0
一直以來，走全棧自研路線的新勢力奪取了智駕的大部分聲量，但現(xiàn)在格局已有所松動。
“蔚小理華”之外，智己也開始越來越頻繁地在智駕測評榜單中出現(xiàn)。
今年9月，智己正式交付了全國都能開的無圖NOA，成為第四家達成這一里程碑的車企。一個月后，智己又正式推出了基于“一段式端到端大模型”的IM AD 3.0。
與這些玩家不同，智己的IM AD智駕系統(tǒng)是與Momenta聯(lián)合開發(fā)。一直以來，頭部車企對于采用供應(yīng)商智駕方案的行為諱莫如深，即使是非自研也必須被包裝成全棧自研。但是智己和Momenta一直公開為對方站臺。
智己，是Momenta能夠在智駕行業(yè)扎穩(wěn)腳根的關(guān)鍵一步。Momenta CEO曹旭東如此形容兩家之間的關(guān)系：“雖然是兩個公司，但勝似一個團隊。”
曹旭東表示，智駕的摩爾定律是兩年10倍，但智己與Momenta追求的目標(biāo)要遠高于此，可能是兩年100倍甚至更高，實現(xiàn)這個目標(biāo)，需要兩邊都具有高效的迭代效率，數(shù)據(jù)閉環(huán)效率的提升要從以月為單位加速到以周為單位、以一天為單位。
“放到任何一家公司內(nèi)部，能夠達到這樣效率的團隊在行業(yè)內(nèi)都是鳳毛麟角?！?/p>
通過聯(lián)合Momenta，智己宣布將在年內(nèi)獲得L4級無駕駛?cè)说缆窚y試牌照，成為全國首個同時具備L2+、L3、L4智能駕駛量產(chǎn)能力的汽車品牌。
IM AD 3.0的關(guān)鍵詞是“直覺”，這出自于行業(yè)里正在流行的“快慢系統(tǒng)”理論——人類大腦95%的決策都依賴于快系統(tǒng)，即直覺與條件反射，端到端智駕大模型則通過減少人為定義的規(guī)則以復(fù)刻人類大腦的快系統(tǒng)。
一段式端到端大模型，是目前復(fù)刻人類大腦快系統(tǒng)最極致的階段，通過把感知和規(guī)劃兩個模型整合成一個大模型，傳感器原始數(shù)據(jù)輸入后直接就輸出規(guī)劃路徑，模擬人類的快速直覺反應(yīng)。
它的優(yōu)勢在于，無需人為定義從感知到規(guī)劃的接口，能學(xué)習(xí)全局信息與隱含信息，就算面對看不清的道路結(jié)構(gòu)與情況，也能綜合分析車流、行人的軌跡等全局隱含信息，基于全局信息輸出行駛軌跡，通過理解環(huán)境做到邊看邊開的老司機駕駛行為。
以路上的水坑為例，在過去的分段式模型中，水坑場景是比較難解決的Corner Case之一。首先需要人為定義水坑的類型，并用大量數(shù)據(jù)訓(xùn)練感知模型以認知水坑，而在規(guī)劃模型中，也同樣需要大量躲避水坑的駕駛數(shù)據(jù)來訓(xùn)練學(xué)習(xí)。
一段式端到端大模型去除了人為定義水坑的步驟，即使對水坑沒有顯性定義，也可以通過學(xué)習(xí)隱含的認知繞過水坑。由此可見，一段式端到端大模型的泛化能力更強、上限也更高。
同時為了保證下限，IM AD 3.0加入了“安全邏輯網(wǎng)絡(luò)”進行兜底，負責(zé)對一段式端到端大模型生成的多模態(tài)候選軌跡做最終判斷，以確保直覺性決策的安全性。
端到端成為現(xiàn)實后，并非迎來了技術(shù)的終局，而是一個新的開始，算力與數(shù)據(jù)是未來競爭的核心。
特斯拉以雄厚的財力與數(shù)據(jù)優(yōu)勢已經(jīng)占據(jù)競爭的高點，馬斯克曾表示，今年特斯拉投入到自動駕駛的訓(xùn)練與推理的花費將超過100億美金。
自動駕駛端到端大模型的訓(xùn)練試錯成本非常高昂，如何降低試錯成本是關(guān)鍵。
智己與Momenta提出了長、短期記憶結(jié)合的模式。這一模式仿照了人類記憶的形成過程，人在探索外界世界時，外界的信息數(shù)據(jù)首先進入短期記憶，經(jīng)過短期記憶的篩選驗證后，才會進入長期記憶習(xí)得能力與經(jīng)驗。
長期記憶是一段式端到端大模型，短期記憶是DLP模型。后者是一個小版本，主要用于驗證方法以及訓(xùn)練數(shù)據(jù)是否正確，實現(xiàn)算法的快速迭代，做到平均一天迭代一個版本。被短期記憶驗證過的方法與數(shù)據(jù)，在積累一段時間以后，會應(yīng)用到一段式端到端大模型上，基本保證一次訓(xùn)練就能訓(xùn)練得對、訓(xùn)練得好，從而降低試錯成本。
“長短期記憶結(jié)合的模式是我們的一個秘密武器?！辈苄駯|介紹，這種模式比直接完全用端到端大模型去試錯，能減少10～100倍的訓(xùn)練成本。
另外在數(shù)據(jù)層面，曹旭東提到，目前Momenta已經(jīng)實現(xiàn)了百分百的數(shù)據(jù)驅(qū)動與算法自動化迭代，擁有億級優(yōu)勢數(shù)據(jù)的積累。到2027年，Momenta的數(shù)據(jù)積累預(yù)計突破1000億公里，徹底解決自動駕駛的終極長尾問題。
智己與Momenta能夠在此時追趕上業(yè)內(nèi)的端到端熱潮，離不開最初的路線選擇。
早期的Momenta曾是“異類”，當(dāng)同行們都在沿著Rule-based方法做智能駕駛，Momenta從一開始就堅決押注數(shù)據(jù)驅(qū)動。
智駕技術(shù)路線向端到端收攏，須經(jīng)歷三個階段，首先是感知的模型化，接著是規(guī)控的模型化，再下一步則是感知與規(guī)控的合二為一。
感知的模型化是業(yè)內(nèi)共識，但是在規(guī)控的模型化上出現(xiàn)了分歧，基于傳統(tǒng)的Rule-based方法，只要投入的人力夠多，就以較快的速度取得不錯的規(guī)控效果。
不過，Rule-based始終受限于人力以及無法窮盡的Corner Case難題，當(dāng)智駕開進城區(qū)里，依靠Rule-based根本不可能大范圍開城。2020年，當(dāng)各家都還困于高速NOA的開發(fā)量產(chǎn)時，Momenta就開始將數(shù)據(jù)驅(qū)動引入規(guī)控環(huán)節(jié)，試圖代替Rule-based。
曹旭東回憶，當(dāng)時行業(yè)里很多人都不認同這種做法，“這放到當(dāng)時是有理由的，那時候用Deep Learning做Planning，在一些場景會有驚艷的表現(xiàn)，但是也會在很多場景里出現(xiàn)匪夷所思的問題?！?/p>
因此，規(guī)控的模型化其實是邁向端到端的一道高門檻，首先需要具備發(fā)現(xiàn)問題的能力，還要有分析、跟進并且解決問題的能力，這背后需要一整套研發(fā)體系的支撐。
Momenta與智己一同打磨了兩年多時間，到2023年4月，兩家才把數(shù)據(jù)驅(qū)動的規(guī)控做到量產(chǎn)，應(yīng)用在高速NOA上。
當(dāng)時，智己和Momenta召開了一場發(fā)布會，發(fā)布了命名為DLP的規(guī)控模型，但彼時業(yè)內(nèi)對此并無太多認知。
“我們用Deep Learning做planning，比特斯拉還要更早，特斯拉今年上半年才上了端到端，Planning變成深度學(xué)習(xí)?！辈苄駯|說。
到了今年，在感知與規(guī)控都已實現(xiàn)數(shù)據(jù)驅(qū)動的基礎(chǔ)上，再加上背后持續(xù)進步的研發(fā)體系支撐，智己與Momenta將感知模型與規(guī)控模型合并成了一段式端到端大模型。
實際上，從正式開始推送高速NOA，到完成一段式端到端大模型的切換，智己與Momenta僅用了一年半的時間。
這一年半，智己與Momenta實現(xiàn)了從高速到城區(qū)，從高精地圖到輕圖，從Rule-based到端到端的切換。
在這些進展背后，是曹旭東所說的“勝似一個團隊”。
兩方的合作始于2020年末，也曾經(jīng)歷過磨合期，從現(xiàn)在的結(jié)果看來，彼此互有成就。這4年時間，Momenta從智己那里積累了從0到1的工程化經(jīng)驗，得到了打磨產(chǎn)品與研發(fā)體系的機會，智己也憑借Momenta的技術(shù)能力得到了競爭智駕第一梯隊的入場券。
“從Momenta同學(xué)的角度來講，他不是在為一個某個客戶工作，我們也不會說，Momenta是我們的供應(yīng)商，就用怎么卡供應(yīng)商、怎么控制供應(yīng)商的思維模式去工作。”
智己智駕項目總監(jiān)王康表示，現(xiàn)在IM AD智駕系統(tǒng)的開發(fā)與迭代都是兩個團隊一起去發(fā)現(xiàn)問題與解決問題，任何一個OTA的版本，都是雙方共同規(guī)劃與討論出來的結(jié)果，每周的設(shè)計變更也都是兩個團隊一起評估與驗證。
在供應(yīng)商模式下，留給智己的考驗是，如何做出好的產(chǎn)品定義與產(chǎn)品特色。
跨域融合，是智己的一個突破方向。去年智己LS6上市時，智己就已推出了基于艙駕融合打造的全域數(shù)字視野補盲功能以及“雨夜模式”。
今年，基于靈蜥數(shù)字底盤，智己將智駕域與底盤域進行聯(lián)通與融合，以“云臺車身控制”功能為例，依托智駕系統(tǒng)對環(huán)境的精準感知，能夠識別大曲率的彎道，對底盤進行智能調(diào)整，提升駕乘的舒適度與平穩(wěn)度。
另一方面，靈蜥數(shù)字底盤也賦能了智駕，四輪轉(zhuǎn)向功能帶來更小的轉(zhuǎn)彎半徑，智駕在調(diào)頭場景下更輕松，減少智駕體驗中斷的概率。
在智己看來，靈蜥數(shù)字底盤是智能駕駛非常合適的載體?！爸邱{體驗是否讓用戶感到舒適，有沒有頓挫，都要有好的底盤來做‘手、腳、眼、腦’的協(xié)調(diào)工作，只有做到這樣，才能算是真正好用的智能駕駛?！敝羌褐邱{中心總監(jiān)賀錦鵬表示。
由智己官方提供的實時數(shù)據(jù)顯示，IM AD智駕系統(tǒng)的用戶黏性持續(xù)有所提升，前一周智己用戶在日常出行當(dāng)中使用IM AD的比例為81.4%，而在過去一周中使用IM AD的用戶比例已達到95.65%。
去年開始，智己明確了以智能車為品牌的賣點，如今智駕已經(jīng)追趕上來，智己剩下要做的事情是如何把車賣好。
雷峰網(wǎng)(公眾號：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。詳情見轉(zhuǎn)載須知。
