電子發燒友網報道（文/李彎彎）中國已經成為全球智能汽車的主戰場，根據Canalyst數據，中國市場占全球智能汽車總市場的57%，中國智能汽車市場滲透率已經達到總量的26%，無論是從銷售占比，還是滲透率來看，中國智能汽車市場都大幅領先歐美。

在日前的第六屆HAOMO AI DAY上，毫末智行董事長張凱表示，從2020年到今年6月，中國市場高級別輔助駕駛搭載率持續快速提升，特別是今年上半年，高級別輔助駕駛的前裝搭載率達到26.64%，預計到2025年，中國高級別輔助駕駛搭載率超過70%，前景可期。

自動駕駛技術進入數據驅動時代

結合技術發展的規律，毫末智行CEO顧維灝認為可以將近十年自動駕駛技術的發展分成三個階段：自動駕駛1.0時代，主要是硬件驅動；自動駕駛2.0時代，主要是軟件驅動；自動駕駛3.0時代，重點則是數據驅動。這幾個階段有何區別呢？

在硬件驅動時代，在感知上，主要靠激光雷達，線束多，個數多，能力就強；在認知上，基本使用人工規則來實現。由于車輛成本比較高，所以車輛數量有限，同時技術效果一般，導致自動駕駛里程規模比較少，在100萬公里左右。

在軟件驅動時代，有更大算力的中央計算芯片，車輛搭載的車規傳感器個數在快速增加，AI在智能駕駛車上的應用更廣泛。在感知上，各傳感器各自為戰，用一些小模型和少量數據做訓練，得到單個傳感器的識別結果，然后進行感知結果融合；在認知上，依然是人工規則為主。由于整體成本的下降和效果的提升，自動駕駛里程快速增加，達到上千萬公里。

在數據驅動時代，則主要是數據自己訓練自己。在感知上，用多個傳感器、不同模態傳感器的原始數據聯合輸出感知結果；在認知上，通過大量人駕數據抽取可解釋的場景化駕駛常識，在配以AI的實時計算，可以更加擬人化的融入社會交通流中。這個階段訓練的方式發生了改變，主要從小模型、少數據，轉成大模型和真正的大數據。

顧維灝談到，毫末智行正在沖刺自動駕駛3.0時代，現階段所有的一切都是為了能夠做出數據通道和計算中心，以便更高效的獲取數據，并把數據轉化為知識。

經過過去近三年的發展，毫末已經在中國量產自動駕駛領域取得領先地位，數據規模正在快速增加，目前用戶使用毫末輔助駕駛產品所產生的輔助駕駛里程，已接近1700萬公里。其數據智能體系MANA的學習時長已經超過31萬小時，虛擬駕齡達到4萬年。末端物流自動配送車也為附近用戶運送了超過9萬單的物資。數據的規模和多樣性都在快速的增長。

1000天，穿越創業公司生死線

剛剛過去的1000天，毫末智行穿越了一家創業公司的生死線，從0到1，突破了重重技術和商業難關，包括大規模、多車型的自動駕駛量產難關；末端物流自動配送車用車成本高居不下的難關；在自動駕駛核心AI技術領域突破了大規模數據處理以及大模型算法應用難關。

2021年，毫末智行獲得了中國量產自動駕駛第一名的稱號。在乘用車領域，今年7月底魏牌拿鐵 DHT-PHEV的上市，成為搭載毫末智行智能駕駛系統的第七款車型，與此同時，歐拉閃電貓、歐拉芭蕾貓、歐拉好貓、全新一代長城炮等車型也在陸續交付中。

今年8月26日成都車展發布的魏牌摩卡激光雷達版，是搭載毫末第三代智能駕駛系統HPilot3.0的首款車型。毫末的HPilot3.0具備打通高速、城市場景的高級別輔助駕駛的能力，將會在今年下半年正式交付。到今年年底，搭載毫末輔助駕駛系統的車型將達數十款。

在末端物流自動配送車領域，毫末在4月份發布了第二代末端物流自動配送車——小魔駝2.0。小魔駝2.0是業內首款面向商用市場的10萬元級末端物流自動配送車，目前小魔駝2.0已經開始穩定量產交付，面向商超、物流行業客戶。截至2022年9月，毫末智行與物美多點合作的小魔駝運營項目訂單量已突破9萬單。

自動駕駛行業面臨的挑戰

2022年自動駕駛行業的競爭已步入下半程，毫末在數據智能、城市場景輔助駕駛、末端物流自動配送方面，都取得了新進展。

在數據智能方面，中國首個自動駕駛數據智能體系MANA基本完成數據閉環，截止目前，MANA的學習時長超過31萬小時，虛擬世界駕齡相當于人類司機的4萬年的駕齡。

在乘用車輔助駕駛方面，中國首款大規模量產的城市NOH輔助駕駛系統，即“毫末HPilot3.0”即將交付，毫末的HPilot3.0具有重感知、輕地圖、大算力的特點。2022年，其可落地區域預計將會覆蓋10座城市，2023年計劃HPilot3.0落地城市超過100個。目前已在北京、保定等區域開展最后階段的量產沖刺。

在末端物流自動配送方面，毫末小魔駝2.0也正在陸續交付中，將很快進入最后一公里的末端物流配送及客戶的商業場景當中。

同時，2022年下半年自動駕駛行業也面臨幾大挑戰：首先是大規模自動駕駛數據上云；其次是大算力AI芯片的性能突圍；第三是城市場景自動駕駛產品的量產突圍。

面對重重挑戰，張凱談到，毫末總結了五大應對法則：一、智能駕駛產品開發要始終將安全放在首位；二、要用ToC的思維去做ToB的事，才能真正開發出C端市場接受的產品；三，挖掘出用戶真實場景數據來進行數據驅動；四，實現感知智能與認知智能的高度一體化；五，以開放的心態賦能客戶。

另外值得關注的是，毫末超算中心逐漸揭開面紗。訓練大模型需要消耗巨大的算力，以訓練一個千億參數、百萬個clips的大模型為例，需要上千GPU卡訓練幾個月時間，如何提升訓練效率，降低訓練成本，實現低碳計算是自動駕駛走進千家萬戶的一個關鍵門檻。

毫末籌備MANA超算中心的目標是，滿足千億參數大模型，訓練數據規模100萬clips，整體訓練成本可以降低200倍。另外基于毫末場景庫的精準數據，基于海量實車數據的增量學習，結合稀疏激活、算子深度優化等技術，持續優化訓練成本。

小結

如今智能駕駛汽車滲透率正在快速提升，自動駕駛技術也在不斷升級，從早期的硬件驅動、軟件驅動，到數據驅動，而大模型、大數據的使用，也讓自動駕駛面臨計算效率、成本等諸多問題，而這些也是接下來自動駕駛企業需要思考優化的問題。