2023年09月04日 14:25 21世纪经济报道 21财经APP 杜巧梅

　　商业化本身是需要找到一条合理的验证路径，最终用户用得起、用得好；对于企业而言，做一些投入和产出时能获得合理的商业回报。这需要产业链和生态共同推进，甚至需要法规和政策的支持，包括一些城市试验场景的放开。

　　在过去几年里，基于车载计算机、传感器、相机等设备，通过感知、决策、控制等多个环节技术的进步，汽车逐渐从一个主要由硬件驱动的机械产品，变成一个由软硬件共同驱动的智能产品，智能驾驶正成为当下汽车产品的标配。

　　完全的自动驾驶能够彻底解放人类双手，并显著提升驾驶安全，这是大势所趋，也是行业共识。不过，智能驾驶从实验室走向落地、进入规模化量产阶段并逐渐走向城市道路，还需要迈过“成本”这道门槛，其商业化模式的实现也一直是业内关注的焦点问题。

　　尤其是进入2023年以来，价格战挤压上游供应链，智能驾驶也从高性能走向性价比，如何让消费者为智能驾驶配置买单也是留给车企甚至供应链企业的命题。

　　在这个过程中，无论是对无图化、车云一体化技术路线的讨论、还是智能驾驶核心数据价值的萃取和释放、抑或是AI加速训练等，核心都是为了降低成本，提升效能、并推动智能驾驶走向“寻常百姓家”。

　　因此，智能驾驶走向大规模商业化还面临哪些挑战？特斯拉FSD入华，是机遇还是挑战？竞争激烈的智能驾驶赛道上，产业链的各方应如何协同？“车云一体化”如何赋能行业？大模型的到来又将给行业发展带来怎样的想象空间？

　　针对这些疑问，8月31日，21财经、21世纪新汽车研究院联合腾讯智慧出行共同推出「行者有云」主题沙龙，邀请车企、智能驾驶方案提供商、云服务商等产业链不同环节的企业以及学界知名教授，用一场酣畅淋漓的云对话，从技术、市场和行业多个维度探讨兼顾成本和效率的有效路径和实践经验，共同寻找智能驾驶大规模商业化的中国方案。

　　何芳：自动驾驶一直都是行业的热点的话题，在自动驾驶大规模商业化过程中，面临的最主要挑战是什么？

　　邓志东：中国在汽车电动化与软件化这个赛道上做的不错，位于全球第一阵营，而且还是先进水平。从L2++的高速、城市NOA，到车云一体化，再到整车L3的商业化落地，后面这个赛道属于中国方案；另外还有一个赛道——就是一步到位的L4，包括最后一公里的物流车、配送车以及相对封闭的港口、矿山等。目前需要考虑降本增效进行大规模商业化落地的赛道是L2++的NOA，这也是竞争最激烈的。如何走向L3和L4，技术上挑战很大，如何布局、产业空间有多大，可能还需要进行探索。

　　在生成式人工智能领域，我们跟国外的最先进水平还是存在差距的，这也包括视觉大模型驱动下的智能汽车和自动驾驶。

　　钟学丹：实现商业化落地是技术成熟之后在实际的应用场景下的使用，会带来几个挑战：

　　一是政策法规的挑战，也就是对自动驾驶大量依赖的数据安全性、合规性提出更高的要求。如何能保证技术的验证和发展的过程中符合数据的安全合规，有很多工作要做。比如腾讯从前两年就开始做自动驾驶的合规云平台，帮助合作伙伴完成数据合规性的验证和管理。

　　二是端上的技术的成熟度越来越高，大家对地图数据的要求，特别是城市级的数据鲜活度的要求非常高。如果用传统的数据生产模式，数据的成本非常高，不利于自动驾驶更好的商业化。所以需要更新的地图数据服务和技术方式，确保面向城市级地图的需求。

　　三是自动驾驶也从车端向云端寻求技术支撑和发展的时候，自动驾驶的研发大量需要云端的平台，BEV+Transformer这样一些新的模式也会产生大量的数据，自动化数据的标注和训练对云端的需求也会带来成本的上升。怎么确保这方面的成本可控，是非常关键的问题。

　　最后，在自动驾驶技术和能力都成熟的情况下，如何让技术真正有商业的回报和价值，需要设计一种商业路径——如何从小规模到大规模的演进，以及实现成本可控可能都是今天面临的一些挑战。

　　梁锋华：自动驾驶现在的确是处于非常关键的时期。一方面是智能驾驶整体搭载的规模在急剧扩大；另一方面，智能驾驶整体能力也在快速提升。

　　第一，安全和体验的兼顾性问题。一个智能驾驶系统如果安全方面做的不够好就缺少存在的根基；如果体验做的不够好，商品价值就不存在。

　　其次，依然需要技术不断演进。虽然智能驾驶大规模推广，但目前搭载量增长最快的还是比较基础的L2级智能驾驶系统，比较高阶的系统搭载比例总体上仍然是偏低的。

　　最后，更高阶的智能驾驶系统需要产业充分协同。运用产业的优势降低成本；通过技术的提升、架构的优化、设计的集中，从技术方面来降低成本；也需要产业一起推广，进一步提升搭载量。当然搭载量提升也会进一步促进产业链各环节的成本降低，快速形成良性循环。

　　李衡宇：中国的场景路况是比较复杂的，无论是哪个级别的智能驾驶，都要应对复杂的场景和路况。应对这样的挑战，必须去做的事情是收集到足够多的场景数据来保证技术能够取得进步和突破。

　　何芳：特斯拉的FSD可能很快进入中国市场，这对整个行业带来什么样的挑战？

　　梁锋华：FSD进入中国市场对整个产业，尤其智能驾驶产业既是挑战也是加速促进的机会。

　　一方面，我们自己也在持续变革整个架构并不断优化；另外一方面，围绕中国场景，尤其是中国用户所面对的一些场景提供针对性的解决方案，也让我们的价值持续最大化。中国用户独特的场景需求非常多元。比如远程智能泊车可以解决需要亲自下楼挪车的痛点问题。加快挖掘用户场景需求的速度和力度，从而给用户提供更精细和更深入的服务，可以让我们的价值持续扩大。

　　李衡宇：无论是特斯拉车辆大规模的进入中国市场，还是FSD进入中国的市场都是好事。从历史经验来看，正是因为有特斯拉电动车的出现，然后才有了现在蓬勃发展的电动车产业。我们并没有因为特斯拉在中国建厂，而让我们的产业被竞争淘汰，反而是更加蓬勃的发展。现在已经有很多中国车企已经可以跟特斯拉掰手腕了。

　　FSD也是同样的逻辑，如果真能进入中国市场，那对我们的智驾，对我们这些供应商，对我们做自动驾驶的这些从业者是利好的。因为我们可以跟世界同频同步，也可以把我们产业做得更好。同时，我们不会担心特斯拉一统天下。中国企业有足够的技术积累，有很多独到之处，仍然会做出更好的产品。

　　邓志东：FSD引进中国是非常好的一件事情。苹果手机进入中国带动本土智能手机产业的发展；上海引进特斯拉超级工厂带动了整个新能源汽车供应链的升级换代，并促进中国新能源汽车产业的蓬勃发展。FSD的到来至少可以完善本土智能汽车的供应链与产业链，激励中国汽车智能化水平的提级换挡。

　　钟学丹：汽车智能化的发展过程中取得的这些成果也好、技术进步也好，不只是一个车企的技术输出，而是整个产业链和生态的进步。腾讯也是一家跟汽车行业看起来不沾边儿的公司。但一直以来致力于跟主机厂共创，把在互联网上的一些好的技术和沉淀的一些经验应用到智能化场景中，通过一些技术的输出和对新的应用场景的理解和共创加速整体技术的进步和产品的落地。

　　何芳：提到智能驾驶行业的挑战，也看到整体汽车行业面临的价格战，已经或多或少、或迟或早的传导到产业链的各个环节。各位是否感觉到了压力，特别是降本的压力？行业怎么能够在产业协同的情况下把成本做到最优？

　　钟学丹：压力还是很明显的，主要来自于几个方面：一是整个市场竞争加剧；二是智能汽车在智能化的发展过程中，本身给整车成本带来了压力——要搭载包括计算平台、传感器、软硬件和云端的这些服务——带来巨大的成本的压力。

　　腾讯能做的事情，就是帮助大家用更好的算力平台提升计算效率并降低数据存储成本。让合作伙伴实现从端的智能化到云的智能化过程中，用更简单和更低成本的配置和算法的灵活应用，节省单车的算力成本的投入。

　　梁锋华：价格战是市场行为，是对整个产业链调整的过程。不仅仅是对整车厂，也是对整个产业链的重新考验。大家都需要重新思考产业链如何更高效。与其叫降低成本，不如说叫提高效率。如何提升整体的开发效率、如何通过技术进步去掉不必要的成本。

　　李衡宇：从去年开始，小马智行衍生出一个业务，就是专门给主机厂提供智能驾驶解决方案。协同不单单是数据，技术上也要做协同。成本也是一个新的考验。尤其是硬件。以前小马智行用的硬件可以是很贵的计算硬件，但是现在不行，如果价格太高，会让搭载我们解决方案的汽车的竞争力下降。所以也做了很多硬件的研发投入，打造适应市场的方案。

　　邓志东：L2++的NOA这块需要考虑成本，国内企业也面临特斯拉的市场价格挑战。国内的新造车势力，包括传统主机厂，在新能源汽车的生产制造工艺上面，基本上没什么太大的变革，利润空间就很小。最终还是要靠技术创新来解决问题。没有颠覆性技术创新很难去打过人家。当然我们还是有些基础，比如新能源汽车产业链上有自主创新的电池技术，那成本就能控制住。

　　何芳：智能汽车成本都包括哪些因素？主要的成本现在哪些方面？有没有更多降本增效的空间？

　　梁锋华：智能化尤其是智能驾驶，所涉及范围比较广，既包括车端也包括云端，还包括其它产业链，都会对系统的成本产生比较大的影响。

　　车端涉及传感器、执行系统。执行系统又包括制动、转向、动力等方面。还有一些其关联系统会增加传感器、线速等。云端则涉及超算中心和数据标注。数据的生产、采集、标注、训练等各个环节都会产生成本。比如说流量，数据收集所需要的流量会越来越多。

　　降本增效需要产业协同。如何通过协同的方式把成本降低到合适状态，需要全系统和全产业链思考。

　　李衡宇：小马智行积累的很多L4上的算法或者能力可以打造成解决方案，为用户提供智驾体验。当然，需要的功能越高级，硬件的成本也越高，因为需要更多的传感器。所以成本也是根据用户的市场的需要变动的。同样，如果功能越丰富越复杂，要应对的场景越多，那研发成本也会越大。

　　那怎么来应对降本的需求呢？一个比较好的方法就是上量。无论是硬件还是软件，一旦实现大规模的应用，成本就会降低。这个需要产业的努力，当然也需要方案能够规模化的铺开。

　　何芳：提到产业协同，一个特别重要的话题就是“车云一体化”。云计算越来越被看成是实现自动驾驶的关键决胜条件，“车云一体化”是不是未来的必然趋势？

　　钟学丹：从技术的演进上来讲，单车智能带来的代价就是车上需要更强的算力平台和感知的设备和能力。智能驾驶对计算的要求、数据的要求，单车很难直接解决。所以必然要借助云端的能力。自动驾驶的研发，从一开始就是借助云端的平台的能力去构建的。对大规模计算的需求、算力的需求不太可能在一个算力平台实现。

　　梁锋华：“车云一体化”不是一个趋势而是一个形态。随着一体化的深度不断加深，围绕着如何给用户提供更好的服务，比如远程诊断、远程控制，通过云的方式，不断提升用户体验；通过云端来构建算力中心，为数据的存储，数据的训练、模型的构建提供非常关键的基础设施。

　　再进一步，随着云端发挥的作用不断加深，在开发端发挥的作用也会不断提升。从服务到工具再到开发平台，会推动产业合作从车云扩展到车路云。

　　何芳：大模型在“车云一体化”这方面的应用，会对车企或者自动驾驶降本增效带来什么实际价值？

　　邓志东：L2及L2++NOA产业化的路径比较清晰，关键是L3和L4真正实现大规模的产业化，需要人工智能的突破，也就是说需要与大模型结合。需要端-边-云的架构，边缘很重要。只有云的话还是解决不了实时响应的问题。汽车是高速运动的，而且是对安全性要求特别高的移动载具，必须要实时感知、实时反馈、实时响应，所以边缘服务很有必要。

　　比如特斯拉FSD就是真正依靠大模型实现的，将所有的视频与导航数据记录下来，然后用超算做超大规模的预训练。除数据闭环这个维度，第二个维度就看算力基础设施，特斯拉很早就有自主车载芯片研发了，不但做FSD芯片，而且还做Dojo超算。在数据、AI算力、视觉大模型方面，中国企业差距是非常明显的，才刚刚起步。

　　L3赛道是一个中国方案的赛道。那么L4的部分就要先看一看FSDV12了，如果FSDV12这种彻底的端到端真成功了，汽车智能化产业就会发生很大的改变。

　　钟学丹：从邓老师提到的几个点来看，智能驾驶数据规模急剧膨胀，特别像大模型的计算，腾讯也发布了HCC的超算计算集群。

　　一方面是算力，另一方面是集群通讯的带宽。当前做到业界最高，达到了3.22Tbps的带宽的水平。同时算力性能比原来提升了三倍。还有就是数据，针对大规模和不同性质的数据发布了向量数据库，带来有十倍以上的性能提升，而且成本也会有数量级的下降。在训练平台方面，腾讯会有一个训练平台做专门、专项的优化。在训练效率等方面都有比较大的性能提升。

　　这些目前只是起步，还在不断演进，特别是应用到智能驾驶的场景和需求上比其它一些通用的或者垂类大模型的挑战和难度会更高，还需要跟产业的各个环节共创。

　　李衡宇：从智能驾驶角度，车云从来是一体的。小马智行在算法迭代上、智能驾驶的技术的研发上，很大程度上得益于基础架构方面的贡献和对数据的高效利用，比如自研工具链、仿真平台。当然更基础的能力来自类似腾讯云服务商的产品。只有云和基础架构的能力的提升，才能带来算法能力的提升和产品体验的提升，车和云天然是一体的。

　　钟学丹：以前大家还没那么重视大模型，但ChatGPT出来之后，整个行业特别火爆。从汽车领域来看，除了语音交互，通过大模型对汽车行业的知识的学习，提升汽车生产制造、研发，包括在自动驾驶领域、智能客服等方面发挥作用。

　　梁锋华：大模型有可能在智能交互等项目马上落地，体验度会有非常大的提升；在智能驾驶方面，通过大模型可以解决自动化标注、在仿真场景生成Corner case等问题。

　　跟汽车智能驾驶相结合的大模型还需要比较长的探索过程，比如端到端大模型还存在问题，可解释性、实际效果、工程化可实施性要一起克服。总体来说，大模型在智能驾驶上的应用前景广阔，但是还有很多问题需要克服。

　　李衡宇：大模型的技术对智能驾驶是一个利好，可以帮我们提升智能驾驶效果。回顾历史，自动驾驶行业的兴起，其中一个巨大的推动力和前提就是深度学习的出现。新的方法，新的生产工具，无论是在感知领域，还是在规划控制领域，都在运用这样的方法并已经取得了很好的效果。

　　何芳：随着BEV + Transformer成为主流的方案，大模型的应用会对云平台的能力搭建提出一些什么样的新的需求？

　　钟学丹：除了基础的技术能力和工具链、计算平台，在数据的处理方面可能带来新的话题。过去自动驾驶会比较依赖高精或者基础的一些数据。但在使用一些新技术时，大家正在用一些感知的能力结合轻量化地图来解决问题。腾讯在地图服务和这些能力上，也有很多储备和数据生产的能力。去年腾讯将SD地图，ADAS地图和HD地图实现三图合一，把车端实时感知回来的数据跟云端图的数据做融合合。

　　何芳：钟总又引出了一个话题，现在主流路线似乎是轻地图重感知，未来发展趋势中，地图的数据价值真的是越来越小吗？

　　梁锋华：所有技术路线的源头都要回到用户，核心就是如何更高效地给用户提供体验和服务。地图和感知轻重关系的问题不应该绝对化，将来会做到比较合适的搭配。地图的优势是提供一些先验性的信息，但当前传统的高精度地图无法完全满足智能驾驶的需求，我们需要对地图的形态重新审视和定义。如何提升地图的鲜度，如何让地图的成本大幅度降低，同时还能给用户提供更好的体验，是需要思考的问题。

　　李衡宇：二者不是对立的。地图的使用是要看解决方案要解决什么问题，实际上是一个性能和成本、安全之间的一个折衷和妥协。

　　如果能大规模、低成本的获取高精度地图，所有人都会用。但事实几乎是不可能的，所以产品上就要降低对地图的依赖，这是非常现实的一个选择。随着感知能力的进步可以进一步降低对高精地图的需求。所以轻地图也好，重地图也好，会随着时间的变化而变化，这些还是要从应用场景和产品出发。

　　何芳：回到最初的话题，从“车云一体化”到大模型，各位认为智能驾驶大规模商业化的中国方案是什么？

　　邓志东：L3是真正的中国方案，单车智能加上智能路网，属于车云一体，这是形成中国优势的重要方面。如果智能路网基础设施能够构建起来，对大模型在自动驾驶中的应用是一个重大利好。如果完全是拼单车智能、拼车载算力，我们不一定能做到技术领先、产业落地。

　　钟学丹：肯定不是某个企业的一个方案就能解决所有的商业化路径的问题。商业化本身是需要找到一条合理的验证路径，最终用户用得起、用的好；对于企业而言，做一些投入和产出时能获得合理的商业回报。这需要产业链和生态共同推进，甚至需要法规和政策的支持，包括一些城市试验场景的放开。

　　在这些支持下，我们反而可能有些走在领先的位置。今天谈到车云一体，腾讯是一家用数字化技术助力主机厂在智能化、在数字化发力的助力者，优势更多是在云端的大规模计算能力、AI能力和对数据的理解和处理能力，希望在这些过程中，通过这些技术与自动驾驶公司、主机厂一起形成能加快智能化技术进展的力量。同时结合产业的，共同寻找一种更合理化的商业路径，成为很好的助力者和共创者。

　　第一个可以叫新的技术机会。大模型就是一个非常好技术机会，能不能在新的技术机会发展的过程当中占据制高点是非常关键的一个方面，需要行业，尤其整车厂、互联网公司充分发挥各自的优势，加速大模型本身的研发、迭代和升级。也许大模型不是中国最早提出来，但是如果你能占据制高点，那就是中国方案，而且是一个可以面向全世界的中国方案。

　　第三个叫中国场景。中国的场景有很多特别之处，能够更好地解决中国场景，我觉得也是中国方案的机会。

　　李衡宇：从自动驾驶卡车物流角度来看，自动驾驶卡车在中国的大规模的落地需要至少三个方向的努力——技术、场景和的车辆，需要自动驾驶公司、主机厂和市场三方合力；还有一个重要的方面就是法律法规和政策的突破。三方的努力和政策法规的推动，产业的共同的进步，才有可能实智能驾驶大规模的应用和商业化的实现。

　　IPO前哨丨180亿估值老乡鸡终止上市：家族持股超90%,上市前“突击”交社保