0
| 本文作者： 郭思 | 2024-02-27 10:59 |
作者丨郭思
編輯丨陳彩嫻
圍繞大模型應(yīng)用于自動(dòng)駕駛的討論熱度持續(xù)升溫，卻呈現(xiàn)出愈發(fā)復(fù)雜而矛盾的現(xiàn)象。
一方面，資本力量的積極投入，行業(yè)巨頭紛紛搶占先機(jī)。例如，特斯拉近期推出了其“端到端”的全自動(dòng)駕駛軟件FSD v12版本，并已在美國(guó)和加拿大地區(qū)逐步面向非員工用戶提供更新服務(wù)。與此同時(shí)，小米汽車于23年末宣告搭載自主研發(fā)的端到端感知決策大模型的小米智能駕駛系統(tǒng)面世，展現(xiàn)其在自動(dòng)駕駛領(lǐng)域的創(chuàng)新突破。
學(xué)術(shù)界同樣對(duì)此表現(xiàn)出濃厚興趣，諸如BEV（鳥(niǎo)瞰視角）技術(shù)和NLP（自然語(yǔ)言處理）的應(yīng)用推動(dòng)著汽車智能化走向新的高峰。其中，上海人工智能實(shí)驗(yàn)室在2023年CVPR會(huì)議上榮獲最佳論文獎(jiǎng)的UniAD自動(dòng)駕駛模型，正是全球首個(gè)實(shí)現(xiàn)感知決策一體化的自動(dòng)駕駛大模型典范。
然而，另一方面，透過(guò)華麗的宣傳表象，實(shí)際專注于研發(fā)和應(yīng)用自動(dòng)駕駛大模型的企業(yè)數(shù)量并不多（據(jù)AI科技評(píng)論了解，當(dāng)前在這一領(lǐng)域穩(wěn)健推進(jìn)的僅有英國(guó)Wayve等少數(shù)公司）。傳統(tǒng)汽車行業(yè)的模塊化管理模式長(zhǎng)期以來(lái)形成的壁壘，令汽車行業(yè)在面對(duì)大模型試圖一攬子解決諸多問(wèn)題的新模式時(shí)承受巨大壓力。
在此之前，國(guó)內(nèi)某企業(yè)自動(dòng)駕駛的負(fù)責(zé)人也曾透露，大模型技術(shù)的發(fā)展潮流促使整個(gè)部門(mén)內(nèi)部組織結(jié)構(gòu)發(fā)生顯著調(diào)整。一體化的自動(dòng)駕駛決策大模型在某種程度上緩解了過(guò)去車企內(nèi)部感知與決策部門(mén)間可能出現(xiàn)的沖突與不協(xié)調(diào)。然而，在邁向大規(guī)模部署和產(chǎn)業(yè)化發(fā)展的道路上，尚需面對(duì)輕量化部署難度高、高質(zhì)量訓(xùn)練數(shù)據(jù)匱乏、傳統(tǒng)車企轉(zhuǎn)型升級(jí)步伐緩慢等一系列挑戰(zhàn)。
大模型「上車」之路，看似近在咫尺，實(shí)則極具挑戰(zhàn)。
1、大腦和耳目的「分崩離析」
和人類一樣，智能駕駛汽車想要自己開(kāi)上路，首先需要對(duì)周圍環(huán)境有一個(gè)認(rèn)識(shí)。這件事情一般會(huì)交給自動(dòng)駕駛的感知系統(tǒng)來(lái)完成。感知系統(tǒng)以多種傳感器的數(shù)據(jù)和高精度地圖的信息作為信息輸入，經(jīng)過(guò)一系列計(jì)算及處理，對(duì)自動(dòng)駕駛汽車周圍環(huán)境進(jìn)行精確感知，也常常被比喻成智能汽車的”眼睛“和”耳朵“。
只不過(guò)有了眼睛和耳朵還不夠，上路還需要強(qiáng)大的大腦，這也就牽扯到了自動(dòng)駕駛領(lǐng)域的決策系統(tǒng)。
長(zhǎng)久以來(lái)，這兩個(gè)系統(tǒng)各自面臨技術(shù)和實(shí)踐上的挑戰(zhàn)，有時(shí)呈現(xiàn)出“分崩離析”的狀態(tài)，在某些復(fù)雜場(chǎng)景下，感知模塊可能無(wú)法準(zhǔn)確識(shí)別或理解環(huán)境信息，而決策模塊也可能因?qū)Ω兄Y(jié)果處理不當(dāng)或算法局限性導(dǎo)致不正確的行駛決策。
這一現(xiàn)狀也體現(xiàn)在眾多自動(dòng)駕駛公司的組織架構(gòu)之中。
在國(guó)內(nèi)自動(dòng)駕駛行業(yè)某頭部公司內(nèi)部，感知與決策團(tuán)隊(duì)之間的緊張關(guān)系一度成為焦點(diǎn)。感知部門(mén)作為信息采集和初步處理的上游，負(fù)責(zé)通過(guò)各類傳感器收集環(huán)境數(shù)據(jù)并進(jìn)行初步分析；而決策部門(mén)則扮演下游角色，基于感知數(shù)據(jù)做出駕駛策略決策。由于兩部門(mén)職能緊密相連且相互依賴，兩位團(tuán)隊(duì)負(fù)責(zé)人在技術(shù)路線、資源分配及責(zé)任邊界等方面出現(xiàn)了較大分歧，甚至影響到了整體工作的協(xié)調(diào)推進(jìn)。
最終，為了解決這一內(nèi)耗問(wèn)題，最后導(dǎo)致管理層不得不將兩個(gè)人的權(quán)責(zé)范圍進(jìn)行調(diào)整。
另一個(gè)傳統(tǒng)車企研究院的技術(shù)架構(gòu)師曾告訴AI 科技評(píng)論，自動(dòng)駕駛部分這兩個(gè)部分碰撞十分之多。軟件模塊一旦涉及到接口的東西，出現(xiàn)問(wèn)題之際，很難撇清是誰(shuí)的責(zé)任，必須要有模塊化的測(cè)試用例，從而去進(jìn)行區(qū)分。
汽車在行駛過(guò)程中，最終決策如果有出現(xiàn)錯(cuò)誤，就可能意味著在決策之上的每一個(gè)環(huán)節(jié)都在出現(xiàn)問(wèn)題。傳統(tǒng)的模塊方式，會(huì)有誤差的累積。如果感知模塊未能正確識(shí)別出道路障礙物或預(yù)測(cè)其他交通參與者的行為，則可能導(dǎo)致決策規(guī)劃模塊依據(jù)錯(cuò)誤的信息做出不正確的行駛決策。此外，模塊之間的信息傳遞如果不清晰或者接口定義不嚴(yán)謹(jǐn)，也會(huì)導(dǎo)致信息丟失或誤傳，進(jìn)一步增加決策錯(cuò)誤的風(fēng)險(xiǎn)。
為了減少這類問(wèn)題，汽車制造商和研發(fā)機(jī)構(gòu)通常會(huì)采取諸如模塊化設(shè)計(jì)與測(cè)試、集成測(cè)試與回歸測(cè)試、功能安全認(rèn)證以及強(qiáng)大的仿真平臺(tái)與實(shí)車測(cè)試等措施，以求最大程度上減少誤差累積和避免事故發(fā)生。
但盡管如此，由于自動(dòng)駕駛技術(shù)的復(fù)雜性和多學(xué)科交叉特性，完全消除錯(cuò)誤和不確定性仍然是一個(gè)艱巨的任務(wù)。模塊化設(shè)計(jì)與測(cè)試雖有助于隔離問(wèn)題，確保每個(gè)模塊獨(dú)立運(yùn)作的可靠性，但在實(shí)際集成過(guò)程中，模塊間的交互可能導(dǎo)致新的未知問(wèn)題出現(xiàn)。
行業(yè)迫切需要一套更簡(jiǎn)單高效解決的方案。
2、決策與感知握手言和是大勢(shì)所趨
2023年12月，小米汽車宣布推出搭載其自研端到端感知決策大模型的小米智能駕駛系統(tǒng)。緊接著，特斯拉也發(fā)布了其“端到端”自動(dòng)駕駛軟件FSD v12版本，并開(kāi)始在北美向非員工用戶推送。這似乎在表明對(duì)決策感知一體化的深入理解正成為共識(shí)，預(yù)示著行業(yè)發(fā)展的趨勢(shì)。
然而，在決策感知一體化概念進(jìn)入公眾視野之前，早就有一群敏銳的學(xué)術(shù)先行者已經(jīng)關(guān)注到這一動(dòng)向。
2023年6月，上海人工智能實(shí)驗(yàn)室的自動(dòng)駕駛?cè)珬？煽囟说蕉朔桨窾niAD相關(guān)研究論文，在人工智能頂會(huì)CVPR（國(guó)際計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議）上榮獲最佳論文獎(jiǎng)。這是有史以來(lái)自動(dòng)駕駛相關(guān)技術(shù)首次獲此殊榮。UniAD向全世界展示了感知、規(guī)劃及決策一體化的“端到端”框架，為自動(dòng)駕駛開(kāi)拓了新方向。
上海人工智能實(shí)驗(yàn)室青年科學(xué)家、OpenDriveLab團(tuán)隊(duì)負(fù)責(zé)人李弘揚(yáng)博士向AI科技評(píng)論表示，2023年的獲獎(jiǎng)只是最終結(jié)果。在此之前，包括其團(tuán)隊(duì)在內(nèi)，學(xué)術(shù)界和產(chǎn)業(yè)界對(duì)自動(dòng)駕駛的研究經(jīng)歷了一段探索過(guò)程。
2021年，彼時(shí)剛加入上海人工智能實(shí)驗(yàn)室不久的李弘揚(yáng)，注意到了國(guó)外一個(gè)自動(dòng)駕駛系統(tǒng)開(kāi)源項(xiàng)目——Openpilot。
基于Openpilot系統(tǒng)，只需為車輛安裝一個(gè)當(dāng)時(shí)售價(jià)999美元的后裝設(shè)備，內(nèi)置單個(gè)攝像頭和電路板，可以處理L2級(jí)別的駕駛場(chǎng)景，實(shí)現(xiàn)自適應(yīng)巡航控制（ACC）、自動(dòng)車道保持（ALC）、前向碰撞警告（FCW）和車道偏離警告（LDW）等功能，目前已支持40余種車型。相比特斯拉完全自動(dòng)駕駛系統(tǒng)，Openpilot成本低，效果卻十分驚艷。
OpenDriveLab團(tuán)隊(duì)系統(tǒng)研究了Openpilot的各項(xiàng)技術(shù)細(xì)節(jié)，得出結(jié)論：Openpilot之所以能夠在單一設(shè)備上實(shí)現(xiàn)L2級(jí)自動(dòng)駕駛，關(guān)鍵在于端到端的系統(tǒng)設(shè)計(jì)，而非傳統(tǒng)的模塊化框架。并于當(dāng)年發(fā)表了一篇Openpilot研究論文，向?qū)W術(shù)界和產(chǎn)業(yè)界分享了觀點(diǎn)。
OpenDriveLab團(tuán)隊(duì)Openpilot研究論文截圖
論文鏈接：https://arxiv.org/abs/2206.08176
「原來(lái)自動(dòng)駕駛可以做得如此簡(jiǎn)單?！?/p>
受此影響，團(tuán)隊(duì)開(kāi)始著手設(shè)計(jì)端到端的直接輸出項(xiàng)目，成為開(kāi)啟UniAD研究的首個(gè)關(guān)鍵節(jié)點(diǎn)。
而UniAD研究的第二個(gè)關(guān)鍵節(jié)點(diǎn)則與BEV + Transformer相關(guān)。
BEV是如今自動(dòng)駕駛領(lǐng)域的熱門(mén)詞匯。即通過(guò)車輛上傳感器接收的數(shù)據(jù)生成俯視圖（地圖）坐標(biāo)系下感知結(jié)果的算法，包括檢測(cè)、分割等任務(wù)，是現(xiàn)行自動(dòng)駕駛領(lǐng)域環(huán)境感知和表示的重要方式。
在BEV之前，大部分汽車廠商的做法是先去感知了2D圖像中的一些特征，比如說(shuō)車在哪里，車輪的接定點(diǎn)在哪里，車的長(zhǎng)寬比例是多少，拿到了一些圖像層面的信息之后。再根據(jù)相機(jī)的一些3D的標(biāo)定幾何參數(shù)去獲得目標(biāo)在三維空間下的準(zhǔn)確的位置信息。
直到 2014 年，一篇標(biāo)題為“Automatic Parking Based on a Bird’s Eye View Vision System”的論文發(fā)表，改變了這一局面。該論文的核心內(nèi)容是：通過(guò)四顆魚(yú)眼攝像頭感知環(huán)境信息，并來(lái)構(gòu)建一個(gè) BEV 視覺(jué)系統(tǒng)，并由此實(shí)現(xiàn)自動(dòng)泊車。BEV橫空出世，成為了大家爭(zhēng)相研究的方向。
感知下游的規(guī)劃控制成為了主流做法。而隨著深度學(xué)習(xí)技術(shù)的持續(xù)進(jìn)步，在2021年底至2022年間，BEV與Transformer的深度融合逐漸成為了自動(dòng)駕駛領(lǐng)域內(nèi)的主流研究趨勢(shì)。
當(dāng)時(shí)，學(xué)術(shù)界面臨如何繼續(xù)深化自動(dòng)駕駛技術(shù)創(chuàng)新的挑戰(zhàn)，這要求從系統(tǒng)架構(gòu)和軟件工程層面深入探討，并前瞻性地預(yù)見(jiàn)行業(yè)發(fā)展趨勢(shì)。
而從商業(yè)化角度看，2021年之際，自動(dòng)駕駛技術(shù)似乎已觸及了一個(gè)瓶頸階段，L2級(jí)別的輔助駕駛功能基本滿足了大部分日常駕駛需求。吉利汽車與Mobileye的合作就是這一趨勢(shì)的體現(xiàn)，當(dāng)時(shí)計(jì)劃在2021年實(shí)現(xiàn)L2+級(jí)自動(dòng)駕駛系統(tǒng)的量產(chǎn)。其他汽車制造商如日本的幾家大型車企也在2022年前后在其主力車型中廣泛普及L2級(jí)別的自動(dòng)駕駛技術(shù)。
只不過(guò)在應(yīng)對(duì)復(fù)雜多變的交通場(chǎng)景，提供更加流暢和穩(wěn)定的駕駛體驗(yàn)上，各家都顯得捉襟見(jiàn)肘。
李弘揚(yáng)銳地感知到了這一趨勢(shì)，堅(jiān)信端到端大模型具有廣闊前景，是推動(dòng)自動(dòng)駕駛領(lǐng)域發(fā)展的有力途徑。
一開(kāi)始他們?cè)诟兄A段使用Transformer，而在預(yù)測(cè)和控制階段則采用了Resnet架構(gòu)。嘗試將所有模塊整合進(jìn)單一網(wǎng)絡(luò)結(jié)構(gòu)，但在這時(shí)卻遭遇了訓(xùn)練不穩(wěn)定和性能下滑的問(wèn)題。統(tǒng)一了全用 Transformer 這種網(wǎng)絡(luò)結(jié)構(gòu)之后， QPV 等等這些幾個(gè)變量都能統(tǒng)一到一起。需要一整套的這種系統(tǒng)的級(jí)聯(lián)以及豐富模型訓(xùn)練的這種經(jīng)驗(yàn)的背景，才把這一套跑通。
在UniAD中，研究人員首次將感知、預(yù)測(cè)和規(guī)劃等三大類主任務(wù)、六小類子任務(wù)（目標(biāo)檢測(cè)、目標(biāo)跟蹤、場(chǎng)景建圖、軌跡預(yù)測(cè)、柵格預(yù)測(cè)和路徑規(guī)劃）整合到統(tǒng)一的基于 Transformer的端到端網(wǎng)絡(luò)框架下，實(shí)現(xiàn)了全棧關(guān)鍵任務(wù)駕駛通用模型。
在 nuScenes 真實(shí)場(chǎng)景數(shù)據(jù)集下，UniAD的所有任務(wù)均達(dá)到領(lǐng)域最佳性能（State-of-the-art），尤其是預(yù)測(cè)和規(guī)劃效果遠(yuǎn)超之前的最佳方案。其中，多目標(biāo)跟蹤準(zhǔn)確率超越SOTA 20%，車道線預(yù)測(cè)準(zhǔn)確率提升30%，預(yù)測(cè)運(yùn)動(dòng)位移和規(guī)劃的誤差則分別降低了38%和28%。
該成果一旦大規(guī)模應(yīng)用其實(shí)也會(huì)一定程度解決文章開(kāi)頭提及的決策和感知打架的矛盾。
在學(xué)術(shù)前沿技術(shù)公布之后，緊隨其后的重點(diǎn)是探索其產(chǎn)業(yè)落地的可能性及其對(duì)社會(huì)價(jià)值的有效貢獻(xiàn)。對(duì)于UniAD這一自動(dòng)駕駛領(lǐng)域的尖端技術(shù)來(lái)說(shuō)，其向車載應(yīng)用場(chǎng)景邁進(jìn)的道路充滿了挑戰(zhàn)。
核心挑戰(zhàn)首先是如何實(shí)現(xiàn)模型的輕量化部署以及獲取高質(zhì)量的訓(xùn)練數(shù)據(jù)。另一方面，UniAD作為一項(xiàng)自動(dòng)駕駛領(lǐng)域成果，能否上車其實(shí)也受制于車企的推進(jìn)意愿。這三點(diǎn)正是UniAD大規(guī)模部署途中的三大攔路虎。
當(dāng)UniAD宣布開(kāi)源時(shí)，外界普遍關(guān)注其如何能在短時(shí)間內(nèi)迅速達(dá)到高水平并成功實(shí)現(xiàn)在車輛上的應(yīng)用。
實(shí)際上，這一問(wèn)題的復(fù)雜性遠(yuǎn)超出人們的初步認(rèn)識(shí)。李弘揚(yáng)坦言，盡管基于Transformer架構(gòu)的UniAD在追求卓越性能的過(guò)程中取得了顯著成果，但也無(wú)可避免地受限于Transformer模型本身固有的問(wèn)題，尤其是在模型部署環(huán)節(jié)，因其巨大的參數(shù)量帶來(lái)了嚴(yán)峻挑戰(zhàn)。
在此背景下，眾多汽車制造商及相關(guān)企業(yè)正集中力量，著力于在確保高性能的前提下，將模型高效部署于車載嵌入式系統(tǒng)中，特別是像NVIDIA Orin等高性能汽車芯片以及高通驍龍819等新型芯片平臺(tái)。
李弘揚(yáng)團(tuán)隊(duì)所研發(fā)的多項(xiàng)算法在關(guān)鍵性能指標(biāo)FPS上有顯著提升，已實(shí)現(xiàn)每秒處理超過(guò)20幀圖像，這意味著系統(tǒng)擁有更強(qiáng)的實(shí)時(shí)處理能力和更快的響應(yīng)速度。
回顧初期，UniAD初次發(fā)布時(shí)，其FPS僅為8至9幀。經(jīng)過(guò)學(xué)界與產(chǎn)業(yè)界共同努力，如今已將該數(shù)值提升至超過(guò)20幀的高度。
在追求輕量化部署的過(guò)程中，車載芯片本身的特性也是一個(gè)重要考量因素。在自動(dòng)駕駛領(lǐng)域，芯片并非單純追求極致算力，而是更看重穩(wěn)定性以及功耗控制，要求在較低功耗范圍內(nèi)（通常為十幾瓦左右）持續(xù)穩(wěn)定工作。同時(shí)還要具備良好的散熱性能以適應(yīng)嚴(yán)苛的車載環(huán)境。相較于普通消費(fèi)級(jí)芯片，車規(guī)級(jí)芯片需在更惡劣條件下運(yùn)行，如寬溫范圍（零下40攝氏度至零上155攝氏度），以及應(yīng)對(duì)光線、振動(dòng)、粉塵、電磁干擾等多種復(fù)雜情況。
這就要求芯片即使在極端顛簸環(huán)境中也能保持穩(wěn)定工作，而這雖不屬于算法團(tuán)隊(duì)的傳統(tǒng)研究范疇，卻也是必須解決的適配問(wèn)題。若芯片算力不足，無(wú)法支持多種算法，或者生態(tài)系統(tǒng)不夠成熟，在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，就必須精簡(jiǎn)設(shè)計(jì)，甚至只能局限于芯片支持的現(xiàn)有庫(kù)中的算法。
針對(duì)決策與感知一體化的需求，其對(duì)計(jì)算能力的要求一開(kāi)始就非常高。以高端配置為例，單顆芯片可能具備200TOPS的算力，兩顆芯片組合可達(dá)400TOPS，但這僅僅是理論上的峰值。在實(shí)際運(yùn)行中，往往需要上千TOPS乃至更高的有效算力，因此需要進(jìn)行針對(duì)性的優(yōu)化適配。凡此種種，皆對(duì)汽車廠商與芯片廠商都提出了更高的要求。
除了輕量化部署是一大難題之外，橫在UniAD面前的，還有高質(zhì)量數(shù)據(jù)這一老大難問(wèn)題。
在通用視覺(jué)領(lǐng)域，現(xiàn)有的數(shù)據(jù)集往往缺乏足夠的三維數(shù)據(jù)或多角度信息。而對(duì)于自動(dòng)駕駛應(yīng)用場(chǎng)景來(lái)說(shuō)，尤其是一些重要但出現(xiàn)頻率較低的特殊情境數(shù)據(jù)尤為關(guān)鍵。比如車輛在降雪環(huán)境下突然進(jìn)入半開(kāi)放式隧道，或是遇到具有潮汐車道屬性的左轉(zhuǎn)信號(hào)燈等情況。
這些罕見(jiàn)且關(guān)鍵的駕駛場(chǎng)景對(duì)數(shù)據(jù)的豐富度要求極高，但由于實(shí)際發(fā)生的概率較小，故難以積累充足的此類數(shù)據(jù)。許多自動(dòng)駕駛領(lǐng)域的研究者在開(kāi)展感知相關(guān)的研究時(shí)，急需三維數(shù)據(jù)及多視角重建的支持。因?yàn)樵趯?shí)際駕駛中駕駛員主要依賴前方視野，而要全面重建駕駛場(chǎng)景，則需要綜合考慮前后左右各方位的信息，這樣的高質(zhì)量數(shù)據(jù)極為稀缺。
除此之外，端到端技術(shù)的推行還面臨著結(jié)構(gòu)性阻力。特別是在已有明確分工的傳統(tǒng)車企中，它們往往設(shè)有獨(dú)立的二級(jí)或三級(jí)部門(mén)，分別專注于預(yù)測(cè)、路徑規(guī)劃、控制等專項(xiàng)任務(wù)。若推行端到端技術(shù)，則意味著可能需要整合多個(gè)部門(mén)的功能，組建一個(gè)新的綜合性部門(mén)，類似于設(shè)立未來(lái)技術(shù)研究院。國(guó)內(nèi)傳統(tǒng)車企如一汽、廣汽等，它們的相關(guān)研究和技術(shù)開(kāi)發(fā)通常就在類似的研究院體系下展開(kāi)。
相比之下，國(guó)內(nèi)一些新興造車勢(shì)力更愿意接納和運(yùn)用端到端技術(shù)。由于這些企業(yè)是從零起步，沒(méi)有歷史負(fù)擔(dān)，從無(wú)到有建立起自己的技術(shù)和管理體系，所以在技術(shù)層面更具創(chuàng)新性和前瞻性。此外，新興企業(yè)的組織結(jié)構(gòu)相對(duì)扁平，部門(mén)劃分尚未固化，較容易接受端到端這樣打破原有模塊化界限的技術(shù)革新，從而更有效地推動(dòng)技術(shù)進(jìn)步與應(yīng)用落地。
盡管大模型技術(shù)在自動(dòng)駕駛領(lǐng)域的應(yīng)用前景廣闊，如UniAD等前沿項(xiàng)目在關(guān)鍵性能指標(biāo)上取得了顯著的進(jìn)步，但要實(shí)現(xiàn)大模型成功“上車”，仍有重重挑戰(zhàn)待解。
不過(guò)對(duì)于自動(dòng)駕駛的期待，人類從來(lái)沒(méi)有停止。正如馬斯克近期在一場(chǎng)談話節(jié)目里所表示的那樣，「沒(méi)有自主權(quán)的汽車，跟馬沒(méi)有區(qū)別?！?/p>
當(dāng)下，大模型技術(shù)的飛速發(fā)展正驅(qū)動(dòng)汽車行業(yè)經(jīng)歷一場(chǎng)前所未有的變革，有望全面提升汽車行業(yè)效率與智能水平。而隨著決策與感知一體化設(shè)計(jì)理念的演進(jìn)，汽車的架構(gòu)設(shè)計(jì)和工程流程也正經(jīng)歷深刻的調(diào)整，產(chǎn)業(yè)鏈的各個(gè)環(huán)節(jié)都需要與時(shí)俱進(jìn)地適應(yīng)這一趨勢(shì)。
底層算法的不斷創(chuàng)新和完善，以及車載芯片的持續(xù)迭代升級(jí)，預(yù)示著汽車領(lǐng)域的顛覆性改革已然箭在弦上。
而未來(lái)的汽車究竟又會(huì)以哪種形態(tài)帶給人們更大的驚喜，這一切都讓人充滿期待。
本文作者長(zhǎng)期關(guān)注大模型計(jì)算與框架、芯片領(lǐng)域動(dòng)態(tài)，大模型上車還將會(huì)有哪些新故事？歡迎添加作者微信lionceau2046互通有無(wú)。
雷峰網(wǎng) 雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng)) 雷峰網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
