江湖，又到了風云變幻急的時候。前幾天，蔚來ET7連續直播13小時挑戰續航1000公里刷爆車圈。但相對于“蔚小理”曾經的意氣風發，這場直播卻充滿奮力一搏的壯烈感。150度電池包，的確能緩解中國車主續航不足的深度焦慮，但如果想著僅憑這招就能在高新技術扎堆的電動車江湖呼風喚雨，就未免簡單。江湖新的打開模式已鎖定——就是智能駕駛，它的背后是基礎算力、AI大模型、云計算所有這些尖端的科技。所以，蔚來真正的麻煩還在后面。現在，比蔚來更麻煩的可能是通用Cruise。Cruise，在之前眾多智能駕駛相關的排行、測評中是僅次于谷歌Waymo的存在，遙遙領先于百度、特斯拉，也一度被看作是通用汽車的未來。

圖源：Cruise官網

但只是因為未能合理處理一個Corner case，Cruise的境遇急轉直下，牌照被叫停，高管們紛紛離職，還有裁員……從第二滑到排行榜單屏都看不到，僅5年。Corner cases(CC)，是自動駕駛場景中不常見或一些極端的場景數據，比如路邊變形的事故車，或者外觀變動大的車輛等等，它的背后往往意味著更大安全事故的可能性。一個Corner Case接近毀掉一家自動駕駛企業。這也意味著，自動駕駛技術行至今天，仿佛已經到了沖擊珠峰的最后幾百米，每進一步，都非常困難。現在，這個江湖的最大懸念就是：誰將第一批登頂？

行百里者半九十

續航400公里，還是1000公里，重要嗎？重要，但不是唯一的重要。從商業的角度，為了多出來的幾百公里，用戶要多花很多錢，值不值一定會成為一個問題。從技術護城河的角度，電動汽車的幾大核心部分：動力電池、電機、電控和智能駕駛，前三個都有了相對成熟的解決方案，差距也在可容忍范圍內，只有智能駕駛，才是行業公認的“天王山”。不久前，美國加州機車輛管理局公布了一份《2018年自動駕駛接管報告》，62家持牌公司達到披露標準的有48家，全是行業的頂級玩家，它們當年的差距大到超乎想象。

如今5年過去，L2已經成熟，L3似乎近在咫尺，這個進化速度讓人們相信，自動駕駛的大時代肯定會來，只是時間早晚。但Cruise的遭遇帶來了一抹陰影，頭部玩家之間的差距看起來大為縮小，但想要彌補卻變得比5年前更難。行百里者半九十，這警告現實而且殘酷。自動駕駛95%以上的常見駕駛場景，或者說容易的都解決了，剩余5%場景（即業內所稱的Corner case）的處理能力才是最殘酷的考驗。如果不能成為第一批解決這個技術問題的企業，那很可能就意味著出局。

Corner case于智能駕駛而言，大約就相當于珠穆朗瑪峰北坡位于8680米處的那個高數米而幾乎垂直的巖壁，過不去，北坡就叫“死亡線路”，過去了就是無限風光。它們罕見，卻又無法完全避免，花樣層出不窮，自動駕駛必須保證高效應對，否則，就有極大可能導致嚴重事故。2018年，特斯拉就因為一次事故，導致在某個測評中墊底。按照傳統方法，要征服Corner case，有點玄學的意味。比如，它們的算力需求是碎片化的，從0.5T到幾十、甚至幾百T，對數據精度的要求，也是大相徑庭，當然還涉及到算法，導致投入、產出比難以估算。

簡單說，如果用傳統的路測車輛去發現、積累這些無窮盡的Corner Case，在成本、安全性、和時間上可能都是車企無法承受的。更麻煩的是，有很多Corner Case在路測中可能永遠也不會遇到。所以，要贏得這場比賽，讓自動駕駛盡快成為“老司機“，有兩種辦法：第一，找到一個搭配智能輔助功能車輛足夠多的地方，這也是馬斯克一直對中國電動車市場極為羨慕的原因之一；第二，就是當下最火的人工智能大模型，在GPT進化到GPT4-Turbo之后，新思路已經躍然而出。

上海人工智能實驗室和華東師范大學的研究人員在今年7月發表了一篇論文中指出，雖然人類駕駛員和以前基于優化的自動駕駛系統都會開車，但人具備基本常識，而傳統的自動駕駛系統連常識也需要學習和訓練。但是，以GPT技術加持的LLM能夠像人類駕駛員一樣用常識推理復雜的駕駛場景，從而解決Corner Case 問題。

圖注：研究人員用具體例子展示了LLM在駕駛場景中強大的零樣本理解和推理能力。利用常識知識，不僅讓LLM能夠更好地理解場景中的語義信息，還能讓其做出更理性的決策，更符合人類的駕駛行為。

在國內，以華為云為代表的廠商在用大模型解決Corner case方面，已經積累了不少經驗。

第一，你可以將其理解為真實重構。

盤古大模型結合NeRF技術，構建AI 3D引擎以及在此之上的AI 3D平臺，進行建模、渲染以及3D 素材制作、場景制作等工作，最終實現將不同時刻拍攝的視頻、圖片、點云等多種模態的數據重建為虛擬的3D空間，并通過重建各類障礙物素材庫，變換已有場景的天氣、晝夜、季節等環境因素，基于已有路采數據做場景重建等方式，構造出新的Corner case。傳統上培養一個老司機可能需要積累100億公里的駕駛數據，那么現在這個里程被大大縮減，而且不用真車實跑，讓大模型跑起來就可以了。

第二，數據標注一步到位。

傳統主要是通過回放方式來給數據分類，而大模型+NeRF的方式可對街景、泊車等場景進行三維重建，實現“同一對象只標一次”即可遷移所有相關圖像，“同一場景只采一次”即可獲得不同視角圖像，數據成本可降低到路采+人工標注模式的1/5，效率也大大提升。車廠每年積累的數據不斷增加，甚至達到百TB級別，但真正能夠用做算法訓練的數據占比不到 10%，想提高利用率要么花千百億重新進行數據標注，而盤古的場景理解大模型則已經可以高效從原始數據中把需要的數據篩選出來，最高可降低90%的標準量，效率提升30%-40%。

第三，算法優化。

傳統技術路徑中，自動駕駛方案中的算法訓練也是需要經過反復驗證，而大模型可以學習自動駕駛系統的弱點，自動創建對抗性場景，無需手動調整算法，可以適應更快節奏、更大規模的訓練。大模型哪家強，現在公認的是美國遙遙領先，中國緊隨其后，歐美日韓各有所長，而這個江湖的命運現在都聚焦在了大模型上。

變“短板”為“跳板”

1975年，為了征服珠峰北坡8680米處的絕壁，中國將一個長6米的金屬梯樹立于此，讓國際上對中國人居然從北坡登頂珠峰的質疑，從此煙消云散。當年中國一定要登頂的背后也是一場國際較量，中國與尼泊爾為了珠穆郎波峰的歸屬爭執了幾十年，尼方提出的最大質疑就是：你說珠峰歸你，但你還從未從中國境內登頂過一次。所以，中國梯包含了國人的尊嚴，賭上了幾批登山隊員的生命，背后也包含了中國最頂級航天材料加工技術。如果說，大模型就是我們實現自動駕駛的那個“金屬梯”，但這道梯子本身也絕不簡單。每一個大模型背后都意味著海量算力的投入。比如，在自然語言處理領域GPT-3模型，就需要上千片A100芯片超一個月的訓練時間。國盛證券估算，GPT-3的單次訓練成本就高達140萬美元，對于一些更大的大模型，單次訓練成本介于200萬美元至1200萬美元之間。據業內機構預測，全球頭部AI大模型訓練算力需求每3～4個月翻一番，即平均每年增幅達到10倍。與算力需求端的高歌猛進相比，算力供給端則明顯跟不上節奏。地緣爭端更是人為加劇了這場競賽的不公平。

過去幾個月，并濟科技、匯納科技等多家 A 股上市公司公告，將內嵌英偉達A100芯片的高性能算力服務收費上調100%，而一些云廠商則悄然暫停A100服務器出租業務。英偉達專供中國大陸市場的H800型號芯片，因新增列入禁售名單，其售價已翻倍，從原本的人民幣21萬元急漲至最高人民幣40萬元，但仍然很難買到。在算力焦慮之下，業內甚至出現了“誰能爭搶到算力，誰就更有先發權”的觀點。所幸的是，國內有華為云這樣的算力玩家頂了上來。而通過可持續的算力服務，華為云已經成為大模型企業的重要算力提供商。

據了解，華為云烏蘭察布數據中心部署了單集群達2000P Flops的昇騰AI云服務，大模型訓練30天長穩率達到90%，斷點恢復時長不超過10分鐘，同時訓練效能可以調優到業界主流GPU的1.1倍，推動大模型技術更好地服務于汽車行業。

華為云烏蘭察布數據中心

昇騰算力底座可部署于私有云、公有云、專屬云、人工智能計算中心 AICC 等。除了支持華為的AI框架Mindspore 外，還支持 Pytorch、Tensorflow 等主流 AI 框架，框架中的90%算子，可以通過華為端到端遷移工具從 GPU 平滑遷移到昇騰。

在安全方面，華為云也異常重視。為了滿足監管和車企的需求，華為云在烏蘭察布汽車專區采用3分區合規架構設計，包括數據處理區、智駕業務區和網絡中繼區，實現嚴格物理隔離和權限控制，滿足自動駕駛開發合規要求。在運營上，華為云還構建7層安全縱深防御體系，并打造了安全云腦方案，構建300多個安全檢測模型，100多個自動響應劇本，實現99%的安全威脅5分鐘閉環。

同時，在汽車專區的認證資質方面，華為云通過了業內120+權威安全合規認證，是中國首個通過汽車TISAX認證的云廠商。

此外，華為云還構建了AI-Native存儲系統，提供數據24小時入云、精細存儲、高效訓練服務，助力汽車行業面對智能化帶來的數據浪涌挑戰。事實上，對于車企而言，有了大模型和算力仍然不夠，還需要一個構建數據閉環能力的平臺，把大模型和算力池的強大功效真正發揮出來，對車企而言就是自動駕駛開發平臺。眾所周知，大模型開發和調優是一個復雜的系統工程，而安全、高效地運維、使用大規模算力也有著極高的技術門檻。因此，車企們就需要一個強大的工具包，來實現開發自動駕駛方案所需算力、數據、算法的同時加速。

在國內，華為云的自動駕駛開發平臺就是這樣一個功能強大的基礎設施。該平臺基于盤古大模型和ModelArts AI開發生產線，提供了數據生成、自動標注、模型訓練、云端仿真、虛實結合仿真、數據閉環等一系列能力，幫助車企和商用車企業加速自動駕駛算法的開發驗證和優化迭代，降低成本和風險，提升效率和安全性。
目前，該平臺已經在長安、一汽等多個車企以及礦用卡車、港口ART、專線物流重卡等商用車場景中應用并取得良好效果。比如，在露天礦上進行裝排土作業的場景下，華為云就幫助無人駕駛寬體車實現了全無人駕駛、全天候7*24小時連續作業，解決了露天礦揚塵遮蔽、無標識顛簸道路、特種作業車輛混行等多種挑戰，并對重載達上百噸的車輛規控算法進行了有效調優，實現厘米級的精準停靠。

時間窗口不多了

人工智能大模型對自動駕駛的影響到底如何？汽車行業的人都在關注特斯拉的自動駕駛系統FSD V12。此前有消息稱，特斯拉近期已向內部員工提供FSD V12，而業內預計明年年初會正式面世。業內人士普遍認為，FSD V12的發布將拔高自動駕駛層級，讓L3（有條件自動駕駛）級別以上的競爭提前到來。而最近，隨著北京、上海大量發放L3自動駕駛測試牌照，一場新的自動駕駛競賽又迫在眉睫了。最憂慮的還是那些傳統車企，它們在這場競賽中，已經被遠遠的拉下。

現在，絕大多數傳統車企的自動駕駛方案還停留在L2級別，而如果不能快速升級至L3級別，可能很難參與未來更加激烈的市場競爭，被淘汰將不可避免。但要參與L3級別的競爭，傳統車企的技術現狀又著實令人擔憂。一些車企想著靠堆砌硬件的方式來追求L3級別的自動駕駛能力，但是過多的硬件配置又拉高了車輛的成本。此外，仔細觀察行業，你還會發現，雖然車企口頭上都對自動駕駛信誓旦旦，但是很多車企根本就沒有搭建其專業的自動駕駛開發平臺，而有些車企雖然已經搭建開發平臺，但真正能用起來的又不多。不用說，L3級自動駕駛方案研發所涉及的技術門檻很高。以傳統車企現有的人才結構，很難走特斯拉那條全自研的路，更何況市場也不會給予車企更多時間進行技術積累。
面對現實，華為云已經鋪就的技術平臺，也許會成為它們跨越絕壁的梯子，能讓它們避免被L3的競爭過早的淘汰。事實上，通過這種合作模式，自動駕駛領域未來專業化的分工體系也初現端倪，可能也更符合汽車行業的發展現狀。

結語

汽車智能化的大時代已經到來，整個產業鏈都被裹挾在巨浪之中，或被動或主動，但改變、創新是唯一的選擇。同時，圍繞自動駕駛方案的研發，也已經成為車企不能輸也輸不起的核心戰場。根據麥肯錫的預測，到2025年全球自動駕駛技術及相關應用的市場規模將達6000億美元。伴隨大模型驅動的研發平臺加速進化，自動駕駛量產進程也將駛入快車道。與巨大的市場機遇相伴，一條決定車企未來命運的自動駕駛生死線也已經慢慢劃開。從L2到L3級別的升級，看似簡單，但闖過去了才有可能是新時代的弄潮兒，闖不過去就一定是舊時代的諾基亞。由于有了“中國梯”，已經有上千人征服了曾經的“死亡路線”，而且死亡率一直在下降。在自動駕駛的珠峰攀登之路上，顯然傳統車企也需要找到能讓自己突破技術瓶頸，避免行百里者半九十的那道“中國梯”。