從前車馬很慢，現在的車馬可與之前大不相同，不但變得更快、更便捷、也變得更智能。近日，在人工智能大算力時代的自動駕駛生態創新大會上，通信世界全媒體記者全面了解到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度，通過人工智能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。

中國電動車產量占全球六成自動駕駛技術有望超越歐美

據IDC的報告顯示，2022年全球電動車的產量達到了1100萬輛，其中中國區出貨量約為700萬輛，占全球市場份額的60%~70%。中國不僅是電動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。隨著人工智能大模型的應用和發展，中國的自動駕駛產品和技術水平有望在不久的將來趕上甚至超越歐美國家。

汽車行業是人工智能大模型的重要應用領域之一，因為汽車行業涉及到多種復雜的場景和任務，需要高效、準確、可靠的決策和控制。自動駕駛產業的數據量也是十分龐大的，以自動駕駛為例，一輛汽車每天能夠產生3PB數據，這個數據至少保留三年，一年至少有1000PB數據。假設一個企業有十輛自動駕駛放在路上跑，一年大概有30萬PB，十萬輛的量產車放在路上，數據量會是50ZB。這對數據的存儲與計算都提出了較大的考驗。

人工智能大模型與自動駕駛技術有著天然的契合度，因為它們都需要處理海量、多維、多模態的數據，并且都需要實現端到端的學習和推理。人工智能大模型可以通過對車載傳感器、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，并且可以通過對車輛控制系統、用戶交互系統等多個模塊的協同優化，實現對自動駕駛行為的高效生成和執行。通過人工智能大模型賦能自動駕駛技術，可以提升自動駕駛系統的安全性、穩定性、舒適性和智能性。

目前，中國已經擁有了一批在人工智能大模型領域具有國際競爭力的企業和研究機構，例如百度、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基礎理論和算法方面取得了重要突破，也在人工智能芯片、平臺、應用方面展現了強大的創新能力。很多造車新勢力如比亞迪、吉利、特斯拉等等，也采用了很多AI技術的加持，如AI+汽車、AI+自動駕駛、AI+智能座艙等成為了人們比較歡迎的產品。

在自動駕駛技術的發展過程中，中國也展現了強大的市場需求和消費潛力。據統計，目前中國已經擁有了超過5000萬輛的智能網聯汽車。這些汽車不僅為用戶提供了更加便捷、舒適、安全的出行體驗，也為人工智能大模型提供了海量的數據和反饋，實現了數據和算法的良性循環。隨著人工智能大模型的不斷優化和升級，未來三到五年內，中國有望實現L3級別甚至更高級別的自動駕駛技術在整個行業內的推廣和示范。

北京市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。近半年來，北京市出臺了一系列政策舉措，旨在建設全球有影響力的人工智能創新高地，促進通用人工智能發展，支持人工智能大模型在各個領域的應用和落地。北京市專門出臺了促進通用人工智能發展若干措施，還發布了兩批通用人工智能的產業創新的伙伴計劃。北京市經信局也成立了專門的數字經濟專班，圍繞整個大模型建設，發揮政府平臺引導作用，鼓勵更多模型企業，不管有算力的需求，還是有數據的需求，都通過政府給予的平臺得到培育和支持。

人工智能賦能自動駕駛面臨多重挑戰需要產學研協同攻關

不能高估大模型的現在，也不能低估大模型的未來。人工智能大模型作為一種技術工具，不僅可以賦能自動駕駛產品的創新，也可以賦能自動駕駛研發的效率。在當前階段，我們需要探索如何在保證產品和效率的同時，找到合適的解決方案和途徑。

在未來階段，還需要關注自動駕駛產品在車上落地的幾個趨勢，分別是：從云端向本地端轉移，這是因為車上落地需要考慮網絡環境的不穩定性和模型規模的可行性，因此需要實現模型的小型化和本地化部署；從訓練向推理轉變，這是因為車上落地需要考慮系統的可控性和確定性，因此需要實現模型的推理優化和應用場景化；從工具向產品演進，這是因為車上落地需要考慮用戶的需求和體驗，因此需要實現模型的功能完善和價值提升；從生成式向可控性轉化，這是因為車上落地需要考慮系統的安全性和合規性，因此需要實現模型的邏輯清晰和規則遵守；從通用大模型向垂類模型發展，這是因為車上落地需要考慮行業的特點和差異，因此需要實現模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展現了巨大的潛力和價值，但是它也面臨著多重挑戰和問題，需要產學研協同攻關，不斷優化和創新。

首先，數據的質量和數量決定了大模型的能力上限。然而，在自動駕駛領域，數據的采集、存儲、處理、分析等環節都存在著巨大的難度和成本。因此，如何構建數據閉環的體系，提升數據的質量和效率，同時降低數據的成本和風險，是人工智能大模型發展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模型的性能和效果。然而，在自動駕駛領域，算法的選擇和應用也存在著多種困難和挑戰。例如，在自動駕駛領域，目前主流的兩種算法路徑是端到端和模塊化。端到端是指直接將輸入數據映射到輸出控制信號的方法，它可以簡化系統結構和提高運行效率。模塊化是指將自動駕駛系統分解為多個子模塊，并分別進行學習和優化的方法，它可以提高系統可解釋性和可控性。未來模塊化部署走向端到端或許會成為主要趨勢，但是端到端又面臨黑箱模型可解釋性的問題，最終落地的趨勢目前來說不是特別的明朗。

最后，算力的提供和分配決定了大模型的運行和部署。然而目前，人工智能大模型的訓練主要依賴于云端的數據中心，而推理則需要在車端進行。這就需要通過OTA等方式，將云端訓練好的大模型轉換為適合車端部署的小模型，并進行動態的升級和調整。如何實現云端和車端的模型轉換和協同，是人工智能大模型發展需要解決的重要問題之一。

除了這些技術層面的挑戰和問題之外，在自動駕駛領域，人工智能大模型還面臨著法律、倫理、社會等方面的制約和影響。這就需要在監管、治理、標準體系等方面產學研行業各位專家參與標準研究、前瞻技術研究和治理體系研究能力建設，幫助整個AI大模型在自動駕駛領域、智能座艙領域、智能網聯汽車產業里更好落地。

產業各方也在積極努力為智能網聯汽車行業提供更好的解決方案。如寧暢推出了2+6+N的智能汽車行業的解決方案，在汽車以及新能源包括自動駕駛行業里打造了各種類型的GPU服務器產品，有效解決訓練、推理兩大應用，同時不管是路端采集傳感器類型的數據，還是基于圖像識別圖像類的數據都需要海量的數據做存儲，寧暢都可以提供超大型存儲能力，不管是分布式的系統還是傳統的系統，都可以搭配GPU服務器，一起為客戶實現整個全棧的智能駕駛數據算力基礎設施的底座。

總而言之，人工智能大模型是自動駕駛領域的重要賦能者和創新者，它為自動駕駛技術帶來了巨大的潛力和價值，也面臨著多重挑戰和問題。為了實現人工智能大模型在自動駕駛領域的健康發展，需要產學研協同攻關，不斷優化和創新。