本文来自微信公众号“工联网iitime”，作者/程琳琳。
从前车马很慢，现在的车马可与之前大不相同，不但变得更快、更便捷、也变得更智能。近日，在人工智能大算力时代的自动驾驶生态创新大会上，通信世界全媒体记者全面了解到了人工智能赋能自动驾驶的最新进展。人工智能大模型与自动驾驶技术有着天然的契合度，通过人工智能大模型赋能自动驾驶技术，可以全面提升自动驾驶系统的安全性、稳定性、舒适性和智能性。
中国电动车产量占全球六成，自动驾驶技术有望超越欧美
据IDC的报告显示，2022年全球电动车的产量达到了1100万辆，其中中国区出货量约为700万辆，占全球市场份额的60%~70%。中国不仅是电动车的最大生产国和消费国，也是自动驾驶技术的重要创新者和推动者。随着人工智能大模型的应用和发展，中国的自动驾驶产品和技术水平有望在不久的将来赶上甚至超越欧美国家。
汽车行业是人工智能大模型的重要应用领域之一，因为汽车行业涉及到多种复杂的场景和任务，需要高效、准确、可靠的决策和控制。自动驾驶产业的数据量也是十分庞大的，以自动驾驶为例，一辆汽车每天能够产生3PB数据，这个数据至少保留三年，一年至少有1000PB数据。假设一个企业有十辆自动驾驶放在路上跑，一年大概有30万PB，十万辆的量产车放在路上，数据量会是50ZB。这对数据的存储与计算都提出了较大的考验。
人工智能大模型与自动驾驶技术有着天然的契合度，因为它们都需要处理海量、多维、多模态的数据，并且都需要实现端到端的学习和推理。人工智能大模型可以通过对车载传感器、路况信息、地图数据等多源数据的融合分析，实现对自动驾驶场景的深度理解和预测，并且可以通过对车辆控制系统、用户交互系统等多个模块的协同优化，实现对自动驾驶行为的高效生成和执行。通过人工智能大模型赋能自动驾驶技术，可以提升自动驾驶系统的安全性、稳定性、舒适性和智能性。
目前，中国已经拥有了一批在人工智能大模型领域具有国际竞争力的企业和研究机构，例如百度、阿里巴巴、腾讯、华为、中科院等。这些企业和机构不仅在人工智能基础理论和算法方面取得了重要突破，也在人工智能芯片、平台、应用方面展现了强大的创新能力。很多造车新势力如比亚迪、吉利、特斯拉等等，也采用了很多AI技术的加持，如AI+汽车、AI+自动驾驶、AI+智能座舱等成为了人们比较欢迎的产品。
在自动驾驶技术的发展过程中，中国也展现了强大的市场需求和消费潜力。据统计，目前中国已经拥有了超过5000万辆的智能网联汽车。这些汽车不仅为用户提供了更加便捷、舒适、安全的出行体验，也为人工智能大模型提供了海量的数据和反馈，实现了数据和算法的良性循环。随着人工智能大模型的不断优化和升级，未来三到五年内，中国有望实现L3级别甚至更高级别的自动驾驶技术在整个行业内的推广和示范。
北京市在推动人工智能大模型发展方面也发挥了重要的引领和示范作用。近半年来，北京市出台了一系列政策举措，旨在建设全球有影响力的人工智能创新高地，促进通用人工智能发展，支持人工智能大模型在各个领域的应用和落地。北京市专门出台了促进通用人工智能发展若干措施，还发布了两批通用人工智能的产业创新的伙伴计划。北京市经信局也成立了专门的数字经济专班，围绕整个大模型建设，发挥政府平台引导作用，鼓励更多模型企业，不管有算力的需求，还是有数据的需求，都通过政府给予的平台得到培育和支持。
人工智能赋能自动驾驶面临多重挑战，需要产学研协同攻关
不能高估大模型的现在，也不能低估大模型的未来。人工智能大模型作为一种技术工具，不仅可以赋能自动驾驶产品的创新，也可以赋能自动驾驶研发的效率。在当前阶段，我们需要探索如何在保证产品和效率的同时，找到合适的解决方案和途径。
在未来阶段，还需要关注自动驾驶产品在车上落地的几个趋势，分别是：从云端向本地端转移，这是因为车上落地需要考虑网络环境的不稳定性和模型规模的可行性，因此需要实现模型的小型化和本地化部署；从训练向推理转变，这是因为车上落地需要考虑系统的可控性和确定性，因此需要实现模型的推理优化和应用场景化；从工具向产品演进，这是因为车上落地需要考虑用户的需求和体验，因此需要实现模型的功能完善和价值提升；从生成式向可控性转化，这是因为车上落地需要考虑系统的安全性和合规性，因此需要实现模型的逻辑清晰和规则遵守；从通用大模型向垂类模型发展，这是因为车上落地需要考虑行业的特点和差异，因此需要实现模型的领域专业化和场景定制化。
尽管人工智能大模型在自动驾驶领域展现了巨大的潜力和价值，但是它也面临着多重挑战和问题，需要产学研协同攻关，不断优化和创新。
首先，数据的质量和数量决定了大模型的能力上限。然而，在自动驾驶领域，数据的采集、存储、处理、分析等环节都存在着巨大的难度和成本。因此，如何构建数据闭环的体系，提升数据的质量和效率，同时降低数据的成本和风险，是人工智能大模型发展需要解决的重要问题之一。
其次，算法的设计和优化决定了大模型的性能和效果。然而，在自动驾驶领域，算法的选择和应用也存在着多种困难和挑战。例如，在自动驾驶领域，目前主流的两种算法路径是端到端和模块化。端到端是指直接将输入数据映射到输出控制信号的方法，它可以简化系统结构和提高运行效率。模块化是指将自动驾驶系统分解为多个子模块，并分别进行学习和优化的方法，它可以提高系统可解释性和可控性。未来模块化部署走向端到端或许会成为主要趋势，但是端到端又面临黑箱模型可解释性的问题，最终落地的趋势目前来说不是特别的明朗。
最后，算力的提供和分配决定了大模型的运行和部署。然而目前，人工智能大模型的训练主要依赖于云端的数据中心，而推理则需要在车端进行。这就需要通过OTA等方式，将云端训练好的大模型转换为适合车端部署的小模型，并进行动态的升级和调整。如何实现云端和车端的模型转换和协同，是人工智能大模型发展需要解决的重要问题之一。
除了这些技术层面的挑战和问题之外，在自动驾驶领域，人工智能大模型还面临着法律、伦理、社会等方面的制约和影响。这就需要在监管、治理、标准体系等方面产学研行业各位专家参与标准研究、前瞻技术研究和治理体系研究能力建设，帮助整个AI大模型在自动驾驶领域、智能座舱领域、智能网联汽车产业里更好落地。
产业各方也在积极努力为智能网联汽车行业提供更好的解决方案。如宁畅推出了2+6+N的智能汽车行业的解决方案，在汽车以及新能源包括自动驾驶行业里打造了各种类型的GPU服务器产品，有效解决训练、推理两大应用，同时不管是路端采集传感器类型的数据，还是基于图像识别图像类的数据都需要海量的数据做存储，宁畅都可以提供超大型存储能力，不管是分布式的系统还是传统的系统，都可以搭配GPU服务器，一起为客户实现整个全栈的智能驾驶数据算力基础设施的底座。
总而言之，人工智能大模型是自动驾驶领域的重要赋能者和创新者，它为自动驾驶技术带来了巨大的潜力和价值，也面临着多重挑战和问题。为了实现人工智能大模型在自动驾驶领域的健康发展，需要产学研协同攻关，不断优化和创新。
