觉非科技刘斌：从 chatGPT 看自动驾驶小模型到大模型的进化

3 月 23 日，中国自动驾驶感知融合技术峰会在苏州举行。

觉非科技创始人刘斌先生应邀出席并发表演讲，就 chatGPT 对自动驾驶应用技术的影响，及未来感知决策大模型算法的迭代升级，结合觉非自身在数据应用中的实践，进行了系统性的观点阐释。

AI 大模型的技术路线、算力水平的提升、大规模的文本训练，是 chatGPT 成功的原因，它恰如其分地诠释了数据、模型和算力的「化学反应」。

更重要的是，chatGPT 是 AI 通用大模型在自然语言处理（NLP）领域的一次阶段性发展的直观体现。

数据是燃料、模型是引擎、算力是加速器——chatGPT 的出现，也显著提升了以「数据、模型、算力」为基础动能的自动驾驶业界对 AI 大模型的关注和信任。

大模型的到来并不是偶然。随着软硬件升级与逐步深入，自动驾驶对于计算能力和海量数据处理能力等的需求暴增，传统各个小模型「堆叠」的方案已经无法满足城市自动驾驶的需求。

主要表现在，「堆叠」造成信息的失真以及算力的浪费，而每个小模型的技术「天花板」也会导致整体解决方案受限。

在正式引入大模型之前，特斯拉的高阶辅助驾驶能力既不能对硬件做到高效应用，也不能在软件层面做到打通，另外实现能力也受模型参数限制。特斯拉专门为大算力与大数据的发展建造了 Dojo。

其让 FSD 正式进入了「起飞」阶段，数百万辆可以回传数据的量产车为特斯拉收集真实世界中的驾驶数据，数百亿公里的真实数据样本为特斯拉构建起新模型和算法的坚强壁垒。

「大模型+大数据」方案的引入，让 FSD 终于打通了全场景的各项能力，不再是单一功能的简单堆栈，依靠视觉感知实时生成的城市路口拓扑关系可接近高精地图+高精定位的效果。

而在国内，自动驾驶的大模型方案也正在不断涌现。在刘斌看来，大规模的端到端模型是自动驾驶开进城市的有益探索，它可以让车辆拥有自车视角的障碍物和环境感知和理解能力，在保障安全的前提下加速城市自动驾驶的落地。

对于国内主机厂和方案商而言，自动驾驶大模型依赖的训练数据从何而来？

基于目前市场环境走向，主机厂对数据控制力度将进一步加大，或将限制第三方供应商对车企数据的访问，同时其算法自研与自建超算中心的意愿将进一步提升。

而感知大模型对覆盖和现实性的处理仍需长时间的数据积累。

此时，高精地图数据作为自动驾驶最重要的基建的之一，成为了推动量产落地的主要路径。

目前业界对于高精地图的使用，呈现多种解决思路。

高精地图作为自动驾驶的「千里眼」与「轨道」，具备精度高、量产快、安全性高等能力。高精地图可为自动驾驶提供精准的定位数据，并将全局坐标转换成自车坐标。

同时，高速公路和城市路口拓扑关系因有人工作业与质检做保障，自动驾驶的安全性将得到充分地保障。目前，业界已拥有成熟的高精地图供应商与解决方案，是城市 NOA 最快达到量产可用的重要方案。

然而，高精地图也面临着覆盖城市少、单价高、更新速度较慢等问题。为了解决这些问题，业界目前也出现了「隐性」使用高精地图数据的方案。

借助高精地图数据作为真值监督训练的感知模型，可以直接生成路口拓扑关系，用环境数据的「覆盖价值」替代自车数据的「精度价值」，但对于 Corner Case 的处理，主要依赖训练样本的覆盖。此时高精地图在自动驾驶中的角色，类似「样本库」与自动驾驶的训练「导师」。

「无论是哪种解决方案，都将催生基于量产车感知结果『众源』产生高精地图数据的需求。」刘斌指出。

近期，上海市发布《上海市智能网联汽车高精度地图管理试点规定（草案）》，其中规定：

鼓励具有导航电子地图制作测绘资质的单位，在确保数据安全、处理好知识产权等关系的前提下，探索以众源方式采集测绘地理信息数据，运用实时加密传输及实时安全审校等技术手段，制作和更新高精地图。

政策的颁布已为目前市场的发展提供了明确的信号。

刘斌提到，「基于量产车形成的数据闭环能力将成为主机厂的核心竞争力，数据在合法合规的情况下会汇聚闭环，不断积累一个真正能够支撑感知大模型的规模化数据集，而众源已成为解决鲜度和覆盖率的核心」。