设为首页 | 收藏本站

「遥遥领先」的华为智驾,最大的风险是什么?

发表时间:2024-07-03 09:23作者:佚名

dddmx.jpg

2024 年 3 月开始,特斯拉开始在北美地区大范围推送 FSD v12,带来了相当明显的体验升级,让端到端成为行业追逐的热点。

近日,小鹏汽车创始人何小鹏美国加州体验了 FSD(全自动驾驶)V12.3.6 版本后,对其进步表示感慨。他称,全程体验下来,FSD 的表现非常丝滑,绝大部分路况处理都让人安心,几乎接近人类司机的驾驶水平。

与此同时,国内公司也在迅速跟进这条技术栈。华为小鹏元戎启行等企业纷纷规划端到端的上车方案。

其中,华为智能汽车解决方案 BU CEO 靳玉志表示,华为 ADS(自动驾驶系统)的目标是超越特斯拉 FSD。他表示,接下来每次大版本更新都显著提升了行业水平,即使是纯视觉的方案要超越特斯拉 FSD,而带激光雷达的方案更是要碾压特斯拉。

最近,华为宣布,阿维塔将首批搭载华为乾崑 ADS 3.0(高阶智能驾驶),并宣布大降价。ADS 高阶功能包一次性购买标准价格为 3.6 万元,调整后价格为 3 万元,相比原价降低了 6000 元。

那华为要如何在体验上碾压特斯拉 FSD 呢?在端到端成为行业共识的背景下,华为需要跨越哪些门槛才能继续保持领先?更重要的是,在「遥遥领先」的背后,华为智驾最大的风险是什么?

01 大力出奇迹

在此之前,首先要回顾下华为如何成为智能驾驶第一梯队?

业内普遍认为有两大原因:一是华为在智能驾驶的起步早,可以追溯到 2013 年。当时,华为成立了车联网事业部,正式开始布局自动驾驶技术。而在此之前,2012年谷歌获得了第一张自动驾驶牌照。与百度在同一时期开始进行路测相比,华为在时间上并没有落后。

相比之下,目前一些备受瞩目的自动驾驶公司,例如小马智行、Momenta 等,都是成立于 2016 年。

另一种说法是得益于华为庞大的资源投入和团队规模。

在很长一段时间里,在智能驾驶领域,团队规模直接影响研发成熟度。尤其是处理大量的特殊情况(Corner Case),需要大量的程序员和测试工程师来开发和验证。

问界产品搭载了华为智驾系统 | 图片来源:问界

相比规模在 1000 人左右的主流车企和自动驾驶公司研发团队,华为车 BU 的研发团队总计达 7000 人。余承东曾表示,其中 70%至 80%(约 5000 人)专注于自动驾驶的研发。这使得华为拥有国内外规模最大的自动驾驶研发团队。

知乎博主「卿颜」表示,华为在研发和新技术上的投入力度和决心是业内少见的。华为在多个团队同时推进自动驾驶技术的研发,并拥有大量的测试车,其中主要使用的是价格昂贵、易于改造的车型,显示出其在硬件上的投入。

在软件方面,华为曾是 Matlab(美国 MathWorks 公司出品的商业数学软件,被称为「工科生必备神器」)的大客户,购买了非常完整的许可证,甚至包括一些暂时用不到的许可证。华为一年在 Matlab 上的花费可能超过多个大主机厂的总和。虽然目前由于禁令影响,情况有所变化,但华为在软件上的投入同样显示了其在技术研发上的决心。

与此同时,自动驾驶技术长期以来采用分治法,将过程分成感知、预测、规划、控制,然后再拆分为雷达、建模、车规标准、智能协同、高精地图、软硬件配合等多个组成部分。这种方法对习惯大兵团作战的华为研发团队来说再熟悉不过了

华为在自动驾驶领域的研发过程,充分利用了其在大规模团队协作和项目管理方面的经验。分治法让各个部门专注于各自的技术难题,同时确保整体项目的协调推进。

华为 ADS 高阶智能驾驶辅助系统的演示区 | 图片来源:视觉中国

这几种说法都有合理性,但不容忽视的是,华为有来自其他业务的技术储备。华为并不是从零开始涉足自动驾驶。相比其他国内厂商,华为在电驱动等汽车技术上有着深厚的积累。

同时,自动驾驶对软硬件能力的要求极高。从芯片制造、算法优化到系统建立和软件适配,每一个环节都需要扎实的技术积累。

目前,华为的软硬件一体化能力是支撑其快速发展的关键。与其他厂家通常购买各种器件芯片并结合自研算法不同,华为不仅开发底层操作系统,还拥有独特的 AI 芯片、激光雷达、电机、电控系统和毫米波雷达等关键技术。简单说,一辆智能电动车除了轮子、外壳和座椅,其他所有技术华为都能提供。

这种一体化优势,使得华为在优化各类器件性能和数据处理方面,具备了极高的效率和灵活性。

02 能跨越到端到端时代吗?

目前,业界普遍认为端到端开启了新一轮的自动驾驶产业革命。华为的高级智能驾驶系统也经历了三个阶段:

ADS 1.0:于 2021 年推出,基于 Transformer 的 BEV 架构,依赖高精度地图。

ADS 2.0:在 2023 年发布,减少了对高精度地图的依赖,采用 RCR 算法进行车道实时识别和路径规划,大幅提升了系统在城市环境中的泛化速度和更新频率。

ADS 3.0:2024 年发布,采用端到端大模型。与特斯拉宣称的「大一统」模型不同,华为 ADS 3.0 感知部分使用 GOD(通用障碍物识别)大感知网络,而决策规划部分通过 PDP(预测-决策-规划)网络来实现。

虽然业内都在追逐端到端,但业界对它的定义存在着分歧和争议。一些技术原教旨主义者认为,许多公司所宣传的「端到端」并非真正意义上的端到端;而实用主义者则认为,只要技术基本符合原理并且产品性能得到提升,精确定义端到端的内涵并不是关键。

辰韬资本联合多家单位发布了 2024 年度《端到端自动驾驶行业研究报告》,表示自动驾驶技术架构演进为四个关键阶段:

感知「端到端」:感知模块通过多传感器融合技术实现了模块级别的全面覆盖,但决策规划仍主要基于规则。

决策规划模型化:决策规划模块从传统的预测、决策、规划功能分离,演变为集成到单一神经网络中的模型。

模块化端到端:感知模块不再输出人类理解的结果,而是特征向量;训练时需通过梯度传导同时进行,增强模块之间的协同性。

One Model/ 单一模型端到端:不再区分感知、决策规划等功能,整体流程由同一深度学习模型完成,从输入信号到输出轨迹一体化。

业内认为,华为和很多国内厂商的方案,大多处于「 决策规划模型化 」 阶段,距离模块化端到端或 One Model 端到端自动驾驶量产落地还有距离。

未来,华为在迈向端到端自动驾驶新时代时,面临着三大关键挑战:

首先是数据需求的激增。特斯拉从超过 20 亿英里(约合 32 亿公里)的行驶数据中挖掘了数万小时的视频数据用于 FSD 训练。一位自动驾驶工程师表示,他们在训练端到端模型时,原本积累的路测数据只有 2%可以用。这显示出端到端模型对数据量的庞大需求。

除了数据量,数据质量同样至关重要。小马智行的 CTO 楼天城曾表示,要训练出高性能的端到端模型,数据质量的要求比一般性能模型高出几个数量级。这是整个自动驾驶行业面临的重大挑战之一。

华为今年 4 月时候宣布,到 6 月训练算力将达到 3.5 EFLOPS | 图片来源:华为

第二、在端到端自动驾驶的发展过程中,训练算力的需求越来越高,远超以往任何阶段

部分业内人士认为,使用 100 张高算力 GPU(如 NVIDIA A100)就能开始端到端自动驾驶的初步训练。然而,特斯拉等领先企业的实践表明,要实现优异的端到端效果,所需的计算能力远远超出这个数量。特斯拉此前预计 2024 年 2 月公司算力规模将进入全球前五,10 月算力将达到 100 E FLOPS(每秒浮点运算次数),相当于约 30 万块英伟达 A100 的算力总和

相比于国内厂商,特斯拉的目标高得让人惊讶。华为表示,2024 年 6 月智驾 ADS 训练算力将达 3.5EFLOPS,蔚来、理想、小鹏的智驾算力中心算力分别是 1.4 EFLOPS、1.4 EFLOPS、0.6EFLOPS。

第三,端到端将带来自动驾驶团队的组织重塑。一般来说,企业的组织结构通常能够促进组件层面的创新,因为产品研发通常由多个小组分别研究,只要产品的基本结构不变,这种方式就非常有效。然而,当需要进行结构性技术变革时,这种组织体系可能会阻碍创新,因为它限制了人员和团队以全新方式进行交流和合作的能力。

随着端到端技术的使用,之前的分治法和KPI分拆模式可能会限制性能的提升,产生意想不到的反效果。过于关注单一 KPI 的优秀表现,可能会牺牲其他指标的稳定性。

因此,许多企业正在调整策略,减少原有团队规模,转向 AI 大模型和数据基础设施的开发。高质量的数据和顶尖的 AI 人才将成为关键资源。与此同时,以往的垂直组织体系,要转向网格状结构,同时拥有垂直和横向团队,以实现多目标优化而非单一目标的优化。

端到端神经网络架构提升了数据及 AI 能力在整个产业链上的重要性,并带来了企业所需能力和资源投入的深刻变化。这也意味着,智能驾驶的游戏规则重新改写,能够跟进这场竞赛的玩家屈指可数,许多公司将因此掉队。

华为在规则驱动时代确实有自己的资源和先发优势但跨越要端到端时代保持领先,转弯的半径要比友商大很多