“如果讓你重回過去，在自動駕駛行業(yè)創(chuàng)一次業(yè)，你會怎么做？”面對雷峰網發(fā)出的這一設問，智駕創(chuàng)業(yè)者們給出了近乎一致的答案：

在2023年之前，瘋狂融資，守著金庫什么都不做，廣積糧，緩稱王，耐心等到“端到端”來的那天。畢竟之前的幾次技術路徑幾乎都被端到端推倒了重來，之前的領先優(yōu)勢也會因為新技術路徑的切換而不復存在；

等到2023年時，花高價招聘四五百個高階AI人才，all in端到端。與此同時， 深度綁定一家訓練過超大模型、深諳汽車行業(yè)know-how的云廠商，一起把“數(shù)據(jù)驅動的飛輪”打磨到極致。

無獨有偶，另一位智駕技術高管也曾向雷峰網 (公眾號：雷峰網) 談到，早期，業(yè)內大多用C++來實現(xiàn)智駕軟件的各種功能，開始向AI化演進，幾十萬行的代碼逐漸被各種模型所替代，隨之帶來的是自動駕駛對智能云的依賴空前強化。

隨著智駕工程的AI化，數(shù)據(jù)的重要性也愈發(fā)凸顯，并在端到端爆發(fā)后，達到了頂峰。

有高管坦言，眼下，各家智駕模型網絡之間雖有差異，但并不重要，比起網絡結構，優(yōu)質數(shù)據(jù)才是更關鍵的決勝因素， 與在地圖測繪、智駕數(shù)據(jù)采集分析上有行業(yè)know-how的云廠商深度合作已成必然。

在這些企業(yè)決策者們看來，當前自動駕駛公司每年平均1/10的收入都要支付給云計算公司，而3年后，這一數(shù)字將會增加到1/5，甚至更多。智駕公司要把云廠商當成自家的核心職能部門，已然成了不可避免的趨勢。

這些技術變化、行業(yè)變化都對云廠商提出了更高的要求：不能只做同質化的IaaS層資源商，而要做云智一體，甚至云、智、駕一體的，面向智駕行業(yè)的真正的基建者。

什么是智駕行業(yè)的“真基建”？

“自動駕駛行業(yè)正在出現(xiàn)一種新的‘摩爾定律’。”不少智能駕駛CEO都曾向雷峰網表達過類似的觀點。

在他們看來，國內自動駕駛技術范式正在加速迭代，短短幾年間，已經歷了四代，且每一代的迭代時間都比前一代縮短了一半，可稱之為新的摩爾定律。

在眾多的交流中，雷峰網了解到，前些年，國內智駕還處早期階段，依賴于各類傳感器，如毫米波雷達、激光雷達、單目雙目攝像頭等，在車輛行駛過程中感知環(huán)境、收集數(shù)據(jù)，識別并追蹤物體，進行輔助駕駛。

彼時，各類傳感器方案商備受追捧，包括縱目、速騰等都獲得了不菲的融資和估值。

第二階段是高精地圖時期。蔚小理等新勢力車企購買了大量的高精地圖，并基于這些地圖做自駕研發(fā)。但這種方法有個很大的弊端：地圖測繪不僅成本高，而且還無法覆蓋各種“Corner Case”。

于是在2022年到2023年左右，行業(yè)進入了第三代，即城市自動駕駛階段。

為了降低對高精地圖的依賴，一些專家提出，讓車輛大范圍地跑，通過“重感知+新地圖”或純感知路線，覆蓋更多的道路和場景，也能實現(xiàn)更好地自動駕駛。一時間，蔚小理們競相開啟了“城市掃描”。

每家車企的城區(qū)NOA開城數(shù)量，從單季度的十幾個，逐漸擴張到計劃中的幾百個，卷到后期，華為也加入進來，直接喊出了“全國都能開”的口號。

但到了2024年，一切都變了。

2024年初，特斯拉開始大規(guī)模推送FSD V12，直接帶火了“端到端”模式。

與此前把智駕過程切割成一個個模塊，用“算法+人工”的方式來實現(xiàn)所謂的“自動駕駛”不同，端到端是更加深度的AI化，用一個全棧Transformer大模型，實現(xiàn)感知決策一體化，從傳感器輸入數(shù)據(jù)，到決策端直接輸出行為軌跡。

特斯拉FSD V12的效果震驚了業(yè)界，國內車企紛紛跟進，宣布推出自家的端到端方案，智駕技術由此邁入4.0階段。

但這時候帶來了兩個問題：

其一，智駕技術的迭代速度，讓車企們難以招架。為了不掉隊，不被時代淘汰，車企紛紛轉型。但各家車企由于情況不同，導致需求各異，呈現(xiàn)出復雜性。

有研發(fā)能力的車企如蔚小理等，需要的是算力支持和優(yōu)化。而傳統(tǒng)車企，不僅需要算力資源，還需要智駕研發(fā)、數(shù)據(jù)工具及實踐know-how的支持。這就要求云廠商最好是一個足夠能打的“全能型”選手。

其二，進入“端到端”時代后，車企的能力要升級，云廠的能力更要升級。

端到端的特點是：大數(shù)據(jù)，大計算，大模型。大計算，非云不可。而且要是“云智一體”的云，這樣才能最大限度優(yōu)化算力。大數(shù)據(jù)，非優(yōu)質數(shù)據(jù)不可。在大模型時代，數(shù)據(jù)的重要性猶如傳統(tǒng)軟件時代里的“源代碼”。

車企沉淀了很多數(shù)據(jù)，但在降本增效的大背景下，如何用好數(shù)據(jù)，將原始數(shù)據(jù)“點石成金”卻是另一回事。這時候，只有親自下場研發(fā)過智駕，一線摸爬滾打過，在PaaS、SaaS上都有豐富行業(yè)know-how的云廠商，才有能力幫助車企更好地避坑。

云計算發(fā)展至今，業(yè)內早已形成共識：沒有“智”，云就還是傳統(tǒng)的ECS，賦能有限的同時，還極易陷入同質化內卷。但有了“智”也還不夠，云智一體在落地時，還需要“行業(yè)化”，要融合行業(yè)know-how，才能真正幫到客戶。

現(xiàn)階段的智駕行業(yè)正是如此。汽車云廠商們僅僅提供算卡、算力等同質化的基礎設施，已愈發(fā)不夠，還需要在“云、智、駕”深度融合、三位一體的基礎上，從更高、更深維度上賦能中國車企，做真正的行業(yè)“基建者”。

一直以來，能力整合都是各大云廠業(yè)務發(fā)展的關鍵一環(huán)，為此，云廠們也做了諸多創(chuàng)新嘗試，引發(fā)了不少碰撞與故事，相關內幕歡迎添加作者微信 xf123a 交流。

如何做到“云、智、駕”一體？

所謂基建，所謂底座，不是將一些通用產品線打包起來，套個統(tǒng)一的外殼對外銷售，因為這樣的“底座”看似完整，但其內部往往是割裂的、碎片化的。這種“底座”對服務商來說是輕松了，卻把更多的難題留給了客戶。

真正的底座，一定是基于打破部門墻，組織、業(yè)務融合，以及實際場景鍛造等的保障，實打實讓各種產品、各種技術深度耦合，進能提供全棧融合方案，退能提供“懂場景、懂用戶”的模塊化產品工具。這才是底座的“靈魂”所在。

而這首先要有組織層面的保障。

從這個角度看，目前在市場上，百度可以說是最早、最徹底地打通了云、智、駕三大體系的汽車云服務商。

雷峰網曾在 《三年了，「云智一體」終成共識》 一文中詳細描述過百度是如何最先在業(yè)內一步步將云與AI相融合的。而這其中，組織層面的整合起到了關鍵作用。

2020年初，百度宣布將原AIG（AI技術平臺體系）、TG（基礎技術體系）、ACG（百度智能云事業(yè)群組）整體整合為“百度人工智能體系”（AIG），從組織層面為“云智一體”戰(zhàn)略的順利推行打下了前提基礎。

有了組織保障，在其后的2020-2022年間，百度“云智一體”以一年一級的頻率完成了從1.0到3.0的架構升級。

1.0到3.0的升級，不僅技術架構、業(yè)務架構的迭代，更是百度To B在落地垂直行業(yè)、賦能實體產業(yè)方面的不斷深化。各類人才融合交匯，不僅支持了百度對各類產業(yè)場景的打深打透，也讓百度在IaaS、PaaS、SaaS層面沉淀了豐富全面的通用產品，真正實現(xiàn)了云、智、行業(yè)之間的融合互促。

比如，百度自2020年發(fā)布云智一體1.0架構起，就明確了其核心目的是通過云與智深度融合的方式，便捷、高效地支持千行百業(yè)里的智能化應用。

當2021年云智一體進化至2.0版本，戰(zhàn)略也隨之細化為“適合跑AI的云”和“懂場景的AI”，以此來解決企業(yè)兩大核心訴求：一是幫助企業(yè)減輕算力負擔；二是降低企業(yè)開發(fā)門檻，讓各行各業(yè)可以在云端搭建屬于自己的AI能力。

到了2022年，云智一體再次升級至3.0，初步形成了“芯片-框架-大模型-行業(yè)應用”的智能化閉環(huán)路徑。伴隨這一閉環(huán)建立，百度To B的核心戰(zhàn)略也進化為“云智一體，深入產業(yè)”。

當時業(yè)內普遍認為，百度對“深入產業(yè)”的明確強調，表明其已完成了從“資源銷售商”到“基建賦能者”的蛻變，正式邁入產業(yè)支持的深水區(qū)。 這也為百度后續(xù)在汽車云領域里的“云、智、駕”一體化，提供了范例和基礎。

實際上，百度在智駕領域里的探索很早，早在2013年，百度就成立了相關研發(fā)團隊，可以說是國內最早一批涉足該領域的企業(yè)。伴隨著百度在To B底座上的一次次進化，其對智駕等行業(yè)的思考也在不斷深入。2022年百度以云智一體3.0深入產業(yè)后，智駕領域的云服務也在醞釀升級。

于是到了2023年下半年，為了進一步優(yōu)化資源配置，提升服務效率，百度適時展開組織調整，成立了“百度智能云汽車業(yè)務部”，實現(xiàn)了百度內部自動駕駛、云、AI三大板塊的打通。

“整合后的百度有了一個能提供IaaS、PaaS、SaaS完善服務的汽車云板塊。”百度智能云汽車業(yè)務部總經理高果榮向雷峰網介紹道。

組織整合為技術交融、資源共享鋪平了道路，人員流動背后是經驗能力的融合。

雷峰網此前曾在不少組織調整文章中分析過人員流動、組織融合的好處。可以說，一場合理有效的架構調整，就如同一次及時的經絡疏通，讓公司面對新市場、新挑戰(zhàn)，能快速響應，找到錨點和打法。

在汽車云領域里，亦是如此。有云、智、駕融合經驗的云廠商，往往有著更多維的視角，更實戰(zhàn)的經驗，更深刻的場景理解，以及更全面的需求支持。

雷峰網了解到，目前在百度智能云汽車業(yè)務部里，匯集了來自百度IDG、ACG工業(yè)線、AI線、汽車行業(yè)等各類人才，他們曾參與過百度搜索、INF基礎設施、自動駕駛研發(fā)、智慧交通、行業(yè)云等多項業(yè)務，對汽車云有著深入實戰(zhàn)的理解。

“沒親身做過智駕研發(fā)，想短期內建成相關的數(shù)據(jù)閉環(huán)工具并不容易。”高果榮坦言，“百度過去多年專研自動駕駛，走了很多路，也踩了不少坑，但如今這些經歷都轉化成了寶貴經驗，沉淀在數(shù)據(jù)和工具里。”

實際上，過去幾年各家云大廠的汽車業(yè)務線在產研架構、銷售組織上，都經歷了不少迭變，為其當前境遇和未來走向埋下諸多因果，此間詳情，歡迎添加作者微信 xf123a 交流。

這次，百度下了先手棋

更具體來說，百度這種云、智、駕一體的模式，究竟能為市場帶來哪些助益？

在高果榮看來，百度汽車云的核心優(yōu)勢主要有兩個，一是深度用云能力，二是擁有一套齊全的行業(yè)know-how。也只有這樣，才能真正發(fā)揮好云、智、駕一體的優(yōu)勢。

眼下，車企們正在面臨一種“新型的”算力短缺困境。

與前幾年因國際因素導致的算卡短缺不同， 當前這波算力緊張更多是源于內因。

盡管“端到端”是智駕領域當紅炸子雞，但由于國內端到端技術還欠成熟，國內大部分的量產車上，很大一部分還是傳統(tǒng)智駕系統(tǒng)，于是車企們既要維持原有業(yè)務，又要投入新技術研發(fā)，雙管齊下的結果就是算力變得緊張，導致各部門陷入資源的爭搶與扯皮之中。

這種情況下，首先要做的是盡可能提高已有算卡的利用率，降本增效并舉。

這方面百度推出的主打產品是百舸異構計算平臺。據(jù)了解，該平臺可以實現(xiàn)異構計算資源協(xié)同工作，并支持軟硬件聯(lián)合優(yōu)化與中間件加速，進而提高算力利用率和優(yōu)化算力成本。

目前該平臺已迭代到最新的4.0版本，可以實現(xiàn)萬卡規(guī)模下的多芯混合訓練，且能將萬卡集群算力損失控制在5%以內，并實現(xiàn)有效訓練時長占比99.5%以上，從而給企業(yè)們提供高性能的算力集群。

除算力緊張外，從與一些傳統(tǒng)車企從業(yè)人的交流中，雷峰網還發(fā)現(xiàn)，很多傳統(tǒng)車企由于在智駕領域起步晚，技術儲備稍顯薄弱，傾向與擁有豐富智駕行業(yè)know-how的公司一起合作，來加速自身智駕能力的建設。這時候，做過智駕研發(fā)，親自下場踩過坑的云服務商往往更獲他們的青睞。

尤其是端到端興起后，智駕研發(fā)從原來的人力密集型轉向算力密集型、數(shù)據(jù)密集型， 尤其數(shù)據(jù)基礎設施的門檻，被大幅提高，智駕行業(yè)know-how的重要性愈發(fā)突顯。

“以前業(yè)內做自動駕駛，一個Conner Case來了之后，大家要么標數(shù)據(jù)、要么調模型。還是“人工+智能”的打法。但端到端來了之后，這種打法就行不通了。”

高果榮告訴雷峰網，端到端模式下，一個Conner Case過來后，工程師們首先要弄清楚的是缺陷在哪里，知道缺陷在哪后，不會想著先去調參、調網絡結構，而是想：要解決這個缺陷，我需要的數(shù)據(jù)在哪。

這就涉及到去哪里找更多的數(shù)據(jù)，數(shù)據(jù)怎么生成。而這背后需要一個沉淀了深厚行業(yè)know-how的數(shù)據(jù)工具鏈的支持。

這一工具鏈起碼要能在三方面幫到客戶：

一是能檢索或生成優(yōu)質數(shù)據(jù)，提高仿真訓練的質量和效率；

二是不以犧牲成本為代價，而要求得成本效益最大化；

三是最好能結合測繪等資質，從車端采集到車端驗證，幫客戶做真正的端到端的數(shù)據(jù)閉環(huán)。

具體而言，眼下，國內的很多量產車已經積累了大量數(shù)據(jù)，但并不意味著要把所有數(shù)據(jù)都一股腦地扔進模型里去訓練。如何找到“最有用的”數(shù)據(jù)，實現(xiàn)低成本、高效率的訓練，才是關鍵。

比如研發(fā)場景中，車企們經常面對一些“兩難之選”。例如想在已有場景庫中找這樣一類數(shù)據(jù)：前邊路面遺撒了一個小于20cm的遺撒物。這類數(shù)據(jù)在場景庫中通常較少，刻意采集的話，成本較高不說，采集時的情況往往也與實際情況有所不同。

這時候，更劃算的方案是拿已有數(shù)據(jù)來進行合成。而選用哪些數(shù)據(jù)，如何合成，如何盡可能促成對驗證結果的正反饋，這些都需要對場景、對數(shù)據(jù)有經驗性的理解和判斷。

這些理解和判斷的具象化的載體就是一套沉淀了行業(yè)know-how的數(shù)據(jù)工具鏈。而這套工具，如果車企自己從零開始做，很難。

據(jù)高果榮介紹，不久前，百度汽車云升級到了3.0版本，這一版本的核心亮點之一便是在真實數(shù)據(jù)訓練的基礎上加入了虛擬場景數(shù)據(jù)，提質增效，最大程度解決“訓練數(shù)據(jù)量”的問題。

據(jù)了解，3.0版本下的新系統(tǒng)的真實數(shù)據(jù)仿真測試已達到了“百城覆蓋”的范圍，同時也能夠從原始數(shù)據(jù)中構建出長尾場景，為端到端智駕測試場景的生成提供有力支撐。

不僅如此，對于很多車企來說，數(shù)據(jù)閉環(huán)也是一大核心需求，這就要求云服務商有測繪資質，能做數(shù)據(jù)合規(guī)，從源頭上做到真正的端到端數(shù)據(jù)閉環(huán)。

這一閉環(huán)會細化到：從車端的數(shù)據(jù)采集開始，哪里能采，哪里不能采，如何做到既合規(guī)，又成本最優(yōu)；采集來的數(shù)據(jù)車端脫敏、云端脫敏；脫敏后進入數(shù)據(jù)平臺做分析；分析完了投入訓練；訓練完了做驗證和優(yōu)化；并通過OTA能力不斷推送到車上看效果，以此往復。

不難看出，這套閉環(huán)不是離線環(huán)境下的“端到端”，而是實時在線的，從車端出發(fā)再回到車端，不斷驗證、迭代的“端到端”。

數(shù)據(jù)、云、AI大模型，以上這些技術或工具單獨拎出一項或幾項，可能并不出奇，但如果兼?zhèn)洌蜁嫵梢粋€緊密耦合，互相驅動的飛輪，進而形成一種強大勢能——這正是“云、智、駕”一體的關鍵優(yōu)勢所在。

結語

回顧國內智駕行業(yè)發(fā)展的這些年，技術范式的轉變，調整著行業(yè)的一次次走向。

從早期依靠人海戰(zhàn)術的代碼工程，到后來逐步實現(xiàn)一個模塊一個模塊的AI化替代，再到現(xiàn)如今端到端技術的“飛躍式”突破，自動駕駛終于走出了一條愈加明朗的道路。

而行業(yè)迭代的“明線”背后，是另一條技術融合的“暗線”：當大模型技術在智駕這一垂直行業(yè)里落地越來越深時，云計算、AI、大模型、智駕經驗的交互融合成為必然，獨屬于智駕行業(yè)的真基建——“云、智、駕”一體底座，正在形成。

對于賽道中的參與者們來說，誰能率先搭好這一底座，誰就能搶占先機，在眼下的淘汰賽中擁有更大的勝出幾率。

正如特斯拉，憑借在智駕車隊、算力集群、AI模型、芯片等方面自成一體的優(yōu)勢，形成了強大的“飛輪效應”，在不到一年的時間里，又發(fā)布了FSDV13.2，并完成了首批交付，再次刷新了行業(yè)標桿。這也意味著新一輪賽局的發(fā)令槍正在打響，留給中國玩家們的時間已然緊迫。

云計算賽道真的沒有新東西了嗎？非也。深入產業(yè)看，云計算才剛剛開啟了他的第二春。眼下，全球前三云大廠無不重押行業(yè)化，行業(yè)化已成全球趨勢，而國內云廠商過去幾年在區(qū)域線、行業(yè)線上也是幾經變化，探索不止。近期雷峰網將圍繞“云計算行業(yè)與區(qū)域之爭”議題推出相關文章，歡迎添加作者微信 xf123a 交流。

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見 轉載須知 。