清華大學戴一凡：大模型和端到端應用帶來自動駕駛階躍式發展

1月8日，在新京報「智造未來」2024第十九屆超級汽車論壇上，清華大學蘇州汽車研究院助理院長、智能網聯中心主任戴一凡做主旨演講《AI技術在自動駕駛中的應用》表示，大模型和端到端自動駕駛解決方案會讓自動駕駛技術實現階躍式發展。

隨著全球汽車的革新升級，自動駕駛已成為汽車行業的關注焦點，AI（人工智能）的發展對自動駕駛起到重大推進作用，也讓行業面臨新的挑戰。戴一凡認為，AI時代自動駕駛行業將面臨新一輪洗牌，頭部企業的集聚效應愈發突出，後入局者的追趕難度越來越大。

AI在自動駕駛領域有四方面應用

戴一凡表示，AI的核心驅動力是數據、算力和算法。其中，算力包括兩個層面的，一是模型成長訓練期間的算力，二是推理也就是實際應用場景期間的算力。對自動駕駛而言，訓練是在雲端、在機房完成，推理是在車端實時完成。

「AI在自動駕駛領域的整體大概有四個方面的應用。」戴一凡分析。

第一是基於深度學習技術的自動駕駛感知技術，也就是通過攝像頭、雷達等傳感器去識別行駛環境，讓自動駕駛車輛能對周圍環境進行直觀判斷。

第二個基於深度強化學習的決策規劃技術，也就是對未來行駛路徑以及行為做決策，例如應該走哪條路、怎麼換道、加速還是減速等，這是基於深度強化學習的AI技術。

第三個是基於BEV的自動駕駛新範式。BEV就是鳥瞰視角，基於全局視角的一種自動駕駛模式。

第四個基於大模型的端到端的自動駕駛應用，端到端自動駕駛解決方案，目前多家車企正重點佈局。

端到端方案可讓自動駕駛系統更簡潔

戴一凡表示，大模型第一個核心特徵是參數規模大，通常在千億甚至萬億級別，「這樣會體現出很強的泛化特徵，也就是說同樣一個大模型在不同領域的應用都會有很好的效果。」其次，湧現特徵也是大模型非常重要的特徵，當模型規模超過一定量級，模型的性能會有階躍式的發展和突破。

在戴一凡看來，目前大模型在自動駕駛領域非常典型的應用就是端到端自動駕駛解決方案。

他進一步分析，傳統自動駕駛方案中每一個模塊是獨立的，從傳感器輸入感知信號，識別行駛周圍環境。再傳遞給決策模式，規劃模塊再根據決策給出行駛軌跡。最後控制模型去控制執行機構，如控制方向盤、刹車油門等。

而端到端自動駕駛解決方案中把很多模塊進行了整合。所謂端到端，其實就是利用一個模型實現多種模塊的功能，降低多模型的聯級誤差，整體提升系統性能，讓系統變得更簡化。

企業要做好應對變革

車企、科技公司為什麼要佈局端到端自動駕駛解決方案？在戴一凡看來，端到端自動駕駛解決方案有兩大明顯優勢，這是目前企業搶灘佈局的主要原因。

第一個是大模型的強大泛化能力，端到端自動駕駛解決方案通過強大的模型泛化能力來提升智能駕駛的上限。面對不同的自動駕駛場景，可能會遇到邊緣、罕見的場景會增加安全風險。如果靠傳統自動駕駛方案，需要工程師不斷地修改代碼。但端到端自動駕駛解決方案使用的是推理方法，其可以通過數據迭代實現多應用場景的適配，解決了智能化能力的上限問題。

第二個是通過數據的隱式表達避免信息的損失。傳統算法中各模塊之間通過定義接口的方式進行信息的顯式傳遞，會產生明顯的信息損失，如感知的漏檢、無效目標的剔除等。端到端自動駕駛解決方案中，所有信息是通過隱式表達特徵進行信息傳遞，將信息「無損」地傳遞給下位模塊。整體上而言，模擬了人類的思考。

戴一凡建議，AI會導致傳統的研發模式被顛覆，隨著算法驅動變成數據驅動，數據的重要性在快速上升，工程師代碼經驗的重要性在下降。因此，所有企業都要做好應對這個變革的準備。

同時，大模型和端到端自動駕駛解決方案會讓自動駕駛技術實現階躍式發展，通過數據的訓練和泛化能力推動自動駕駛技術的快速發展。傳統規則驅動的算法將被推倒重來，行業面臨新一輪的洗牌，技術頭部企業的集聚效應愈發突出，先入局者的優勢越來越明顯，後入局者的追趕難度越來越大。

新京報貝殼財經記者 王琳琳

編輯 張冰

校對 柳寶慶