作者 |德新
編輯 |王博
隨著智能電動(dòng)化的深入，汽車已經(jīng)變成人們生活中最大號(hào)的消費(fèi)電子產(chǎn)品。隨之發(fā)生的是，每年的大型國(guó)際車展也不再是純粹的汽車潮流的展示，也是尖端科技的秀場(chǎng)。
在上一周開幕的上海車展上，圍繞智能輔助駕駛的先進(jìn)技術(shù)也成為本屆最重要的看點(diǎn)。華為、地平線、元戎等智駕公司都帶來了新一代技術(shù)的展示發(fā)布。
在全民智駕普及的浪潮中，全行業(yè)正在探尋更加先進(jìn)、更加安全、更加擬人的技術(shù)方案，以Thor為代表的下一代計(jì)算平臺(tái)，以及以世界模型和VLA為代表的新技術(shù)架構(gòu)，正推動(dòng)我們逼近兌現(xiàn)更高等級(jí)智能駕駛的未來。
一、新架構(gòu)：城區(qū)輔助駕駛繼續(xù)向上「捅破天」
本屆車展上，智能輔助駕駛技術(shù)繼續(xù)向前推進(jìn)，特斯拉FSD入華是最直接的推動(dòng)力；全民智駕對(duì)于更高安全性和更優(yōu)體驗(yàn)的追求，是第二重壓力；當(dāng)然，最終目標(biāo)是要實(shí)現(xiàn)高度自動(dòng)駕駛。
在未來幾個(gè)月即將到來的Thor，以及各家在云端計(jì)算資源的大規(guī)模投入，也解放了生產(chǎn)力，讓大模型得以釋放更多的潛力。因此盡管已經(jīng)是智能化下半場(chǎng)，各家的新技術(shù)架構(gòu)層出不窮。
世界模型和VLA是其中最典型的技術(shù)代表。
4月22日，華為發(fā)布ADS4，最大變化是引入WE-WA架構(gòu)：WE代表云端世界引擎（World Engine），WA代表了車端的世界行為模型（World Action Model）。
世界引擎的核心能力是用AI生成困難場(chǎng)景，包括極端天氣和罕見障礙物等，華為的世界引擎號(hào)稱能夠生成比真實(shí)世界密度高1000倍的困難場(chǎng)景，從而解決訓(xùn)練端的數(shù)據(jù)瓶頸。而世界行為模型，是一個(gè)原生多模態(tài)的車端大模型，通過視覺、聽覺、觸覺的輸入，直接輸出控車軌跡和環(huán)境理解。
小鵬汽車也在車展前夕MPV車型X9香港的上市發(fā)布會(huì)上透露，小鵬已經(jīng)搭建了10 EFlops的萬(wàn)卡集群，正在訓(xùn)練一個(gè)720B參數(shù)的超大模型，并稱之為「世界基座模型」；同時(shí)，基于世界基座模型蒸餾壓縮將得到小模型XVLA，小鵬將會(huì)以「世界模型 + XVLA +圖靈芯片」的方式布局下一代的智駕技術(shù)。
無論世界引擎也好，還是世界基座模型，都是來自云端算力和數(shù)據(jù)規(guī)模的突破。
而在車端，本年度典型的L2+智能輔助駕駛芯片將實(shí)現(xiàn)從單OrinX（254 Tops）到Thor U（700 Tops）數(shù)倍的性能提升，從而帶來由當(dāng)前端到端架構(gòu)向VLA等更復(fù)雜先進(jìn)架構(gòu)的演進(jìn)。
二、下一代車端模型，為何走向了VLA？
2024年，從「數(shù)據(jù)驅(qū)動(dòng)的感知 + 規(guī)則/小模型為主的決策規(guī)劃」，向兩段式端到端的變遷可以說是國(guó)內(nèi)智能輔助駕駛?cè)?nèi)最重要的技術(shù)潮流。
然而這套范式運(yùn)行到今天也呈現(xiàn)出非常明顯的瓶頸。尤其是對(duì)比2月底特斯拉FSD入華之后，特斯拉FSD的安全、擬人程度與國(guó)內(nèi)系統(tǒng)對(duì)比有層次領(lǐng)先。不少業(yè)界大佬如小鵬汽車CEO何小鵬、地平線副總裁蘇箐、元戎啟行CEO周光都公開認(rèn)可了特斯拉FSD技術(shù)的先進(jìn)性。
周光認(rèn)為，特斯拉FSD V12到V13的進(jìn)展，就是用了（更先進(jìn)的）大模型，只是特斯拉再不召開AI Day以及披露其中的技術(shù)細(xì)節(jié)。
元戎啟行和理想各自在GTC上公布其VLA模型的研發(fā)進(jìn)展之后，在過去幾個(gè)月里VLA逐漸成為業(yè)界主流玩家們的技術(shù)共識(shí)，至少在預(yù)研的層面。
目前除上述兩家外，小米從Wayve招聘了一位主任科學(xué)家，專門負(fù)責(zé)帶領(lǐng)VLA團(tuán)隊(duì)；國(guó)內(nèi)Tier 1龍頭德賽西威的自研智駕團(tuán)隊(duì)也在探索VLA；以及小鵬提到的車端模型XVLA，很顯然也是一種衍生的VLA模型。
VLA最早是由Google DeepMind在2023年7月提出的用于機(jī)器人控制的模型，其以大語(yǔ)言模型為基礎(chǔ)，模型在接收攝像頭的原始數(shù)據(jù)和語(yǔ)言指令后，可以直接輸出控制信號(hào)，完成各種復(fù)雜的操作。那為什么現(xiàn)在主流自動(dòng)駕駛玩家不少都選擇VLA？
周光在車展上談到VLA的幾點(diǎn)好處，從模型開發(fā)的角度，語(yǔ)言對(duì)于模型的「對(duì)齊」操作是非常友好的，語(yǔ)言天然是在AI開發(fā)中的重要手段；語(yǔ)言同時(shí)也是用戶對(duì)系統(tǒng)建立信任和安全感非常好的手段。
VLA能帶來什么樣實(shí)際體驗(yàn)的好處？元戎認(rèn)為：
- 應(yīng)用VLA之后，系統(tǒng)能夠習(xí)得特殊車道的駕駛方式；
- 擁有更長(zhǎng)時(shí)序的理解能力，不犯基礎(chǔ)錯(cuò)誤，更擅長(zhǎng)處理復(fù)雜路況；
- 也能像人一樣的方式思考，有學(xué)習(xí)和自我優(yōu)化的能力。
我們?cè)谲囌蛊陂g也體驗(yàn)了元戎最新的軟件版本，其針對(duì)大量密集的VRU有相當(dāng)穩(wěn)定的感知和博弈能力；此前在廣州密集的城區(qū)，其針對(duì)環(huán)島、銜接路等復(fù)雜道路結(jié)構(gòu)的識(shí)別處理能力，也讓人印象深刻。
在車端模型的演進(jìn)上，之前理想的「端到端+VLM」架構(gòu)在雙OrinX平臺(tái)遇到的典型問題是，VLM的運(yùn)行幀率較低，只有幾赫茲，難以達(dá)到自動(dòng)駕駛所需的實(shí)時(shí)性要求；而Thor將帶來模型規(guī)模和運(yùn)行幀率的提升。
理想在OrinX上部署的VLM模型參數(shù)規(guī)模大概在2B左右；而據(jù)業(yè)內(nèi)Tier 1 聯(lián)想車計(jì)算在本屆車展上透露，目前他們已經(jīng)在Thor上（只用了一部分算力）就實(shí)現(xiàn)了130B模型的部署。相信Thor的到來，將幫助智駕科技公司釋放VLA等復(fù)雜模型的潛力。
為了加速VLA的開發(fā)，元戎在本屆車展期間也與火山引擎簽署了深度合作，以獲得大規(guī)模云端算力的支持。
三、智駕走向L5，要先成為通才
從前融合到無圖再到端到端，作為一家擁有強(qiáng)AI背景的智駕科技公司，元戎有多次成功預(yù)言重要技術(shù)變革的歷史戰(zhàn)績(jī)；這一次，他們似乎再次引領(lǐng)了業(yè)界的技術(shù)潮流。
與此同時(shí)，元戎今年提出了RoadAGI戰(zhàn)略——尋求在汽車之外，打造具備通用移動(dòng)能力的技術(shù)方案，比如用在移動(dòng)機(jī)器人、無人配送小車等。
為什么在這個(gè)時(shí)點(diǎn)開始做RoadAGI？
周光認(rèn)為，這一趨勢(shì)與大語(yǔ)言模型的發(fā)展類似，從大語(yǔ)言模型的經(jīng)驗(yàn)看，模型要先走過通才階段，才能實(shí)現(xiàn)達(dá)到專才階段，「直到 ChatGPT 出來后，大語(yǔ)言模型才變成了一個(gè)通才，但它最初是一個(gè)大專水平的通才。這之后，隨著在推理、數(shù)學(xué)等垂直能力上的強(qiáng)化，它變成了一個(gè)博士級(jí)的專才；再下一步是博士級(jí)通才?！?/p>
元戎在VLA的研發(fā)初具成果后，進(jìn)一步開啟了RoadAGI戰(zhàn)略，計(jì)劃打造移動(dòng)領(lǐng)域的通才模型。
周光打了一個(gè)比方，「如果這個(gè)通才模型能在自行車、摩托車等不同移動(dòng)終端上都做到 1000 公里接管一次，這個(gè)系統(tǒng)再回去開車，就有可能做到 10 萬(wàn)公里接管一次?！?/p>
實(shí)際上，今天業(yè)界主流的城區(qū)輔助駕駛系統(tǒng)接管指標(biāo)還未能達(dá)到百公里級(jí)別；如果VLA和RoadAGI，能帶來這樣數(shù)量級(jí)的技術(shù)突破，其創(chuàng)造的價(jià)值將是巨大的。
熱門跟貼