以前，馬車很慢，但現在它們與以前大不相同，不僅變得更快、更方便，而且更智能。近日，在人工智能和算力時代的自動駕駛生態創新大會上，來自通信界的記者全面了解了人工智能賦能自動駕駛的最新進展。人工智能大模型與自動駕駛技術有著天然的契合。通過AI大模型賦能自動駕駛技術，可以全面提升自動駕駛系統的安全性、穩定性、舒適性和智能性。

中國電動汽車產量占全球60% 自動駕駛技術有望超越歐美

根據IDC的一份報告，2022年全球電動汽車產量達到1100萬輛，其中約700萬輛在中國發貨，占全球市場份額的60%至70%。中國不僅是電動汽車的最大生產國和消費國，也是自動駕駛技術的重要創新者和推動者。隨著人工智能模型的應用和發展，中國的自動駕駛產品和技術水平有望在不久的將來趕超歐美國家。

汽車行業是人工智能大模型的重要應用領域之一，涉及各種復雜的場景和任務，需要高效、準確、可靠的決策和控制。自動駕駛行業的數據量也非常大。以自動駕駛為例，一輛汽車每天可以產生3PB的數據，這些數據至少保留三年，每年至少有1000PB的數據。假設一家公司有十輛自動駕駛汽車在路上行駛，每年大約有300000 PB的汽車，100000輛大規模生產的汽車在路上的數據量將達到50ZB。這對數據的存儲和計算提出了重大挑戰。

人工智能大型模型與自動駕駛技術有著天然的契合，因為它們都需要處理海量、多維和多模式的數據，并且都需要端到端的學習和推理。人工智能大模型可以通過車載傳感器、路況信息、地圖數據等多源數據的融合分析，實現對自動駕駛場景的深度理解和預測。他們還可以通過車輛控制系統和用戶交互系統等多個模塊的協同優化，實現自動駕駛行為的高效生成和執行。通過人工智能的大模型賦能自動駕駛技術，可以提高自動駕駛系統的安全性、穩定性、舒適性和智能性。

目前，中國在人工智能大模型領域擁有一批具有國際競爭力的企業和研究機構，如百度、阿里巴巴、騰訊、華為、中科院等。這些企業和機構不僅在人工智能的基礎理論和算法方面取得了重大突破，而且在人工智能芯片、平臺和應用方面也表現出強大的創新能力。比亞迪、吉利、特斯拉等許多新車制造商也采用了人工智能技術的支持，如AI+汽車、AI+自動駕駛、AI+智能座艙等，成為熱門產品。

在自動駕駛技術的發展過程中，中國也展現出強大的市場需求和消費潛力。據統計，中國目前擁有超過5000萬輛智能網聯汽車。這些汽車不僅為用戶提供了更方便、舒適、安全的出行體驗，還為人工智能模型提供了海量數據和反饋，實現了數據和算法的良性循環。隨著人工智能模型的不斷優化升級，中國有望在未來三到五年內實現L3甚至更高級別的自動駕駛技術在全行業的推廣和示范。

北京在推動人工智能大模型發展方面也發揮了重要的引領和示范作用。在過去的半年里，北京出臺了一系列政策措施，旨在打造具有全球影響力的人工智能創新高地，促進通用人工智能的發展，支持大型人工智能模型在各個領域的應用和實施。北京出臺了促進通用人工智能發展的若干措施，還發布了兩批通用人工智能產業創新伙伴計劃。北京市經信局還成立了數字經濟專業班，重點建設整個大模型，發揮政府平臺的引導作用，鼓勵更多的模型企業通過政府提供的平臺培養和支持其計算能力和數據需求。

人工智能賦能自動駕駛，面臨多重挑戰 工業界、學術界和研究界之間合作研發的需求

我們不能高估大型模型的現狀，也不能低估它們的未來。人工智能大模型作為一種技術工具，不僅可以為自動駕駛產品的創新賦能，還可以為自動驅動研發的效率賦能。在當前階段，我們需要探索如何在確保產品和效率的同時找到合適的解決方案和方法。

未來階段，需要關注自動駕駛產品在車上落地的幾個趨勢，即：從云端向本地端轉移。這是因為登陸車需要考慮網絡環境的不穩定性和模型規模的可行性，因此需要實現模型小型化和本地化部署；從訓練到推理的轉變是因為在著陸時需要考慮系統的可控性和確定性，從而實現模型推理優化和應用場景；從工具到產品的進化，是因為在上車時需要考慮用戶的需求和體驗，從而實現車型的功能提升和價值提升；從生成到可控的轉變是由于在著陸時需要考慮系統的安全性和合規性。因此，有必要在模型中實現清晰的邏輯和對規則的遵守；從一般的大車型發展到垂直車型，是因為在落地汽車時需要考慮行業的特點和差異，從而實現車型的領域專業化和場景定制化。

盡管人工智能大模型在自動駕駛領域顯示出了巨大的潛力和價值，但它也面臨著多重挑戰和問題，需要產學研協同研究，不斷優化創新。

首先，數據的質量和數量決定了大型模型的能力上限。然而，在自動駕駛領域，數據的收集、存儲、處理、分析等方面都存在巨大的困難和成本。因此，如何構建數據閉環系統，提高數據的質量和效率，同時降低數據的成本和風險，是人工智能大模型開發需要解決的重要問題之一。

其次，算法的設計和優化決定了大型模型的性能和有效性。然而，在自動駕駛領域，算法的選擇和應用也存在各種困難和挑戰。例如，在自動駕駛領域，目前主流的兩種算法路徑都是端到端和模塊化的。端到端是指將輸入數據直接映射到輸出控制信號的方法，可以簡化系統結構，提高操作效率。模塊化是指將自動駕駛系統分解為幾個子模塊并分別進行學習和優化的方法，可以提高系統的可解釋性和可控性。模塊化部署向端到端的未來趨勢可能成為主要趨勢，但端到端也面臨著黑匣子模型的可解釋性問題，目前實施的最終趨勢還不是特別明確。

最后，計算能力的提供和分配決定了大型模型的運行和部署。但目前，人工智能大模型的訓練主要依賴于基于云的數據中心，而推理則需要在車輛端進行。這需要通過OTA等方式，將在云端訓練的大模型轉化為適合車輛部署的小模型，并進行動態升級和調整。如何實現云與車的模型轉換與協同，是人工智能大模型開發中需要解決的重要問題之一。

除了這些技術挑戰和問題，在自動駕駛領域，人工智能大模型還面臨法律、倫理和社會的約束和影響。這需要來自行業、學術界和研究機構的專家參與監管、治理和標準體系等領域的標準研究、前瞻性技術研究和治理體系研究能力建設，幫助整個人工智能大模型更好地在自動駕駛、智能座艙，以及智能網聯汽車行業。