80%的数据+20%的模型=更好的AI。

这是人工智能范畴威望学者、斯坦福大学核算机科学教授吴恩达在他45岁生日当天提出的人工智能“二八规律”。他表明，“假如咱们80%的作业是数据预备，那么保证数据质量是人工智能团队的重要作业。”。

由此延伸至端到端智能驾驭范畴，智驾这盘菜看起来诱人，但车企想要吃到嘴里并没有那么简略，这既要稀有据作为质料食材，也要有算力燃料把火烧得旺，还要协作算法的烹调。优质的数据和足够的算力是全部技能迭代晋级的先决条件，没有好的食材和火候，再先进的算法也无法发挥出最大功效。

当智驾迎来最为要害的中场战事，职业的重心不再是招募更多尖端的工程人才，而切换到模型规划、东西链开发以及模型的测验验证上。一个十分显着的现象是，业界从前以团队规划作为描绘先进性的一项方针，而到了2024下半年，职业比拼的要害方针变成了云端算力和数据质量。

从2023年的开城大战，到2024年的“车位到车位”大战，这其间耗费构成数据闭环成？耗费建好算力“蓄水池”？耗费最大化运用数据和算力资源并完结最优算法？都是车企决胜智驾下半场必需求处理的问题。

一、“冰山之下”的数据闭环才干。

端到端下的智能驾驭技能，是数据和算力的合谋。

跟着智驾体系中感知定位、决议计划规划和操控模块的完结办法由根据规矩的代码向AI模型改变，智驾体系开发范式也从规矩驱动逐步过渡到了数据驱动，当体系越来越依托数据驱动，意味着数据闭环对智驾体系越来越要害了。

所谓数据闭环，是从数据搜集、存储、发掘、标示到模型练习、仿真验证、集成布置的整个开发作业流。数据闭环完结的是对数据价值的提取作业，其本质是将隐藏在一个又一个驾驭数据片段中的人类驾驭常识慢慢地搬迁到智驾体系模型的参数文件里，然后使智驾体系的表现愈加趋向拟人化，大幅进步驾驭体会的天然性和舒适性。

从数据闭环展开阶段看，在榜首阶段，智能驾驭技能首要采纳硬件驱动的办法进行研制，数据闭环概念初现。进入第二阶段，算法和软件的重要性不断进步，智能驾驭开端测验选用小模型、根据规矩驱动的办法来处理智能驾驭问题。跟着智驾技能的进步，智驾体系关于数据的需求剧增，其优化对数据闭环的要求越来越高，因而数据闭环已逐步进入由数据驱动的第三阶段。

关于端到端智驾体系所需求的数据，特斯拉曾给出过一些判别规范：一个端到端自动驾驭练习至少需求100万个、散布多样、高质量的视频片段才干正常作业。假如片段到达1000万个，体系才干会变得难以置信。

抱负表明，最晚今年年初，会推出大约超越1000万个片段练习出来的端到端+VLM。前段享用小鹏智驾负责人也揭露表明，小鹏端到端模型的练习数据量已到达2000万个片段。

当时，车企和智驾企业获取数据首要有两种办法：

一是从量产车上发掘。比方针对车企卖出的几十万台车，工程师会写下专门规矩，假如用户的驾驭行为契合条件，特定数据（经过脱敏处理）会被上传。车企用户也能够自动上传一些特别事例。

二是在存量数据中发掘数据。在前期智驾还不老练的阶段，车企和智驾企业往往堆集许多数据，许多都是无效数据，工程师只能经过一些算法规矩来挖取。

高质量数据作为养料，会决议智驾体系迭代的质量，也继续检测着车企的智驾自动化闭环才干。

最近几年，跟着量产车的规划化落地，许多车企都开端转向选用量产车的影子形式搜集数据，但这种形式仍然面对艰巨的应战。

首要，是搜集战略问题，即耗费平衡数据的长尾问题（有用性）和数据的规划问题（本钱）。假如搜集战略比较宽松，往往搜集回来的数据大部分是废物数据，底子没有运用价值；假如搜集战略过于严厉，又忧虑丢掉许多有价值的数据。

其次，是数据质量问题，耗费界说数据质量是个艰巨的产品问题，“坏数据”（不熟练的驾驭、糟糕的驾驭习气、违背交通规矩等）会向下拖曳大模型的练习作用。因而，耗费精准地挑选出高质量的数据又是一个杂乱的技能问题。

第三，是数据散布问题，耗费从海量的视频片段中提取有用的特征、耗费统计数据的散布、应该考虑哪些维度，都需求许多的作业。

关于大部分车企和智驾企业，还会面对严峻的数据泛化问题，由于不同的车型传感器装备差异巨大，搜集的数据往往难以复用，而国内车企遍及车型许多，终究很或许是采了一堆数据放在那无法运用，看起来是数据财物，其实都是存储本钱。毫不夸大地说，数据会占有端到端智驾体系开发中80%以上的研制本钱。

因而，越早构成数据闭环才干，就越有助于车企构筑既宽且深的技能与产品护城河，也就越有机会将比赛者拒之门外。

二、“算力军备比赛”愈演愈烈。

由AI大模型催生的抢购算力潮，从上一年开端猛然搬迁到了轿车职业。以抱负、华为和小鹏轿车为首的新势力车企和智驾企业尤为急进。

和AI大模型技能趋同，端到端的智驾技能，相同稀有十亿参数，也在向百亿级进发。对算力资源的拼抢成为智驾范畴继数据之后又一个新的取胜规律。

实际上，智驾的算力军备比赛早已愈演愈烈。一方面，跟着智驾体系的迭代晋级，智能轿车所搭载的传感器数量与类型进一步增多，智驾体系需求实时搜集海量传感器数据并进行交融处理，做出合理决议计划与途径规划，将决议计划实时传送到履行部件。在海量数据处理以及超低时延的需求之下，智驾体系核算量激增，算力需求出现指数级添加。

一般认为，自动驾驭等级每添加一级，所需求的芯片算力就会出现十倍的上升。根据Intel的核算，L5级其他全自动驾驭年代，每秒需求芯片处理的数据大约为4000G。

另一方面，智能座舱与智能车联的展开也对算力提出了新的要求。座舱交互体会的晋级与第三生活空间趋势之下，“显现屏”逐步代替车内其它显现办法，车载文娱与服务进一步丰厚，多模态交互成为趋势。这些都对整车算力提出了更高的要求。

上一年7月，抱负轿车云端算力为2.4 EFLOPS，到11月算力已达6.83 EFLOPS。小鹏轿车计划到2025年，云端算力将从现在的2.51 EFLOPS添加到10 EFLOPS。华为智驾也在两个月内迅速将云端算力规划从5 EFLOPS扩张到7.5 EFLOPS。

当时轿车算力首要来历仍是车载核算借题发挥，车载算力上限决议了未来轿车能够承载的软件服务晋级上限，然后决议轿车全生命周期价值。因而，在软件技能仍处于继续晋级迭代的当下，主机厂经过硬件堆砌，预埋足够大的算力，以期在未来能更大程度地获取软件服务收入。

但在摩尔规律之下，车载核算借题发挥的算力终有上限，而轿车的产品特点也无法接受不计本钱的硬件堆砌。对数据的实时剖析处理吞噬着飞速上涨的算力数值，这一场算力军备比赛也逐步演变为比拼算力数值巨细的盲目比赛，引发主机厂的算力焦虑。

为了缓解算力供应严重，云端大模型成为可行的计划。

从现在职业干流的三种端到端技能展开路途看，一种是经过许多规矩和小模型堆叠而成的“大模型”，其需求许多的优异规矩工程师；一种是“车端大模型”，即直接将端到端模型布置于车辆上，尽管见效快，但受限于车端算力，且跟着后期练习数据量的添加，简略堕入瓶颈；第三种便是云端大模型（Foundation Model），其参数量是车端模型的几十倍乃至数百倍，这是单纯的车端大模型所远远赶不上的。

但练习一个云端大模型，也对大规划高功用算力以及数据存储和处理提出了十分高的要求。

榜首，是进步并行练习功用和运用率的要求，这对云基础设施包含网络互联、带宽，以及体系软件优化等带来了应战。

第二，是对模型练习耐久稳定性的要求，比方模型练习中止，练习出现问题后能否快速拉起使命，缩短毛病享用。

第三，大规划多模态数据的存储与处理才干，完结并行练习的高功用、高吞吐，满意模型练习不断进步的数据量添加需求。

第四，海量数据的存储本钱要求，在满意数据处理功用要求的前提下，经过支撑数据分层存储，完结最优的本钱。

从整车角度上，当车端架构和云端架构进一步一致后，接下来的比赛是数据发掘、数据的有用运用以及整个技能栈对数据的了解，以及耗费在大规划的基础设施上平衡整个核算功率。

换句话说，便是需求取得高质量、大规划的数据，再协作高算力，来练习和迭代算法才干，树立“冰山之下”车端和云端之间的数据闭环才干，来让这“三大件”的才干更有用率和更低本钱地工作起来。

三、耗费为智驾“降本增效”？

智能网联轿车的底色，是轿车的AI化。无论是智能驾驭、智能座舱，又或者是车路云一体化，都在向着人工智能的方向进化。深度学习、大模型等技能，亦深度嵌入功用开发过程中。

关于智能轿车而言，智驾水平的凹凸表现在对环境的实时感知和对数据的剖析处理才干方面，而这又需求巨大且优质的数据集和足够的算力作支撑。在资源有限的情况下，集通讯、感知、核算于一体的车路云网络有望为智驾的降本增效供应新途径。

经过车路云网络，能够树立一个横跨车端、路侧和云端的体系化闭环，路侧搜集的数据上传到云端，在云端聚集并对这些数据进行标示处理和用于算法练习。完结后，云端再把练习好的算法模型数据发到车端，进行OTA布置及更新。

显着，路侧数据能够补偿车端的天然限制（视野盲区、超视距感知才干缺乏、极点气候感知精度下降等），丰厚车端的大局数据，然后进一步进步智驾才干和安全性。三端数据进行协同互补，推进完结了智驾技能的迭代与进化。

交通职业是个杂乱体系，人工智能在其间现在只出现碎片化运用，比方辨认信号灯、辨认违章等，想要真实处理问题，需求用大模型这根线把车流、路途、交通讯号等一切的散点串联起来，构成更高维度的大局智能，经过对车、路、云等交通要害节点展开智能协同，构成对交通态势的全面、及时、精准的感知、操控与决议计划。

引进多模态大模型后，车路云网络能够进步视觉剖析的精准度、泛化才干和场景适应性，小模型算法面对的问题能够经过多模态大模型进行优化。显着，考虑本钱及带宽等问题，多模态大模型运用也需求有前端小模型来做相应支撑，巨细模型协同运用其实是多级协同核算，多级协同核算或许是未来展开的首要运用点。

前端小模型进行实时检测，快速剖析，后端大模型进行深度推理、二次判别，削减误报，终究经过人类反应强化学习的办法完结整个算法模型的优化进步，这其间，结合了小模型核算快、本钱低优势的显着，运用了大模型猜测精确、办法才干强的长处。

车路云一体化场景中，云核算聚集非实时、长周期数据的大数据剖析，能够为事务决议计划支撑供应根据，完结新运用服务开发的快速、灵敏布置，并为整车OTA数据进行存储、核算和剖析，办理和简化车端电子设备与软件的杂乱性。

边际核算则聚集实时、短周期数据的剖析，能更好地支撑车端实时智能化处理与履行。车路云网络能够在路侧运用边际小模型进行快速感知，在边际云端运用大模型推理进行二次预警，在中心云端运用职业大模型进行优化，全体运用多级协同核算来完结事情感知的精确。

在交通流猜测方面，业界根本运用时序数据进行猜测，包含实时监测、短时猜测、长时间猜测等。但交通流猜测是一个杂乱使命：交通流组成杂乱、交通流参数之间并非简略的线性关系，会受到外部要素比方气候、特别事情等要素的搅扰，交通体系存在动态性和不确定性；显着也需求考虑交通数据的质量和可用性问题。将数据猜测结合交通环境的实时数字孪生，能够为路网管控决议计划供应量化支撑。

在车路云网络下，车、路途、交通路口或许都是智能体，智能体展开最重要的是要进行人机协同，也便是说由人来设置方针，智能体再将方针拆分红不同过程，让智能体来决议每个过程运用大模型仍是小模型，终究构成完好的闭环链条，保证智能体的运转。

此前交通事情处置有许多预案，大部分很难定量和定性，比方无法精确知道拥堵成因和程度，也便是说曾经的预案相当于常识库，在每个过程上不同的人的了解不同，处理办法也就不一样。经过智能体的运用将预案常识库转向智能体形式，能够愈加灵敏的完结过程分发和调度，然后构成对交通事情的精确剖析和了解，便于交通办理部门完结更精细化的交通办理。

智驾技能的演进，恰似从冷武器年代到热武器年代，不同技能阶段具有显着的代际差异。曩昔的辅佐驾驭依托有限的规矩、单一的功用仍然有取胜的希望，但到了端到端智驾年代，需求的是更大算力和更多数据，以及让算力和数据流转起来的机制和工程才干，任何一环的缺失都会给这场比赛带来变数。

到现在为止，坚持单车智能路途的车企仍是占大多数，但车路云一体化的潜力已不行忽视。究竟是各自展开，仍是终究走向交融，现在仍没有一致的答案。但是，我们都无法逃避的是，智驾对降本增效的需求越来越高，数据和算力供应不只要多，也更要精，希望靠堆卡、堆数据就能做好智驾的日子现已一去不复返。

特别声明：本文为协作媒体授权DoNews专栏转载，文章版权归原作者及原出处一切。文章系作者个人观点，不代表DoNews专栏的态度，转载请联络原作者及原出处获取授权。(有任何疑问都请联络idonewsdonews.com)。

内容来源：https://postapi.nlsngoisaoviet.com/app/app-1/choi online du doan xo so,http://chatbotjud-teste.saude.mg.gov.br/app-1/multicanais-sportv-2

(责任编辑：社会)