自動駕駛3．0，開始拼算力

“大眾輔助駕駛，擁堵跟車把變道的前車給撞了”

“有次在高速ACC幫我防止了追尾�！�

用戶對輔助駕駛的評價，呈現(xiàn)出兩極分化。

事實上，從目前的許多事故上來看，輔助駕駛確實還很難說得上安全，就在不久之前，開著LCC功能的小鵬就在高速追尾；之后也有特斯拉在進入小區(qū)時突然加速。

而這一系列的事故也給了廣大車主一個非常強的不信任感。輔助駕駛在高速、停車場這樣相對簡單的場景都不能保證安全，那在更復雜的城市道路上又值得信任嗎？

顧維灝認為，目前城市輔助駕駛的挑戰(zhàn)主要還是道路的復雜性，具體表現(xiàn)為城市道路養(yǎng)護，大型車輛密集，變道空間狹窄，城市環(huán)境多樣四個方面。而要解決這些問題，AI就需要更多的數(shù)據(jù)樣本進行訓練，所以數(shù)據(jù)也就成了驅(qū)動自動駕駛成熟的核心。

區(qū)別于之前輔助駕駛將單個傳感器數(shù)據(jù)在車載大算力芯片上進行計算，在進入城市輔助駕駛之后，毫末開始將所有傳感器的原始數(shù)據(jù)放在一起，然后再通過AI大模型輸出車輛的全局感知結果。

圖：毫末將環(huán)繞車身的傳感器數(shù)據(jù)整合在一起，輸出當前路況信息

這樣做的好處是，車輛在認知領域的進步可以逐漸脫離之前人為設定的規(guī)則，然后逐漸把人類真實駕駛的行為和常識提取出來。簡單說就是讓AI駕駛更像人類的老司機。但要達到這種狀態(tài)，那支持訓練的模型的數(shù)據(jù)至少要超過1億公里。

除此之外，進入城市道路之后，汽車也要開始適應人類常用的交互方式，比如要理解周圍車輛轉(zhuǎn)向燈、尾燈的不同信號的意圖。但現(xiàn)在市面上，不同車型、不同形狀的尾燈都有很多，這不僅對算法識別帶來挑戰(zhàn)，龐大的數(shù)據(jù)量同樣也會增加。

為了解決AI訓練中語義理解的問題，谷歌在四月份發(fā)布了一個新的訓練模型——Pathways Language Model（PaLM），由于其訓練參數(shù)達到5400億，使用了7800億個Tokens，也被大家戲稱為，讓世界沒有難懂的梗。但這種能力要使用到自動駕駛環(huán)境，也要求自動駕駛訓練的里程至少在一億公里以上。

圖：PaLM用two－shot prompts解釋了一個原創(chuàng)笑話

很顯然，要訓練出好的自動駕駛，未來的數(shù)據(jù)量會變得越來越大，特斯拉現(xiàn)在擁有三大數(shù)據(jù)中心，總計11544GPUs。為了提高數(shù)據(jù)的使用效率，特斯拉在2021年AI DAY上還發(fā)布了自研的DOJO超級計算系統(tǒng)和D1芯片。

但傳統(tǒng)的數(shù)據(jù)使用方式還是制約了自動駕駛的發(fā)展。在之前，大量的數(shù)據(jù)進入訓練階段之前，都需要人工進行標注，即人要先告訴AI，這個東西是紅綠燈，那個東西是柵欄，幫助AI建立基本認知。龐大的數(shù)據(jù)標注催生了數(shù)據(jù)標注師這個職業(yè)，也一度被人們戲稱“有多少人工就有多少智能”。

但這種依賴人工標注的訓練方式也存在許多問題，比如大量時間和成本的占用。顧維灝在毫末AI DAY上表示，之前的AI訓練中，成本主要用在了訓練標注上。而在今年6月份，特斯拉加州辦公室有近200位員工被裁，主要也是自動駕駛的數(shù)據(jù)標注團隊。

為了解決數(shù)據(jù)標注的成本問題，特斯拉也開始引入效率更高，成本更低的數(shù)據(jù)標注系統(tǒng)。這個系統(tǒng)只需要將車輛在路上行駛采集到的真實駕駛數(shù)據(jù)，再利用標注好的數(shù)據(jù)來訓練模型，將結果進行聯(lián)合優(yōu)化以后便可以得到更加精確和詳細的標注結果，整個過程都不需要人工的參與。

在2021年8月的AI Day上，特斯拉Autopilot的軟件總監(jiān)Ashok Elluswamy就表示，他們可以在一周內(nèi)自動標記10k個clips（最小標注單元），而之前這個工作量至少需要幾個月的時間。

圖：數(shù)據(jù)標注示意

在國內(nèi)，毫末采用的大模型訓練方式也有異曲同工之處。

毫末的方案是用大量未經(jīng)標注的數(shù)據(jù)進行預訓練，然后形成一個主干模型，之后再用標注過的數(shù)據(jù)在特定的任務上做特定的優(yōu)化。通過這種方式，毫末讓訓練效率提升了三倍，精度和準確性也遠高于之前只用標注數(shù)據(jù)訓練的結果。

清華大學智能科學講席教授，中國工程院外籍院士張亞勤表示，自動駕駛正在逐步在向大模型，大數(shù)據(jù)、預訓練、多模態(tài)、端到端的趨勢發(fā)展。

最近幾年，隨著Attention to Transformer的廣泛應用，AI的自然語言識別效果很快超過了人類的平均水平。但問題也隨之而來，這種大模型對算力的消耗要遠遠高于摩爾定律能給到的支持。這也導致AI大模型的訓練成本太高了，傳導之后，也讓自動駕駛在車端的落地變得比較復雜。

針對這個問題，目前行業(yè)里也在積極探索解決方案。目前主流的方案有兩種，一種是輕量化，另一種是降低計算中的弱關聯(lián)計算。

首先是輕量化。Attention to Transformer這種模型，其計算力和計算量比之前的CNN（卷積神經(jīng)網(wǎng)絡）要高100倍，而這100倍的冗余顯然還沒有達到完全釋放的時候，所以許多玩家就在嘗試將CNN與Attention在不同環(huán)節(jié)做不同程度的融合，以達到降低算力，實現(xiàn)輕量化的目的。其中像蘋果在2021年提出的mobileVit和三星在今年提出的XFormer都是其中代表。

另一個則是降低弱關聯(lián)計算。要知道，Attention其實有一個特點，就是在龐大的計算中，6．9％的計算貢獻了大概94％的價值，剩下93％左右的計算則是弱關聯(lián)計算，并沒有太大的作用，這就造成了非常龐大的算力浪費。

基于這樣的特點，清華的一位教授開始針對Attention的機制設計芯片（之前相關芯片的設計都是針對CNN進行的），以達到降低弱關聯(lián)計算的目的。

圖：芯片上設計獨立的單元結構，計算上大值精確，小值近似；以及雙向的漸進式方式來減少弱關聯(lián)的計算，實現(xiàn)了在28nm的芯片上27．5TOS／W的能耗。

顧維灝認為，自動駕駛需要的數(shù)據(jù)主要是兩個方面，一個是規(guī)模，另一個是多樣性。我們今天做的所有工作，都是為了更加高效，低成本地獲取數(shù)據(jù)。然后把數(shù)據(jù)送到計算中心，用訓練的方法把數(shù)據(jù)轉(zhuǎn)換為自動駕駛的能力。

除了在算法模型上下的功夫之外，算力也是未來自動駕駛能力的關鍵。

8月初，小鵬與阿里云專門為自動駕駛建立的智算中心“扶搖”，在被稱為“草原云谷”的烏蘭察布正式落成。這座智算中心算力可達600PFLOPS，用于小鵬的自動駕駛模型訓練。

而在剛剛舉辦的AI DAY上，毫末也公布了首個超算中心。顧維灝表示，毫末超算中心的目標是滿足千億參數(shù)大模型，訓練數(shù)據(jù)規(guī)模100萬clips，將整體訓練成本降低200倍。

隨著自動駕駛發(fā)展階段的改變，自動駕駛公司的成本重心也開始發(fā)生轉(zhuǎn)移�！白詣玉{駛2．0階段，錢都花在數(shù)據(jù)標注上了，應用大模型后的3．0時代，成本會發(fā)生轉(zhuǎn)移，會從標注轉(zhuǎn)到計算�！鳖櫨S灝稱。

總之，數(shù)據(jù)的規(guī)模、獲取成本、質(zhì)量、處理速度等，都和自動駕駛能力的提升速度正相關。自動駕駛已經(jīng)進入了依靠算力推動數(shù)據(jù)處理的時代。

結語

如今，各地政府也在加快推進自動駕駛和輔助駕駛的發(fā)展。

9月初，上海市政府印發(fā)《上海市加快智能網(wǎng)聯(lián)汽車創(chuàng)新發(fā)展實施方案》，目標到2025年，具備組合駕駛輔助功能（L2級）和有條件自動駕駛功能（L3級）汽車占新車生產(chǎn)比例超過70％，具備高度自動駕駛功能（L4級及以上）汽車在限定區(qū)域和特定場景實現(xiàn)商業(yè)化應用。

在2022世界智能網(wǎng)聯(lián)汽車大會上，北京經(jīng)開區(qū)相關負責人表示自動駕駛示范區(qū)開啟3．0階段將實現(xiàn)全域信號覆蓋。

截至目前，北京經(jīng)開區(qū)已經(jīng)建成329個智能網(wǎng)聯(lián)標準路口，雙向750公里城市道路和10公里高速公路實現(xiàn)車路云一體化功能覆蓋，并匯聚了產(chǎn)業(yè)相關領域百余家企業(yè)、國內(nèi)頂級院校與研究機構參與示范區(qū)建設。

除此之外，還有像深圳、廣州、長沙、成都、上海等全國多個城市都在積極推動自動（輔助）駕駛落地。一系列的舉措，也都將推動輔助駕駛和自動駕駛加快落地。

8月28日，百度集團資深副總裁、智能駕駛事業(yè)群組總經(jīng)理李震宇表示：“自動駕駛正成為智能汽車競爭的焦點，未來3－5年，將是全球汽車智能化競爭的關鍵窗口期，2030年沒有自動駕駛能力的電動汽車將完全失去競爭力�！�

       原文標題 : 自動駕駛打“巷戰(zhàn)”