在人工智能領(lǐng)域，一個(gè)被廣泛認(rèn)可的觀點(diǎn)是“80%的數(shù)據(jù)+20%的模型=更好的AI”，這一理念由斯坦福大學(xué)計(jì)算機(jī)科學(xué)教授吳恩達(dá)在其45歲生日時(shí)提出。他強(qiáng)調(diào)，數(shù)據(jù)準(zhǔn)備在人工智能項(xiàng)目中占據(jù)了絕大部分工作，確保數(shù)據(jù)質(zhì)量是團(tuán)隊(duì)的重要任務(wù)。這一觀點(diǎn)在智能駕駛領(lǐng)域同樣適用，智能駕駛技術(shù)的推進(jìn)不僅需要高質(zhì)量的數(shù)據(jù)作為基石，還需要強(qiáng)大的算力支持和先進(jìn)的算法。
智能駕駛技術(shù)的發(fā)展，猶如一場(chǎng)激烈的競(jìng)賽，各家車企都在努力爭(zhēng)奪領(lǐng)先地位。然而，這場(chǎng)競(jìng)賽并非僅靠招募頂級(jí)工程人才就能取勝，關(guān)鍵在于模型設(shè)計(jì)、工具鏈開發(fā)以及模型的測(cè)試驗(yàn)證。如今，行業(yè)的比拼焦點(diǎn)已經(jīng)從團(tuán)隊(duì)規(guī)模轉(zhuǎn)向了云端算力和數(shù)據(jù)質(zhì)量。
在智能駕駛技術(shù)的演進(jìn)過程中，數(shù)據(jù)閉環(huán)能力成為了車企決勝的關(guān)鍵。數(shù)據(jù)閉環(huán)包括數(shù)據(jù)采集、存儲(chǔ)、挖掘、標(biāo)注、模型訓(xùn)練、仿真驗(yàn)證以及集成部署等整個(gè)工作流程。這一過程將隱藏在駕駛數(shù)據(jù)中的駕駛知識(shí)逐步遷移到智能駕駛系統(tǒng)的參數(shù)文件中，使系統(tǒng)的表現(xiàn)更加擬人化，從而提升駕駛體驗(yàn)。特斯拉曾表示，一個(gè)端到端的自動(dòng)駕駛系統(tǒng)至少需要100萬個(gè)高質(zhì)量的視頻片段進(jìn)行訓(xùn)練，而小鵬和理想等車企也在積極收集數(shù)據(jù)，以訓(xùn)練更先進(jìn)的智能駕駛模型。
然而，高質(zhì)量數(shù)據(jù)的獲取并非易事。車企主要通過兩種方式收集數(shù)據(jù)：一是從量產(chǎn)車上挖掘，通過特定規(guī)則篩選用戶的駕駛數(shù)據(jù)；二是在存量數(shù)據(jù)中挖掘，通過算法規(guī)則篩選有價(jià)值的數(shù)據(jù)。但這兩種方式都面臨著數(shù)據(jù)質(zhì)量、數(shù)據(jù)分布和數(shù)據(jù)泛化等挑戰(zhàn)。因此，車企需要不斷提升數(shù)據(jù)閉環(huán)能力，以確保智能駕駛系統(tǒng)的迭代質(zhì)量。
與此同時(shí)，算力軍備競(jìng)賽也在智能駕駛領(lǐng)域愈演愈烈。隨著智能駕駛系統(tǒng)的升級(jí)，傳感器數(shù)量和類型增多，數(shù)據(jù)處理量激增，算力需求呈現(xiàn)指數(shù)級(jí)增長(zhǎng)。理想、華為和小鵬等車企紛紛加大算力投入，以提升智能駕駛系統(tǒng)的性能。然而，算力供給緊張的問題也隨之而來，摩爾定律的極限和汽車商品屬性的限制使得算力堆砌并非長(zhǎng)久之計(jì)。
為了緩解算力供給緊張的問題，云端大模型成為了一種可行的解決方案。云端大模型具有更高的參數(shù)量和更強(qiáng)的計(jì)算能力，能夠處理更大規(guī)模的數(shù)據(jù)集。然而，訓(xùn)練一個(gè)云端大模型也對(duì)大規(guī)模高性能算力以及數(shù)據(jù)存儲(chǔ)和處理提出了非常高的要求。因此，車企需要在算力基礎(chǔ)設(shè)施、模型訓(xùn)練穩(wěn)定性、數(shù)據(jù)存儲(chǔ)和處理能力等方面進(jìn)行全面提升。
在智能網(wǎng)聯(lián)汽車的發(fā)展趨勢(shì)下，車路云一體化成為了智能駕駛降本增效的新途徑。通過車路云網(wǎng)絡(luò)，可以建立一個(gè)橫跨車端、路側(cè)和云端的體系化閉環(huán)，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)感知、分析和處理。路側(cè)數(shù)據(jù)可以彌補(bǔ)車端的天然局限，豐富車端的全局?jǐn)?shù)據(jù)，進(jìn)一步提升智能駕駛能力和安全性。同時(shí)，車路云網(wǎng)絡(luò)還可以實(shí)現(xiàn)交通態(tài)勢(shì)的全面、及時(shí)、精準(zhǔn)感知、控制與決策，推動(dòng)智能交通的發(fā)展。
在車路云一體化的場(chǎng)景中，云計(jì)算和邊緣計(jì)算各自發(fā)揮著重要作用。云計(jì)算聚焦非實(shí)時(shí)、長(zhǎng)周期數(shù)據(jù)的大數(shù)據(jù)分析，為業(yè)務(wù)決策提供支持；邊緣計(jì)算則聚焦實(shí)時(shí)、短周期數(shù)據(jù)的分析，支撐車端實(shí)時(shí)智能化處理與執(zhí)行。通過多級(jí)協(xié)同計(jì)算，車路云網(wǎng)絡(luò)可以實(shí)現(xiàn)事件感知的準(zhǔn)確和智能交通的發(fā)展。
智能駕駛技術(shù)的演進(jìn)已經(jīng)進(jìn)入了新的階段，單車智能和車路云一體化都在不斷發(fā)展。雖然目前堅(jiān)持單車智能路線的車企仍占大多數(shù)，但車路云一體化的潛力已經(jīng)不容忽視。無論是單車智能還是車路云一體化，都需要更多的數(shù)據(jù)和算力支持，以及讓算力和數(shù)據(jù)流轉(zhuǎn)起來的機(jī)制和工程能力。在這場(chǎng)競(jìng)賽中，任何一環(huán)的缺失都可能帶來變數(shù)。
