2022汽車半導(dǎo)體生態(tài)峰會(huì)演講實(shí)錄|商湯絕影趙赫：自動(dòng)駕駛通用目標(biāo)感知體系的構(gòu)建

以“智鏈未來 本立而道生”為主題的“2022張江汽車半導(dǎo)體生態(tài)峰會(huì)暨全球汽車電子博覽會(huì)”由《中國(guó)汽車報(bào)》社主辦，張江高科、愛集微、浦東新區(qū)投資促進(jìn)二中心承辦，11月7日-8日在上海張江科學(xué)會(huì)堂隆重舉行。

本屆峰會(huì)邀請(qǐng)了以半導(dǎo)體為核心的全球智能網(wǎng)聯(lián)汽車生態(tài)鏈企業(yè)高管、知名分析師與投資機(jī)構(gòu)、中外行業(yè)大咖參加，瞄準(zhǔn)新智能汽車與能源汽車技術(shù)前沿，就科創(chuàng)+產(chǎn)業(yè)+金融進(jìn)行深度交流，為汽車半導(dǎo)體產(chǎn)業(yè)發(fā)展貢獻(xiàn)智慧和力量。同時(shí)，通過趨勢(shì)分享、前沿技術(shù)碰撞、投資邏輯解讀以及全球汽車電子博覽會(huì)，共同探討全球巨變下的汽車半導(dǎo)體產(chǎn)業(yè)鏈發(fā)展，為業(yè)界充分展示汽車電子最新發(fā)展成果與趨勢(shì)，打造國(guó)際化一流汽車半導(dǎo)體領(lǐng)域展示平臺(tái)。

其中，在11月7日舉辦的“軟件定義汽車專場(chǎng)”，上海臨港絕影智能科技有限公司智能駕駛產(chǎn)品總監(jiān)趙赫做了題為《自動(dòng)駕駛通用目標(biāo)感知體系的構(gòu)建》的精彩演講，以下內(nèi)容為現(xiàn)場(chǎng)演講實(shí)錄：

趙赫：大家下午好，我是來自商湯絕影的趙赫，非常感謝主辦方讓我們有機(jī)會(huì)在這里和大家分享一下我們商湯絕影在自動(dòng)駕駛領(lǐng)域的一些思考和體會(huì)。

上海臨港絕影智能科技有限公司 智能駕駛產(chǎn)品總監(jiān) 趙赫

今天這個(gè)主題是軟件定義汽車，我們分享在感知這個(gè)方向，我們作為感知領(lǐng)域的研究者，關(guān)注感知對(duì)汽車帶來了哪些的新的要求和挑戰(zhàn)。

我今天分享的主題就是萬物感知，自動(dòng)駕駛通用目標(biāo)感知體系的構(gòu)建。首先我們通過一個(gè)短片了解一下什么是認(rèn)知的通用目標(biāo)感知。

最近有很多同行在交流，自動(dòng)駕駛的感知要感知什么類別？我們也是和很多的車企有合作，我們接收到越來越多感知的需求，過去人車感知，現(xiàn)在要檢測(cè)收費(fèi)站的閘機(jī)等等，這些是自動(dòng)駕駛的發(fā)展對(duì)感知提出越來越高的要求。無論是從功能的復(fù)雜度，場(chǎng)景覆蓋度上來講，我們自動(dòng)駕駛系統(tǒng)是面臨越來越多的挑戰(zhàn)，面臨越來越復(fù)雜的場(chǎng)景。

我們回答這個(gè)問題不妨回顧2018年的時(shí)候，我們當(dāng)時(shí)做的數(shù)據(jù)采集和標(biāo)注，所有的數(shù)據(jù)全部都是聚焦在人車，非機(jī)動(dòng)車，車道線上面，我們今天做這些新功能開發(fā)的時(shí)候，這些老舊數(shù)據(jù)不能用了。面臨這個(gè)問題，很多的車企、我們同行都有困擾，因?yàn)檫@個(gè)是巨大的浪費(fèi)，一句話總結(jié)就是數(shù)據(jù)到用的時(shí)候也是恨少。作為感知的研發(fā)者來講，我們要提早構(gòu)建一個(gè)相對(duì)比較完善的自動(dòng)駕駛感知的體系，可以方便我們后續(xù)的軟件更迭。

我們考慮以下這么幾個(gè)場(chǎng)景，第一個(gè)就是十字路口，我們右轉(zhuǎn)遇到一個(gè)救護(hù)車，傳統(tǒng)的自動(dòng)駕駛會(huì)識(shí)別這個(gè)是汽車，因?yàn)槲覀儾⒉恢肋@個(gè)是救護(hù)車，也不清楚救護(hù)車有特殊的路權(quán)，很有可能因?yàn)橐恍┘みM(jìn)的自動(dòng)駕駛的策略和救護(hù)車有碰撞。

第二，在路上碰到不同的施工區(qū)域，有的時(shí)候是路障，有的時(shí)候是標(biāo)識(shí)牌，需要不一樣區(qū)別的方法。現(xiàn)在對(duì)施工區(qū)域繞行也是高階自動(dòng)駕駛中常見的功能，對(duì)不同的施工區(qū)域只可以識(shí)別其中一種兩種的話，也是不夠智能的體現(xiàn)。

第三，在紅綠燈遇到推著輪椅的行人，輪椅上坐著一個(gè)老人。這個(gè)情況下，這個(gè)車要進(jìn)行準(zhǔn)確的預(yù)測(cè)，因?yàn)楝F(xiàn)在越來越多的車企去追求智能化或者是老司機(jī)化，在路口的起步時(shí)間是大家追求的點(diǎn)。越激進(jìn)的自動(dòng)駕駛的策略，越會(huì)提早起步，這個(gè)情況下，針對(duì)弱勢(shì)群體，在路口的行進(jìn)的速度絕不能和普通的目標(biāo)一樣。

綜合這三個(gè)場(chǎng)景來講，我們做這種linux處理是不夠的。行業(yè)就是黑天鵝發(fā)生的時(shí)候我們警醒，我們?cè)瓉磉@個(gè)要解決，因?yàn)檫@個(gè)發(fā)生了生命安全的事故，我們要求供應(yīng)商把這個(gè)功能更新上來。作為聚焦在感知的研發(fā)者來講，我們要針對(duì)這些場(chǎng)景進(jìn)行全局的規(guī)劃和構(gòu)建。

通用目標(biāo)感知也存在難點(diǎn)，第一個(gè)是開極目標(biāo)，第二是語義細(xì)化，第三是長(zhǎng)尾分布。什么是開極目標(biāo)，就是意味著我們的場(chǎng)景是無法被窮舉，無論是遇到什么樣的場(chǎng)景，明天會(huì)發(fā)生更多，以下這六個(gè)是我們實(shí)際做自動(dòng)駕駛的測(cè)試過程當(dāng)中切身遇到的一些案例。

第一是石塊，碾壓過去，發(fā)生了顛簸，我們要對(duì)這個(gè)石塊辨別。

第二是三角線繩，這個(gè)把路邊圍起來了，有可能繞行無法很好的識(shí)別。

第三是苫布，路上有一個(gè)苫布，這種布沒有什么作用，可以被碾壓過去的，但是當(dāng)時(shí)我們的車輛識(shí)別這個(gè)為一個(gè)不可行駛的區(qū)域，做了繞行，也不是很智能。

第四是塑料袋，空中飛舞的塑料袋在車的面前，被激光雷達(dá)認(rèn)為是一個(gè)目標(biāo)，會(huì)出現(xiàn)這些臨時(shí)的噪點(diǎn)，這個(gè)情況停車制動(dòng)，也是不人性化的體驗(yàn)。

還有狗和飛鳥，我們遇到過的，像新疆、歐洲的一些國(guó)家，在路上碰到馬等等動(dòng)物的情況也是很大的情況。

我們這些平時(shí)不太關(guān)注的目標(biāo)，都會(huì)影響我們的駕駛體驗(yàn)。這些駕駛體驗(yàn)不是我們現(xiàn)在直接關(guān)注，還是剛剛這一句話，因?yàn)檫@些問題發(fā)生了危險(xiǎn)，或者是其他人做到我們沒有做到的時(shí)候會(huì)成為一個(gè)重要的加分項(xiàng)。除了這些以外，還有很多，這個(gè)是難以被窮舉的開級(jí)目標(biāo)。

還有一個(gè)目標(biāo)的類別也是逐漸的細(xì)化，像我們剛剛講到的救護(hù)車，還有消防車，警車等等。校車，現(xiàn)在很多的國(guó)家對(duì)校車有相關(guān)的法律法規(guī)，我們中國(guó)也是在相關(guān)的法規(guī)。我們校車停的時(shí)候，門會(huì)打開，有一個(gè)標(biāo)識(shí)牌，我們開車遇到會(huì)減速或者是停車。這個(gè)自動(dòng)駕駛開啟的狀態(tài)下，沒有判斷這個(gè)是一個(gè)特權(quán)車聯(lián)，做了加速繞行，可能會(huì)被扣分罰款。

第三個(gè)難點(diǎn)，就是目標(biāo)的形態(tài)呈現(xiàn)長(zhǎng)尾分布，我們說到即便是相同的校車，警車，不同的國(guó)家，不同的地區(qū)，外觀也是不一樣。意味著我們很難通過一次的數(shù)據(jù)采集和標(biāo)注解決所有的數(shù)據(jù)積累的問題。

所以說這個(gè)就是我們做通用目標(biāo)感知的三個(gè)難點(diǎn)。

我們從以下三個(gè)緯度來提出了解決這個(gè)問題的一些方向。首先就是數(shù)據(jù)的緯度。剛剛有講到一句話，數(shù)據(jù)用時(shí)方恨少，我們廖總提到軟件定義汽車數(shù)據(jù)即資產(chǎn)，什么樣的數(shù)據(jù)是資產(chǎn)？我們之前遇到了很多的數(shù)據(jù)采集回來，存放在本地，本地的空間不夠，上云等等，這些數(shù)據(jù)在客戶的手里，沒有利用起來。我們要用起來，就是定義通用目標(biāo)感知在接下來的五年、十年內(nèi)可以做什么事情，我們?cè)谶@個(gè)軟件架構(gòu)上做一個(gè)清晰的設(shè)計(jì)。商湯絕影結(jié)合我們?nèi)ツ臧l(fā)布的超大模型的知識(shí)圖譜，結(jié)合一些自動(dòng)駕駛的標(biāo)簽體系，構(gòu)建了面向自動(dòng)駕駛的標(biāo)簽體系，這個(gè)標(biāo)簽體系有3千多個(gè)標(biāo)簽，橫跨四個(gè)領(lǐng)域。這個(gè)標(biāo)簽體系的作用有幾個(gè)，一個(gè)就是定義我們的軟件架構(gòu)，每一個(gè)新出現(xiàn)的類別都是在這個(gè)軟件架構(gòu)里面，都能夠簡(jiǎn)單的被加入，或者是刪減。所有的可以預(yù)見的感知的目標(biāo)，都可以在軟件里面被定義。

第二是定義標(biāo)注的體系，我們拿這個(gè)四個(gè)大的領(lǐng)域來舉例，第四是路上其他的障礙路，這個(gè)就是只對(duì)路上的障礙路標(biāo)注，在人行道的上的障礙物不會(huì)被標(biāo)注，這個(gè)做軟件的提早定義是很重要。

我們遇到一個(gè)新的場(chǎng)景的時(shí)候，我們可以通過是搜索它的關(guān)健詞，迅速的找到標(biāo)簽體系的附節(jié)點(diǎn)，從而加入這個(gè)標(biāo)簽體系。有了這個(gè)標(biāo)簽體系以后，我們要有大量的數(shù)據(jù)，訓(xùn)練我們的通用目標(biāo)價(jià)值的模型。

我們首先通過一套通用過濾器，來對(duì)數(shù)據(jù)進(jìn)行初篩，這個(gè)規(guī)則包括了一些基本的點(diǎn)云缺失，過爆，光線情況比較差等等這些條件，把一些質(zhì)量較差的數(shù)據(jù)進(jìn)行過濾。有了這些數(shù)據(jù)以后，我們?cè)偻ㄟ^特定的目標(biāo)篩選的規(guī)則，把數(shù)據(jù)細(xì)篩，這部分的規(guī)則我們講到數(shù)據(jù)閉環(huán)和回流包括兩個(gè)方面，第一個(gè)就是像駕駛員臨時(shí)踩剎車，我們記錄前后5秒的情況。

我們今天講的就是第二點(diǎn)，也就是根據(jù)特定的規(guī)則進(jìn)行數(shù)據(jù)的篩選。比如說我們可以通過特定的光照條件，天氣條件，包含目標(biāo)類別的條件進(jìn)行細(xì)篩，把我們要的數(shù)據(jù)篩選出來。這個(gè)是我們一些篩選的樣例，我們通過一個(gè)月左右的時(shí)間，篩選到了3億幀的高質(zhì)量數(shù)據(jù)，涵蓋100多個(gè)細(xì)分?jǐn)?shù)據(jù)集，3千多個(gè)目標(biāo)的類別。這個(gè)是我們通過外包，自己采集積累的數(shù)據(jù)庫(kù)，這個(gè)問題就是早期的數(shù)據(jù)的來源不同，標(biāo)注的規(guī)范不一樣，所以我們說的數(shù)據(jù)篩選主要就是針對(duì)我們今天要開發(fā)的新功能，對(duì)舊的數(shù)據(jù)進(jìn)行一次的篩選。

同時(shí)這個(gè)數(shù)據(jù)集也加入在智慧城市里面，安防攝像頭，包括電線桿上面的一些攝像頭里面一些數(shù)據(jù)。

剛剛提到了數(shù)據(jù)的篩選，是怎么做的？我們?nèi)绾卧谝慌鷱V泛的數(shù)據(jù)集篩選我們要的數(shù)據(jù)？這個(gè)不得不提到我們的解決問題的第二個(gè)緯度就是算法。深度學(xué)習(xí)這個(gè)緯度，從經(jīng)歷30多年的發(fā)展，現(xiàn)在進(jìn)入了超大模型的時(shí)代，去年1月OPENAI發(fā)布了兩個(gè)超大模型，參數(shù)量達(dá)到百億級(jí)別。之后各大的廠家在這個(gè)方向發(fā)布了自己的最新成果。商湯絕影同樣發(fā)布了超大模型體系。

超大模型這個(gè)概念可能對(duì)很多人來講是在學(xué)術(shù)界一些領(lǐng)域詞匯，超大模型有什么作用？簡(jiǎn)單的說是三點(diǎn)，超大模型可以通過無監(jiān)督學(xué)習(xí)的方法來學(xué)習(xí)圖像的底層特征。我們可以將這些底層的特征當(dāng)成監(jiān)督的信號(hào)給車上的小模型進(jìn)行訓(xùn)練。

第二，超大模型對(duì)數(shù)據(jù)的敏感度比較低，同樣一批數(shù)據(jù)就是幾百?gòu)垐D，用超大模型可以比較多的了解到這個(gè)數(shù)據(jù)的特征。

通過超大模型的訓(xùn)練，再去做遷移學(xué)習(xí)，知識(shí)蒸餾等等方式，這個(gè)比直接訓(xùn)練小模型的效率高。

結(jié)合一二，無監(jiān)督學(xué)習(xí)的底層的特征，知識(shí)蒸餾等等我們可以把現(xiàn)有一些難以突破的知識(shí)邊界進(jìn)一步的提升，這個(gè)是我們解決一些場(chǎng)景稀缺樣本的主要方式；

在去年，特斯拉公布了自己的成果。特斯拉在發(fā)布的BV是走的就是超大模型的路線，今年也是提到了這個(gè)模型的標(biāo)注使用1萬多塊GPU，也是用超大模型的路線。非激光雷達(dá)的領(lǐng)域，走超大模型是一個(gè)行業(yè)的共識(shí)。

超大模型的訓(xùn)練是怎么做 ？很多人認(rèn)為堆砌一個(gè)足夠深的神經(jīng)網(wǎng)絡(luò)是不是超大模型？不是。超大模型是一個(gè)體系化的技術(shù)，主要是包含幾個(gè)方面。要構(gòu)建一個(gè)數(shù)據(jù)系統(tǒng)，超大模型分為通用和專用。通用的超大模型輸入輸出有幾千個(gè)類別，那么要有一個(gè)標(biāo)注的管理。同時(shí)我們的超大模型的訓(xùn)練會(huì)用不同的GPU，用到GPU的卡的數(shù)量也不一樣。我們車端部署的小模型，用的SOC的型號(hào)不一樣，一般是用網(wǎng)絡(luò)結(jié)構(gòu)搜索的方式，用模型搜集一個(gè)適合當(dāng)前SOC的模型網(wǎng)絡(luò)的架構(gòu)。訓(xùn)練的時(shí)候也有一些技巧，超大模型是參數(shù)量達(dá)到百億級(jí)別，很難通過幾塊GPU訓(xùn)練，通常需要幾百、幾千塊訓(xùn)練很長(zhǎng)的時(shí)間。這個(gè)過程當(dāng)中，我們通常會(huì)做分布式訓(xùn)練，比如把神經(jīng)網(wǎng)絡(luò)不同層，不同參數(shù)放在不同的GPU集群做訓(xùn)練。在IT方面也要避免一兩塊GPU的失效導(dǎo)致訓(xùn)練的中斷。我們超大模型訓(xùn)練出來了以后，在云端、服務(wù)器做推演，部署到車端要做量化，需要遷移一些小模型，我們要構(gòu)建一個(gè)評(píng)測(cè)的基準(zhǔn)和工具鏈，更好的量化超大模型遷移到端上的精度損失。

以商湯絕影發(fā)布的超大模型為例，我們?nèi)ツ瓿竽Ｐ陀玫降挠?xùn)練數(shù)據(jù)達(dá)到100億，這個(gè)百億的單位是視頻和文本。參數(shù)量達(dá)到百億的級(jí)別，訓(xùn)練這個(gè)超大模型，我們用512塊A100顯卡，訓(xùn)練60天時(shí)間，引入了10種監(jiān)督信號(hào)，訓(xùn)練超過300億參數(shù)的超大模型，這個(gè)需要的GPU資源就更多了。

超大模型的訓(xùn)練出來以后，主要的作用有這么幾個(gè)，第一個(gè)就是自動(dòng)標(biāo)注，這里我們會(huì)把通用超大模型和專用超大模型的結(jié)果進(jìn)行整合，通過這個(gè)模塊來生產(chǎn)出可以超過或者是符合我們標(biāo)準(zhǔn)的自動(dòng)標(biāo)注的結(jié)果。以車輛的這個(gè)類別為例，我們?cè)谧詣?dòng)標(biāo)注的結(jié)果遠(yuǎn)遠(yuǎn)超過人工標(biāo)注的精度的結(jié)果，就像剛剛提到的稀缺類似，例如檢測(cè)一只貓，這個(gè)是樣本量少，很難通過超大模型的自動(dòng)標(biāo)注超過人工標(biāo)注的結(jié)果。隨著數(shù)據(jù)記量的積累，我覺得可以解決。人車的典型目標(biāo)上，精度實(shí)現(xiàn)超越以后，我們?cè)跇?biāo)注上的工作量會(huì)顯著的降低，效率會(huì)提升。我們過去十年，我們標(biāo)注300萬張有車的圖片，自動(dòng)標(biāo)注上線以后在一周里面能力可以標(biāo)注1千萬張，這個(gè)效率的提升達(dá)到幾百倍。

剛剛講到自動(dòng)標(biāo)注還有一點(diǎn)，就是現(xiàn)在特斯拉的技術(shù)方案也是被大家認(rèn)可和探討的，特斯拉也是講到了一些新的方案，他們用到1萬多塊GPU做增值的生成，也是用超大模型。原因就是特斯拉一直堅(jiān)持不用激光雷達(dá)，用相機(jī)要有超過激光雷達(dá)的結(jié)果，就要用足夠深的網(wǎng)絡(luò)結(jié)構(gòu)。所以說這一條技術(shù)路線，在國(guó)內(nèi)，包括小鵬，包括毫末智行紛紛走了這一條路，是否使用激光雷達(dá)？還是值得探討的。

有了自動(dòng)標(biāo)注的結(jié)果以后，我們要把超大模型轉(zhuǎn)換為在車端可以生產(chǎn)，可以實(shí)際部署的小模型。剛剛提到了通過網(wǎng)絡(luò)結(jié)構(gòu)搜索，我們搜出車端適合的架構(gòu)，通過知識(shí)蒸餾和遷移學(xué)習(xí)的方式，把超大模型學(xué)到的特征給小模型做監(jiān)督，最終生產(chǎn)實(shí)際的小模型。我們有一個(gè)案例，我們?cè)谪埞窓z測(cè)的類別上，一個(gè)十億參數(shù)的超大模型可以達(dá)到95%左右的準(zhǔn)確率，我們將這個(gè)超大模型進(jìn)行知識(shí)蒸餾和遷移學(xué)習(xí)，生產(chǎn)了一個(gè)只有200萬參數(shù)的小模型，這精度達(dá)到了88%左右，這個(gè)也是超大模型在車端生產(chǎn)模型的一個(gè)絕佳的優(yōu)勢(shì)。

最后我們也提到了過去的數(shù)據(jù)和現(xiàn)在的數(shù)據(jù)差別太大，我們很多車企可能自己采集了一些數(shù)據(jù)，今天我們要把數(shù)據(jù)里面的車輛細(xì)分為救護(hù)車，警車、消防車，大車小車等等，我們引入了一個(gè)層級(jí)互斥圖的概念，把不同列車作為端點(diǎn)，類別之間的聯(lián)線表明是可以共存或者是互斥的關(guān)系。通過這個(gè)機(jī)制，我們可以把所有不同批次的數(shù)據(jù)混在一起進(jìn)行訓(xùn)練，使附節(jié)點(diǎn)和子節(jié)點(diǎn)的精度不受影響。

最后我們提到解決問題的一個(gè)緯度就是算力的緯度，超大模型要上百上千上萬GPU，我們?nèi)ツ暝谏虾ＥR港建成人工智能的超算中心，現(xiàn)在的算力是3.74，這個(gè)算力大約比特斯拉大2倍左右。我們也是在行業(yè)里面唯一一個(gè)作為算法公司自建和擁有超算中心的團(tuán)隊(duì)和企業(yè)。

剛剛講的是很多理論層面的東西，我們展示一個(gè)實(shí)際的案例。我們今年上半年發(fā)現(xiàn)清障車，檢測(cè)率很低，發(fā)生了很多的漏檢和誤檢，導(dǎo)致了下游的某些系統(tǒng)出現(xiàn)了誤判。我們過去沒有針對(duì)清障車做過標(biāo)注，這些都是屬于車這個(gè)類別。我們?yōu)榱颂嵘@個(gè)清障車的檢測(cè)的精度，我們要快速的積累和挖掘大量的清障車的數(shù)據(jù)。我們通過超大模型的其中一個(gè)模型做了一個(gè)冷啟動(dòng)的搜索，這個(gè)是開源的模型，這個(gè)作用就是實(shí)現(xiàn)以文字搜圖，我們使用自動(dòng)駕駛的數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)以文字搜圖和以圖搜圖。我們從以往的數(shù)據(jù)集里面，通過這個(gè)快速的在一天里面搜到幾十萬張有清障車圖，我們用這些圖訓(xùn)練了一個(gè)小模型，把這個(gè)模型部署到車上，這個(gè)模型檢測(cè)到的清障車傳到后臺(tái)，然后更新模型，形成閉環(huán)。

我們?cè)谌斓臅r(shí)間里面，通過這個(gè)閉環(huán)，生產(chǎn)獲取了180多萬個(gè)清障車的圖片，同時(shí)其他的類別也是，包括小狗等等，在一天、幾天的時(shí)間里面，在路上采集和挖掘到了幾十萬，幾百萬的圖片。我們知道過去可能我們要采集這些類別的話，要派車隊(duì)采集，可能一采集要幾個(gè)月，現(xiàn)在通過這個(gè)數(shù)據(jù)閉環(huán)幾天時(shí)間可以做到。

這個(gè)過程閉環(huán)走通了以后，我們回顧一下主要三個(gè)難點(diǎn)，一個(gè)是數(shù)據(jù)的閉環(huán)第一次回環(huán)是否是正向，我們第一次的數(shù)據(jù)挖掘要挖掘出50%以上的正確的案例，這樣的話，這個(gè)閉環(huán)可以形成，否則我們?nèi)斯べ|(zhì)檢的成本比做這個(gè)工作的工作量大很多。

第二是要和車企打通數(shù)據(jù)的通路，我們要從域控把這個(gè)發(fā)到Tbox，Tbox通過5G的信號(hào)傳到云端，這個(gè)數(shù)據(jù)通路要和車企、Tbox供應(yīng)商一起定義。

最后一個(gè)問題就是法律法規(guī)的問題，數(shù)據(jù)的所有權(quán)，測(cè)繪的資質(zhì)，這個(gè)是我們現(xiàn)在還沒有澄清的問題。

作為感知的從業(yè)者，我們優(yōu)先目標(biāo)就是把第一個(gè)閉環(huán)技術(shù)這個(gè)環(huán)節(jié)打通，我們之后才可以有像特斯拉這樣做數(shù)據(jù)回流的能力。

今天講的內(nèi)容都是感知數(shù)據(jù)閉環(huán)相關(guān)，我們也有做決策閉環(huán)、規(guī)劃閉環(huán)，全棧的能力。最后分享一下我們的一些看法，我們認(rèn)為自動(dòng)駕駛的迭代能力取決于三個(gè)要素，場(chǎng)景數(shù)據(jù)，數(shù)據(jù)獲取效率，數(shù)據(jù)利用效率的平方。毋庸置疑，場(chǎng)景數(shù)據(jù)是車企有最多的數(shù)據(jù)。數(shù)據(jù)的獲取效率，就是我們提取面臨一個(gè)場(chǎng)景的時(shí)候我們用三天的時(shí)間把這些數(shù)據(jù)采集回來發(fā)布一個(gè)新功能，還是用三個(gè)月，抑或是三年，這里的話，是否部署這一套數(shù)據(jù)閉環(huán)，可能就會(huì)造成具體速度的差異。

同時(shí)這個(gè)數(shù)據(jù)閉環(huán)又依賴一個(gè)超大模型的設(shè)計(jì)能力，算力的能力，在這里我們認(rèn)為數(shù)據(jù)的利用效率是有兩個(gè)系數(shù)。這個(gè)是我分享的內(nèi)容，最后我希望我們相關(guān)的法律法規(guī)政策可以盡快的落地，同時(shí)車企能夠支持我們這些做感知的供應(yīng)商或者是數(shù)據(jù)閉環(huán)供應(yīng)商，可以把鏈路打通，盡快的規(guī)避這些數(shù)據(jù)所有權(quán)以及A車企的數(shù)據(jù)是否可以服務(wù)于B車企的問題，這個(gè)是一個(gè)現(xiàn)實(shí)的問題，我們打通了這個(gè)鏈路以后，目前其實(shí)在推廣上還是面臨很多的困難。

更大的困難，不是在原理上，更多就是規(guī)則、你的我的這些問題上。我們希望能夠和我們的同行一起把這個(gè)數(shù)據(jù)利用起來，用到我們的量產(chǎn)車上，實(shí)現(xiàn)對(duì)國(guó)際上一流企業(yè)的超車，謝謝大家。

（注：以上速記內(nèi)容未經(jīng)本人確認(rèn)）