自动驾驶，戴着“枷锁”起舞

在3000年前，在古希腊德尔斐神庙阿波罗神殿前的三句谚语中，“认识自己，不要做太多。”

这两句古老的谚语对于汽车行业来说也是如此，百年来没有什么大的变化。虽然自动驾驶、大模型、车路云一体化等新技术、新商业模式层出不穷，但为汽车行业开辟了更多的想象空间。但是每种技术都有局限性，我们要认清技术的边界，在“能”和“不能”之间找到最优解。

迎来“AI定义汽车”拐点

经过多年的外观、三电、智能驾驶舱领域竞争，深度智能化是许多汽车公司的下一个目标。

1925年，纽约展出了一辆遥控车，向人们展示了即将到来的无人驾驶汽车。据《纽约时报》报道，这辆被称为“美国奇迹”的汽车在1000多名围观者的注视下在百老汇街头巡游。然而，它首先在第62街失控，在哥伦布环岛失控。最后，这辆想成为“奇迹”的车撞上了另一辆车。

100年后，以大模型为代表的AI技术，2024年北京车展开启了汽车深度智能化的关键突破口，发展速度远超业内预期。根据行业最初的估计，大模型的大规模上车可能需要两年左右的过渡期，而在北京汽车展开幕前后，汽车公司迫不及待地大规模生产上车，这表明目前的汽车行业正在从“软件定义汽车”迅速走向“AI定义汽车”的新转折点。

英伟达CEO黄仁勋作为自行车智能的代表性技术，自马斯克首秀以端到端FSD为基础以来，无论是汽车公司还是自动驾驶技术企业，对端到端的自动驾驶解决方案都表现出极大的热情，称之为“自动驾驶革命性进步”。

去年四月，华为常务董事、终端BG CEO、智能化汽车解决方案BU CEO余承东曾经说过，今天的智能电动汽车与10多年前的智能手机时代惊人地相似。我们正在走向智能电动联网汽车时代。2025年可能会出现分界点，可能会形成大的逆转，相当于2013年手机行业的大逆转。

1%长尾问题是最难的。

目前还不清楚端到端神经网络模型能否成为那个分界点，但是可以肯定的是，任何技术都不能万无一失。我们要做的就是最大限度地降低技术应用过程中的潜在风险，保证技术的可用性、可靠性和稳定性。

自动驾驶最重要的是保证安全。即使99%的道路情况问题可以在技术上解决，也无法实现真正的无人驾驶。剩下的1%是难点，也就是所谓的“长尾问题”。

这个问题的难点在于，我们很难用尽所有可能出现的场景和案例，也很难定义问题的全集是什么。如果连事情都没有完全定义，就无法有效提出解决方案，也无法有效预测其效果和费用。

从技术角度来看，目前国内自动驾驶系统基本采用传统的分治法，将自动驾驶任务分为三个单独的模型:感知、预测和规划，然后集成系统完成整个自动驾驶任务。

分治法的优点是将复杂的自动驾驶任务拆解成大量相对简单的子任务，大大降低了系统开发的难度。由此组成的系统具有很好的可解释性，可以对每个模块的输入输出进行白盒分析。一旦发生事故，可以深入分析，找出具体的问题点。

但缺点是需要编写的代码量巨大，在系统设计中引入了太多的人为先验经验，导致自动驾驶能力上限相对较低，系统泛化性相对较差，通常无法处理未见的场景。

在学术界，端到端并不是一个新概念，已经有很多相关的论文和研究。然而，直到去年，在具有高级辅助驾驶功能的量产车大规模落地后，有了海量数据和海量计算率的加持，才取得了突破。

端到端模型集感知、预测、规划于一体，不需要冗长的代码来制定规则。相反，机器可以通过使用大量数据来训练系统，具备独立学习、思考和分析的能力，更好地处理复杂的驾驶任务。

由于任务较少，避免了大量的重复处理，端到端自动驾驶可以提高计算效率，并且可以通过不断扩展数据来提高系统的能力上限。

对于缺点，端到端的“缺乏可解释性”是一个客观的缺陷。就像人类无法解释宇宙从哪里来，有多大一样，我们无法准确解释大模型做出行为的动机，这给未来的问题分析和算法优化带来了困难。我们不知道从哪个方向来改善它。

第二，“需要大量优质数据”也是一个较高的门槛。Andrejrej，一位曾经在OpenAI工作的计算机科学家。 在一次采访中，Karpathy表示，特斯拉自动驾驶部门将3/4的精力投入到收集、清洁、分类和标记高质量数据上，只有四分之一的工作用于算法探索和模型创建。这种能量分配足以说明数据在特斯拉自动驾驶技术栈中的地位。尤其是端到端这种完全数据驱动的大型模型，数据的规模和质量比参数更能决定模型本身的性能。

就特斯拉目前的自动驾驶性能而言，行业还没有从实践中证实，端到端100%确定是一条值得追随的技术路线。

如前所述，端到端的可解释性较差，所需的数据规模和计算率远远超过国内企业的承受能力，因此确定端到端路线会超过分模块方案还为时过早。

另外，法律和道德是一个无法回避的挑战。自动驾驶汽车的决策在很多情况下可能与现有的交通法规和道德规范发生冲突。例如，在紧急情况下，无人驾驶汽车可能需要做出决定，例如，在法律和道德上，选择撞到行人或其他车辆是非常敏感的。由于自动驾驶技术涉及许多法律责任和义务，如数据的隐私和使用，汽车的责任和保险等，这些问题都需要制定全新的法律和政策来解决。

“隐形翅膀”自动驾驶

在道路基础设施无法满足自动驾驶需求的前提下，自行车智能无疑是实现自动驾驶的最佳方案。谷歌旗下的Waymo、特斯拉坚持纯粹的视觉流，以及国内大多数自动驾驶企业，都是这种模式的粉丝。

但这对一个企业的科技实力提出了很高的要求。客观来说，中国在自行车智能技术上与美国存在一定差距。谁敢说中国任何一家汽车公司和自动驾驶技术公司的自动驾驶计划都比特斯拉FSD好？

与其苦苦挣扎，不如另辟蹊径。与海外基础设施建设和升级相比，中国作为一个“基础设施狂人”，可以充分发挥基础设施领域的优势，实现变道，“车路云一体化”是最大的机遇，也是最适合中国国情的路径。

就方法而言，车路云一体化跳出了自行车智能的局限性，将目光投向了更广阔的道路和云端，结合了“半个司机在车上，半个司机在路上”的组合。借助路侧多传感器的超视距感知、路侧边缘计算和云中央计算相结合的完善计算率体系，实现了汽车、道路、云的全球数据协同和智能调度，为自动驾驶的可靠性和安全性增添了保障。

就模型训练而言，车路云一体化架构为自动驾驶技术开辟了新的道路。与传统的依靠车辆独立收集数据的方式相比，车路云一体化系统可以获得更大的数据量和更丰富的数据类型，不仅大大拓展了训练数据的广度和深度，而且显著加快了自动驾驶模型的学习效率和准确性，为实现更高水平的自动驾驶奠定了坚实的基础。

自动驾驶车辆的传感器不再是唯一的眼睛。通过遮挡或关闭这些传感器，车辆可以依靠路侧基站构建实时数字孪生系统，不断向车辆传输交通路况和环境数据，引导其顺利完成自动驾驶任务。从这个角度来看，车路云一体化就像一双“看不见的翅膀”，守护着无人驾驶汽车的必经之路。

不过，车路云一体化的大规模落地并不容易。是集技术、产业、政策法规、工程建设、商业运营等因素于一体的跨部门、跨专业、跨行业的“系统工程”。，要结合国情，从顶层设计到落地实施，不仅要探索自行车智能与车路云融合的自动驾驶技术方案，还要规划成本可控的科学规范的车路通信设施建设方案。

据公安部最新资料显示，2023年底，中国公路总里程达到544.1万公里，其中高速公路18.4万公里，位居世界第一。截至目前，我国已有超过3500公里的道路完成智能升级改造。与我国庞大的公路里程数量相比，智能道路升级改造空间巨大。

政府成为车路云一体化推进过程中的主要推动者。近日，北京市公共资源交易服务平台正式发布《北京市车路云一体化新基础设施建设项目(前期设计、施工图设计)招标信息》。根据招标信息，该项目投资规模达到99.39亿元，共选择约6050个2324平方公里的路口进行建设，除上述路口外，双智专网网络中心的建设和改造。

随后，6月3日，福州智能联网车路云一体化启动区示范建设审核项目公示，成为继北京之后第二个在车路云协同方面有大动作的城市。6月4日，鄂尔多斯市新能源智能联网汽车“车路云一体化”应用示范项目成功备案。此外，长春、杭州等地也积极申请智能联网汽车“车路云一体化”应用试点。

巧合的是，美国参议院在5月份提出了AI政策路线图，建议每年拨款320亿美元，以促进跨政府部门的AIR&D，支持基础科学研究，支持AI在先进制造、智慧城市和交通系统、合成化学和生物应用领域的广泛应用。

可见，一场围绕AI的大国博弈已经进入了一个关键时刻。智能城市、智能交通、智能联网汽车作为AI应用的重要领域，不仅重塑了人们未来的生活方式，也成为国家竞争力的重要体现。

根据CICC的预测，2020年至2025年将成为中国跨越高级自动驾驶的关键时期。到2030年左右，预计将实现郊区和市政道路的高度自动驾驶，预计2035年后完全自动驾驶。

事物的发展总是波浪式的，螺旋式的，自动驾驶的。未来，以大模型为代表的生成AI和车路云一体化，将为自动驾驶开辟更多的想象空间，承载着人们对美好生活的向往。

本文来自微信公众号“极智GeeTech”（ID:gh作者：半山，36氪经授权发布，_ace6129f9cd5)。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com