對于汽車的定義，不同的時代有不同的理解。

在汽車尚未普及的時代，李書福說“汽車就是四個輪子加一個沙發(fā)”，而如今，在AI等技術的加持下，汽車正成為繼手機之后下一個超級移動終端，用地平線創(chuàng)始人余凱的話說，現(xiàn)在的車就是“四個輪子上的超級計算中心”。

而要打造一臺行駛中的超級計算機，以此實現(xiàn)更強的智能駕駛能力，難度可想而知。

其中的關鍵就在于對于數(shù)據(jù)的利用，包括收集、存儲、標準、計算以及過程中的合規(guī)要求等等，而要建立這樣一個高效的數(shù)據(jù)運維體系，絕不是車企單打獨斗就可以實現(xiàn)的。

跨越鴻溝的隱秘代價

智能電動汽車的重心，正在加速倒向智能，尤其是智能駕駛。

當智能汽車開得越來越溜，能夠妥善處理更多復雜場景，它將贏得消費者更多的信任。來自一線銷售的反饋顯示，智能駕駛在影響消費者購車決策中的排名迅速上升，正在從錦上添花型需求轉向剛需。中信證券預計，L2+智能駕駛滲透率有望在今年達到8%。這意味著，作為一項創(chuàng)新技術，高階智能駕駛即將步入“跨越鴻溝”的階段——如果跨越不了，便化為一場泡沫；要是跨過去了，則能實現(xiàn)商業(yè)閉環(huán)，成長為一項改變世界的重大技術。

而智駕跨越鴻溝實現(xiàn)商業(yè)閉環(huán)的前提是，實現(xiàn)數(shù)據(jù)閉環(huán)，讓智能駕駛汽車從海量的數(shù)據(jù)中不斷地學習、持續(xù)增強能力。

不過絕大多數(shù)消費者不了解，甚至一部分車企業(yè)也沒意識到的一點是，數(shù)據(jù)閉環(huán)的門檻，其實并不比造車低。這是一個涉及環(huán)節(jié)眾多，所需資源甚廣的苦活累活，不僅僅需要車端研發(fā)，更需要巨額的云端投入。

一般來說，智能駕駛數(shù)據(jù)閉環(huán)分為幾個環(huán)節(jié)：數(shù)據(jù)在車端篩選采集后，傳輸并存儲在云端超算中心，而后數(shù)據(jù)會被標注，作為養(yǎng)料供算法模型訓練。算法模型訓練完成后，通常會進行仿真、驗證，檢驗訓練效果，最后再通過OTA，更新車端智駕算法。

在其中僅車端數(shù)據(jù)采集環(huán)節(jié)，就需要解決數(shù)據(jù)合規(guī)、場景挖掘、計算資源調度等問題，需要一支專門團隊負責。而到了云端，資源的消耗更呈指數(shù)級增加。

比如特斯拉在車隊收集了數(shù)十億公里智能駕駛里程后，為了妥善利用數(shù)據(jù)，決定自研單體計算能力達1 EFlops（每秒一百億億次浮點運算）的Dojo超算。

為此，特斯拉啟用了大量新芯片工藝、帶寬技術、供能/散熱技術，但代價不僅是技術不成熟屢次跳票，而且成本高、先期投入巨大。在2024年前，DOJO超算的搭建預計會消耗10億美元投資。

放眼到整個汽車行業(yè)，能像特斯拉這樣財大氣粗的車企屈指可數(shù)。一方面，主機廠如今身負重任，一邊造車、一邊開發(fā)軟件算法已經是殫精竭慮、砸鍋賣鐵；另一方面，車市步入存量市場，價格戰(zhàn)導致的普遍低毛利，也在蠶食著主機廠的現(xiàn)金流。

手中沒啥余糧的車企，很難再獨力承擔云端設施的構建，迫切需要一種輕資產的模式實現(xiàn)智能駕駛數(shù)據(jù)閉環(huán)。與云服務商深入合作，便成為車企跨越智駕鴻溝的必經之路。

智能汽車的超級基建

今年初，伴隨著ChatGPT的大火，一段佳話也隨之流傳開：出于對OpenAI的信任，微軟不惜砍掉了自家部門的一部分研發(fā)資源，從其Azure云中騰出了上萬塊GPU訓練GPT3.5，促成了ChatGPT的騰飛。

這顯然給車企們生動地上了一課：云端算力的力大磚飛，是當下發(fā)展AI的“正確姿勢”。

于是，車企們還沒治好兩年前患上的車端算力饑渴癥，就又患上了云端算力焦慮癥。多家國內車企聯(lián)合云計算大廠進行“算力基建”，將云端算力儲備提升到了數(shù)百甚至上千PFlops（1PFlops即每秒浮點運算一千萬億次）。

擁有自主創(chuàng)新的云端訓練、在國內汽車云市場份額第一的華為也不落于人后。 7月7日， 華為云2000 PFlops單集群的昇騰AI云服務在烏蘭察布上線，將智駕云端算力的“基本計量單位”提升到了EFlops（1 EFlops=1000 PFlops，每秒一百億億次浮點運算）級。

不過，車企需要的汽車云，算力其實只是基礎。一朵能幫助車企建設、迭代智駕能力的智駕云，不僅應該是算力怪獸，也要同時滿足安全合規(guī)、降本增效、服務全面。

過去，車企對較敏感數(shù)據(jù)的上云多采用私有云，但它不能完全滿足智能駕駛的需求。

一方面，智能駕駛在法理上受《測繪法》約束，有更嚴苛的合規(guī)需求；另一方面智駕的數(shù)據(jù)量龐大，數(shù)據(jù)形式復雜多樣，涉及利益方更多，而智駕又處在劇變的關鍵節(jié)點，安全穩(wěn)定至關重要，因此適合專云專用。

以華為為例，7月21日華為云推出烏蘭察布汽車專區(qū)，打造了特定的高性能數(shù)據(jù)中心，建立起更嚴謹?shù)娜謪^(qū)合規(guī)框架，并引入了圖商駐場辦公，讓車企在華為云汽車專區(qū)就能實現(xiàn)快速合規(guī)、全流程合規(guī)。

同時，汽車專區(qū)的多層安全防護體系和運維體系，也能保證云端的算力與服務持續(xù)穩(wěn)定地運行。比如算力2000 PFlops的計算集群，能保持一個月長穩(wěn)率90%狀態(tài)持續(xù)訓練。

而在保證安全合規(guī)的前提下， 行業(yè)一直希望加速智能駕駛的算法訓練。迭代越快越多，能力越強，贏得市場的希望就越大。

但一個常見的現(xiàn)象是：車端數(shù)據(jù)收集能力強大，云端的算法訓練能力強大，但中間的數(shù)據(jù)帶寬、存取、預處理性能卻往往成為瓶頸。

2023年，自動駕駛向云端傳輸?shù)臄?shù)據(jù)可能會達到8000PB，可以塞滿80萬個企業(yè)級硬盤；一次算法訓練的預熱元數(shù)據(jù)量達到10億條，需要4天時間準備。這容易造成算力等數(shù)據(jù)的空轉浪費。

為解決這一瓶頸，華為汽車云啟用了AI云存儲服務，在1000Gbit/s數(shù)據(jù)專線、分級智能存儲、近GPU加速等技術支持下，能夠做到24小時內路采數(shù)據(jù)入云，10億條元數(shù)據(jù)預熱時間降至5小時。

而更智能的云存儲不僅可以實現(xiàn)數(shù)據(jù)存儲20%的降本，它對算法訓練的提速實際上也變相提升了費效比。在特定案例中，華為云最快已經可以支持智能駕駛算法模型的天級更新，單次訓練更新的成本得以降低。

算法訓練的極速狂飆離不開華為云搭建的自動駕駛開發(fā)平臺。傳統(tǒng)上，一家企業(yè)要搭建自己的自動駕駛開發(fā)平臺需要3個月時間，但華為云基于長期服務汽車行業(yè)經驗，本身建立了自動駕駛開發(fā)平臺，不僅可以免除部分基礎工作，還對幾乎每一個環(huán)節(jié)都進行了優(yōu)化加速。

不過，行業(yè)內不同企業(yè)對智駕的投入以及具備的能力有分化，市場上有需求一條龍服務的車企，希望快速建立智駕能力與數(shù)據(jù)閉環(huán)；也有希望在某一模塊引入行業(yè)優(yōu)秀方案、與自身能力結合的車企。

在這種背景下，有靈活商業(yè)模式的云服務廠商能夠獲得更多青睞。像華為云，其自動駕駛開發(fā)平臺就提供一站式與模塊式部署兩種方式，由合作伙伴靈活選擇。

由此，智能汽車需要的云，其實要兼顧穩(wěn)、快、全。要滿足這些條件，企業(yè)不僅要做算力基建，也要做軟件基建，還要進行生態(tài)基建，這實質上決定了市場會持續(xù)收斂，只有少數(shù)云計算大廠才能陪車企跨越智駕的鴻溝。

加速智駕的秘密武器

不過，智駕要跨越的鴻溝依然險峻。

今年，智能駕駛迎來了規(guī)?；M城元年，北上廣深的城市高階智駕被相繼點亮，更多二線城市也“開城”在即。但開疆拓土之際，智能駕駛也不可避免地直面長尾困境。

眼下，頭部企業(yè)的城市高階智駕能夠在大部分時間表現(xiàn)順利，一些品牌表示智駕系統(tǒng)已經可以實現(xiàn)數(shù)十公里無接管，僅在少數(shù)時候、少數(shù)場景表現(xiàn)不力——比如在非標準紅綠燈下，智駕車輛可能會誤識別、爆沖。

然而對于大多數(shù)消費者，這些偶發(fā)但可能致命的功能失效，足以摧毀他們的信任。

智駕要跨越鴻溝，必須攻克持續(xù)出現(xiàn)的長尾場景。但這些場景將耗費比以往更多的工程資源，最好的方式是行業(yè)合力突破。

7月21日，在電動汽車百人會牽頭下，華為與合作伙伴發(fā)起了“自動駕駛關鍵技術攻堅倡議活動”，對十大難點技術進行技術攻關。其中引入矚目的一點是，“AI大模型在智能駕駛的應用”。

眼下，國內主流云計算廠商重點發(fā)力的大模型，以語言類大模型為主。但在智能駕駛中，數(shù)據(jù)主要是圖像，語言類大模型很難有效賦能。而在這個月，華為云發(fā)布了盤古大模型3.0，它的特點是能夠將行業(yè)know-how與大模型能力結合，解決細分行業(yè)、細分領域的難題。

在盤古基礎模型之上，華為云提供了豐富的行業(yè)開發(fā)套件。協(xié)助自動駕駛算法公司，陸續(xù)開發(fā)了場景生成大模型，場景理解大模型，預標注大模型，多模態(tài)檢索大模型等場景模型，大大提升了數(shù)據(jù)處理效率。

其中，場景理解大模型與多模態(tài)檢索大模型配合，可以快速挖掘有價值的數(shù)據(jù)，加速建立智駕的場景庫；預標注大模型則自動化地對數(shù)據(jù)進行標注，不僅標注速度倍增，標注成本也將比人工標注更低。

而場景生成大模型，則是華為開發(fā)NeRF神經輻射場網絡技術的成果，它能夠以更低的成本、更高的準確度與自由度，對自動駕駛的算法研發(fā)進行仿真，其仿真精度最高可達厘米級，也支持按需編輯場景中的元素。

有了場景生成大模型的支持，車企能夠以假亂真地生成現(xiàn)實中很難收集的罕見場景或者所需的Corner Case，有目的性地、可掌握地定向錘煉智駕算法對長尾場景的應對能力，省錢、省時地提升智駕表現(xiàn)。

為克服大模型訓練難度大、耗時長的問題， 華為云配套了ModelArt AI 三大加速服務，對數(shù)據(jù)加載、模型訓練、模型推理同時加速。受益于此，禾多科技在同華為的合作中，模型訓練速度提升了280%。

尾聲

今年4月，奇績創(chuàng)壇創(chuàng)始人陸奇分享了他的大模型世界觀。在他看來，自動駕駛很可能會是第一項“讓執(zhí)行無處不在”的AGI，將更顯著地改變物理世界。

如今，行業(yè)距離它似乎只差臨門一腳，但實際上又有著極高的勢壘需要逾越。無論如何，這項史無前例的超級工程，必然需要車端與云端，以史無前例的方式緊密配合。