文|光錐智能 周文斌
亦莊新城，又叫北京經濟技術開發區，位於北京西南方，離市中心大概20公裡。
最近兩年，隨著自動駕駛的高速發展，亦莊也成為了各大自動駕駛企業最肥沃的試驗田。
從市區前往亦莊，驅車大概需半個小時，這裡沒有其他經開區常見的高樓林立，反而因為地處郊外，視線沒有遮礙，再加上偌大的華北平原作為背景，所以顯得有些荒蕪和空寂。
這種感覺，特別是在見慣了北京的繁華之後，對比得格外強烈。
但是，如果你將眺望天邊的視線收回，將目光重新注意到亦莊往來交錯的街道，那麼你很快又會在這荒蕪空寂的外表下感受到一種絕對的熾熱，就像一團火焰，正在熊熊燃燒。
在這裡，隨處可見的自動駕駛車輛，正在讓亦莊成為一座真正的自動駕駛之城。
進入亦莊，我們遇到的第一個紅綠燈路口，左右兩邊與我們並排等待的，就是兩輛自動駕駛測試車，一輛屬於百度Apollo，一輛屬於小馬智行，一輛車的安全員坐在主駕駛，另一輛車的主駕駛位置卻空著。
紅燈熄滅，綠燈亮起；在我們的車輛才剛剛起步的時候，兩旁自動駕駛的汽車卻已經早早的駛過了路口，我們隻能在後面遙遙地看到一排尾燈。
除了主路上行駛的自動駕駛車輛之外，旁邊的輔路隨處可見美團的自動駕駛送餐車，不知品牌的快遞配送車，自動行駛的路面清潔車，以及那些在路上趴了窩，正在被工程車馱著送去檢修的故障車輛。
在這之前，我們從未想象過自動駕駛可以表現得如此具體，所有交通工具各司其職，一種賽博朋克的感覺撲面而來。
整個亦莊似乎都在為成為一個無人化的城市而努力。
在之前，這種熱烈我們也隻能在亦莊這種遠離城市的郊區看到。
而最近，自動駕駛卻準備正式”進城”了。
近日，小鵬城市NGP《Navigation Guided Pilot智能導航輔助駕駛》在預告10個月之後，終於在廣州開始向部分用戶推送了。
從網友上傳的視頻可以看到，更新NGP之後的小鵬P5已經能夠在人類駕駛員的監督下，平穩地行駛在城市道路上。
自動識別紅綠燈，自動並線、超車，主動繞開占道的行人和自行車，在路口會車的時候主動”加塞”……一系列的操作就如同一個老司機，面對最擁擠復雜的路段也遊刃有餘。
而整個過程中，駕駛員的手甚至都不需要碰到方向盤，隻是作為一個監督者，預防可能發生的意外。
可以說，隨著城市輔助駕駛的上線，駕駛員與車的關系，正在發生深刻的改變。
今年以來，城市輔助駕駛也正在成為各大車企和自動駕駛企業爭奪最激烈的焦點。
8月18日，魏牌CMO喬心昱率先在微博喊話，稱隻有面臨更復雜路況的城市輔助駕駛才是自動駕駛的”大學水準”，將自動駕駛的輿論焦點拉到了城市輔助駕駛。
之後，毫末在9月13日AI DAY上，詳細介紹了城市輔助駕駛方案《城市NOH》技術迭代；宏景智駕也在2022世界智能網聯汽車大會上展示了包含城市智慧領航《NOP-C》的全棧自動駕駛解決方案。
而除了這些之外，同樣不甘落後的玩家還有計劃今年內在ET7和ET5等車型搭載的NAD系統上實現輔助駕駛的蔚來；在L9上搭載了智能駕駛系統”理想AD Max”，以實現全場景導航輔助駕駛的理想；以及搭載了華為ADS系統，同樣具備高速+城市場景輔助駕駛的能力的阿維塔11等等。
據億歐汽車統計，今明兩年，至少有12家車企/自動駕駛企業將落地支持NOA行泊一體的智能駕駛方案。
漸進式的輔助駕駛”進城”，成為當前自動駕駛最關鍵的一場戰役。
自動駕駛進城，兩種路線一個方向
路旁隨意停放的車輛，走下路肩的行人，送外賣的電瓶車，往來的自行車，橫穿馬路的行人，紅綠燈路口的擁堵、加塞……
從高速公路的30萬公裡到城市道路的1100萬公裡，自動駕駛進入城市後，不僅僅在使用裡程上有極大的延展，其道路的復雜程度也上升了不止一個數量級。
毫末智行CEO顧濰灝總結，城市道路最顯著的三個特點，就是——路口多、變道多、擁堵多。
某種意義上說，城市道路輔助駕駛系統要解決的問題難度，並不低於L4級自動駕駛。
延續高速輔助駕駛的路徑，城市輔助駕駛系統也分為兩個技術方向，即重高精地圖和重感知，這兩個方案各有優劣。
首先是依賴高精地圖的方案，由於其能夠將車道信息精確到1m左右，所以采用高精地圖方案的車輛行駛起來都會比較穩定。
在轉彎、並線、車道規劃，以及上下匝道時都較平順。
新造車的蔚小理采用的都是這種方案，其中理想和小鵬用的是高德的高精地圖，而蔚來用的則是百度地圖。
而沒有采用高精地圖方案的車企，如特斯拉在進入匝道時往往會出現”畫龍”的情況，在車道規劃時也會出現過早、過晚的情況。
不過，高精地圖方案也存在許多問題。
比如，因為地圖覆蓋范圍有限，輔助駕駛能夠使用的范圍也有限；比如數據更新不及時，碰到一些臨時施工改道的道路，車輛會因為數據沒有更新而一頭紮進封閉的施工道路中。
中國城市道路來回裡程高達到1100萬公裡，這樣龐大的規模，如果都按高精地圖的要求來維護，數據幾乎不可能實現及時更新。
除此之外，高精地圖的使用也有相應的規范，通常需要相關部門審核之後才能上線。
而這種審核，往往也會導致早已準備好的輔助駕駛功能延期。
比如，小鵬城市NGP大概三個月前就已經準備好了，但是因為高精地圖沒有審核通過，所以一直拖到了現在。
而作為對比，重感知的路線則相對自由，能夠應對更多的復雜路況，使用范圍也不必被高精地圖所掣肘。
重感知路線的代表車型就有特斯拉和魏牌《采用的毫末NOH》等等。
所以，為了規避高精地圖帶來的一些局限，如今許多車企/自動駕駛企業都將繞開高精地圖作為主要的發展方向。
除此之外，也有如毫末采用”重感知，輕地圖”的中間路徑——以感知為主，地圖為輔。
毫末的方案是，通過圍繞車身的傳感器《雷達、攝像頭等》，建立一個連續的時空模型，再從這個模型中提取車輛行駛時需要的車道線、車輛位置、其他交通參與者的意圖等等。
然後再與導航信息進行結合，最終指導車輛行駛。
“這種方式就和人開車一樣，我們就把眼前的這段路開好。
“顧濰灝說。
整體來看，降低高精地圖在城市領航中的占比是大勢所趨。
餘承東、何小鵬也都在公開場合提到，對於自動駕駛而言，高精地圖一定是過渡，真正的自動駕駛一定要能夠全場景駕駛。
除了采用毫末城市NOH的魏牌計劃在年底覆蓋10座城市，小鵬也在推進不依賴高精地圖的輔助駕駛車型。
但是，重感知路線的城市領航，為什麼也仍然沒有大面積在各個城市上線？
毫末相關技術負責人對光錐智能表示，”在實際應用當中，每個城市都有許多意想不到的復雜路況，比如奇葩的紅綠燈。
“
在保定的一次測試中，他們每天經過的路口突然新增了一個紅綠燈，沒人知道這個紅綠燈什麼時候出現的，大家也沒有在其他地方見過同樣的東西。
“三排紅綠燈橫穿整個路口，兩邊用高亮的LED包裹，四周圍繞的全部都是LED的彩燈。
“
一個奇葩的紅綠燈，把數萬元的輔助駕駛整不會了？
城市的道路，每時每刻都在發生著變化，不同城市之間的不同道路會有所區別，同一個城市的不同道路也會有所不同。
“為了保證產品交付的穩定，我們前期肯定會控制節奏，每一個新開通的城市都會去做具體的測試，而當某一天我們發現新增的問題數量開始減少，或者快速收斂達到一定程度之後，才會去做大規模的鋪開。
“毫末對光錐智能如是說。
按照計劃，魏牌會在年底之前讓城市NOH覆蓋10座城市，並計劃在明年覆蓋超100座城市。
除此之外，搭載華為城市輔助駕駛的極狐預計在今年年底向用戶推送，蔚來、理想也將在2023年陸續更新自家的城市輔助駕駛系統。
自動駕駛3.0，開始拼算力
“大眾輔助駕駛，擁堵跟車把變道的前車給撞了”
“有次在高速ACC幫我防止了追尾。
“
用戶對輔助駕駛的評價，呈現出兩極分化。
事實上，從目前的許多事故上來看，輔助駕駛確實還很難說得上安全，就在不久之前，開著LCC功能的小鵬就在高速追尾；之後也有特斯拉在進入小區時突然加速。
而這一系列的事故也給了廣大車主一個非常強的不信任感。
輔助駕駛在高速、停車場這樣相對簡單的場景都不能保證安全，那在更復雜的城市道路上又值得信任嗎？
顧維灝認為，目前城市輔助駕駛的挑戰主要還是道路的復雜性，具體表現為城市道路養護，大型車輛密集，變道空間狹窄，城市環境多樣四個方面。
而要解決這些問題，AI就需要更多的數據樣本進行訓練，所以數據也就成了驅動自動駕駛成熟的核心。
區別於之前輔助駕駛將單個傳感器數據在車載大算力芯片上進行計算，在進入城市輔助駕駛之後，毫末開始將所有傳感器的原始數據放在一起，然後再通過AI大模型輸出車輛的全局感知結果。
這樣做的好處是，車輛在認知領域的進步可以逐漸脫離之前人為設定的規則，然後逐漸把人類真實駕駛的行為和常識提取出來。
簡單說就是讓AI駕駛更像人類的老司機。
但要達到這種狀態，那支持訓練的模型的數據至少要超過1億公裡。
除此之外，進入城市道路之後，汽車也要開始適應人類常用的交互方式，比如要理解周圍車輛轉向燈、尾燈的不同信號的意圖。
但現在市面上，不同車型、不同形狀的尾燈都有很多，這不僅對算法識別帶來挑戰，龐大的數據量同樣也會增加。
為了解決AI訓練中語義理解的問題，谷歌在四月份發佈了一個新的訓練模型——Pathways Language Model《PaLM》，由於其訓練參數達到5400億，使用了7800億個Tokens，也被大家戲稱為，讓世界沒有難懂的梗。
但這種能力要使用到自動駕駛環境，也要求自動駕駛訓練的裡程至少在一億公裡以上。
圖：PaLM用two-shot prompts解釋了一個原創笑話
很顯然，要訓練出好的自動駕駛，未來的數據量會變得越來越大，特斯拉現在擁有三大數據中心，總計11544GPUs。
為了提高數據的使用效率，特斯拉在2021年AI DAY上還發佈了自研的DOJO超級計算系統和D1芯片。
但傳統的數據使用方式還是制約了自動駕駛的發展。
在之前，大量的數據進入訓練階段之前，都需要人工進行標註，即人要先告訴AI，這個東西是紅綠燈，那個東西是柵欄，幫助AI建立基本認知。
龐大的數據標註催生了數據標註師這個職業，也一度被人們戲稱”有多少人工就有多少智能”。
但這種依賴人工標註的訓練方式也存在許多問題，比如大量時間和成本的占用。
顧維灝在毫末AI DAY上表示，之前的AI訓練中，成本主要用在了訓練標註上。
而在今年6月份，特斯拉加州辦公室有近200位員工被裁，主要也是自動駕駛的數據標註團隊。
為了解決數據標註的成本問題，特斯拉也開始引入效率更高，成本更低的數據標註系統。
這個系統隻需要將車輛在路上行駛采集到的真實駕駛數據，再利用標註好的數據來訓練模型，將結果進行聯合優化以後便可以得到更加精確和詳細的標註結果，整個過程都不需要人工的參與。
在2021年8月的AI Day上，特斯拉Autopilot的軟件總監Ashok Elluswamy就表示，他們可以在一周內自動標記10k個clips《最小標註單元》，而之前這個工作量至少需要幾個月的時間。
在國內，毫末采用的大模型訓練方式也有異曲同工之處。
毫末的方案是用大量未經標註的數據進行預訓練，然後形成一個主幹模型，之後再用標註過的數據在特定的任務上做特定的優化。
通過這種方式，毫末讓訓練效率提升了三倍，精度和準確性也遠高於之前隻用標註數據訓練的結果。
清華大學智能科學講席教授，中國工程院外籍院士張亞勤表示，自動駕駛正在逐步在向大模型，大數據、預訓練、多模態、端到端的趨勢發展。
最近幾年，隨著Attention to Transformer的廣泛應用，AI的自然語言識別效果很快超過了人類的平均水平。
但問題也隨之而來，這種大模型對算力的消耗要遠遠高於摩爾定律能給到的支持。
這也導致AI大模型的訓練成本太高了，傳導之後，也讓自動駕駛在車端的落地變得比較復雜。
針對這個問題，目前行業裡也在積極探索解決方案。
目前主流的方案有兩種，一種是輕量化，另一種是降低計算中的弱關聯計算。
首先是輕量化。
Attention to Transformer這種模型，其計算力和計算量比之前的CNN《卷積神經網絡》要高100倍，而這100倍的冗餘顯然還沒有達到完全釋放的時候，所以許多玩家就在嘗試將CNN與Attention在不同環節做不同程度的融合，以達到降低算力，實現輕量化的目的。
其中像蘋果在2021年提出的mobileVit和三星在今年提出的XFormer都是其中代表。
另一個則是降低弱關聯計算。
要知道，Attention其實有一個特點，就是在龐大的計算中，6.9%的計算貢獻了大概94%的價值，剩下93%左右的計算則是弱關聯計算，並沒有太大的作用，這就造成了非常龐大的算力浪費。
基於這樣的特點，清華的一位教授開始針對Attention的機制設計芯片《之前相關芯片的設計都是針對CNN進行的》，以達到降低弱關聯計算的目的。
顧維灝認為，自動駕駛需要的數據主要是兩個方面，一個是規模，另一個是多樣性。
我們今天做的所有工作，都是為了更加高效，低成本地獲取數據。
然後把數據送到計算中心，用訓練的方法把數據轉換為自動駕駛的能力。
除了在算法模型上下的功夫之外，算力也是未來自動駕駛能力的關鍵。
8月初，小鵬與阿裡雲專門為自動駕駛建立的智算中心”扶搖”，在被稱為”草原雲谷”的烏蘭察佈正式落成。
這座智算中心算力可達600PFLOPS，用於小鵬的自動駕駛模型訓練。
而在剛剛舉辦的AI DAY上，毫末也公佈了首個超算中心。
顧維灝表示，毫末超算中心的目標是滿足千億參數大模型，訓練數據規模100萬clips，將整體訓練成本降低200倍。
隨著自動駕駛發展階段的改變，自動駕駛公司的成本重心也開始發生轉移。
“自動駕駛2.0階段，錢都花在數據標註上了，應用大模型後的3.0時代，成本會發生轉移，會從標註轉到計算。
“顧維灝稱。
總之，數據的規模、獲取成本、質量、處理速度等，都和自動駕駛能力的提升速度正相關。
自動駕駛已經進入了依靠算力推動數據處理的時代。
結語
如今，各地政府也在加快推進自動駕駛和輔助駕駛的發展。
9月初，上海市政府印發《上海市加快智能網聯汽車創新發展實施方案》，目標到2025年，具備組合駕駛輔助功能《L2級》和有條件自動駕駛功能《L3級》汽車占新車生產比例超過70%，具備高度自動駕駛功能《L4級及以上》汽車在限定區域和特定場景實現商業化應用。
在2022世界智能網聯汽車大會上，北京經開區相關負責人表示自動駕駛示范區開啟3.0階段將實現全域信號覆蓋。
截至目前，北京經開區已經建成329個智能網聯標準路口，雙向750公裡城市道路和10公裡高速公路實現車路雲一體化功能覆蓋，並匯聚了產業相關領域百餘家企業、國內頂級院校與研究機構參與示范區建設。
除此之外，還有像深圳、廣州、長沙、成都、上海等全國多個城市都在積極推動自動《輔助》駕駛落地。
一系列的舉措，也都將推動輔助駕駛和自動駕駛加快落地。
8月28日，百度集團資深副總裁、智能駕駛事業群組總經理李震宇表示：”自動駕駛正成為智能汽車競爭的焦點，未來3-5年，將是全球汽車智能化競爭的關鍵窗口期，2030年沒有自動駕駛能力的電動汽車將完全失去競爭力。
“