優(yōu)化的方法，可以提高系統(tǒng)的可解釋性和可控性。模塊化部署向端到端的未來趨勢可能成為主要趨勢，但端到端也面臨著黑匣子模型的可解釋性問題，目前實施的最終趨勢還不是特別明確。

最后，計算能力的提供和分配決定了大型模型的運行和部署。但目前，人工智能大模型的訓練主要依賴于基于云的數(shù)據(jù)中心，而推理則需要在車輛端進行。這需要通過OTA等方式，將在云端訓練的大模型轉(zhuǎn)化為適合車輛部署的小模型，并進行動態(tài)升級和調(diào)整。如何實現(xiàn)云與車的模型轉(zhuǎn)換與協(xié)同，是人工智能大模型開發(fā)中需要解決的重要問題之一。

除了這些技術挑戰(zhàn)和問題，在自動駕駛領域，人工智能大模型還面臨法律、倫理和社會的約束和影響。這需要來自行業(yè)、學術界和研究機構的專家參與監(jiān)管、治理和標準體系等領域的標準研究、前瞻性技術研究和治理體系研究能力建設，幫助整個人工智能大模型更好地在自動駕駛、智能座艙，以及智能網(wǎng)聯(lián)汽車行業(yè)。