2022年自动驾驶继续换挡提速。

特斯拉 2022 年 Q2 财报显示，FSD Beta 版10万名测试用户累计行驶约 4200 万英里，马斯克预计如若今年底测试人数扩大到 100 万，FSD Beta 累计行驶里程将很快突破 1 亿英里。FSD全称为Full Self-Drive即“完全自动驾驶”，马斯克曾明确表示FSD是特斯拉的未来，也是特斯拉最重要的资产。不过特斯拉FSD被很多人认为是马斯克在“画饼”，因为L5级完全自动驾驶不可能在短期内落地。

在中国市场，自动驾驶“渐进式落地”呈现出更强的活力。工信部数据显示，今年上半年 L2 级辅助驾驶乘用车新车市场渗透率达到 30%，同比增加 12.7%。在很多人印象中只有蔚小理等“新势力”具备智能驾驶能力，实际上传统车企也不遑多让，比如长城汽车8月销售新车 88226 辆，其中智能化车型占比已提升至 85.59%。

除高级别智能驾驶量产加速外，中国自动驾驶在法律法规、测试道路、商业场景等维度均取得突破，截至目前已有30多个城市出台智能网联汽车道路测试管理办法和实施细则，来自2022世界智能网联汽车大会的消息显示，全国开放各级测试公路超过7000公里，实际道路测试里程超过1500万公里，自动驾驶出租车、无人巴士、自主代客泊车、干线物流以及无人配送等多场景示范应用有序开展。

自动驾驶技术历史悠久，不过一直到2010年前后才进入大众视野，彼时谷歌、百度等科技巨头入局这一赛道，掀起了延续至今的技术浪潮。而从技术演进路线来看，在全球范围内自动驾驶技术都呈现出一个新的趋势：不再是硬件或者软件驱动，不再是测试道路下的数据驱动，而是以真实道路行驶场景为核心的数据驱动，这是自动驾驶3.0的标志。

自动驾驶3.0时代来临

今天看一家自动驾驶企业的技术实力，首先要看运营里程，如同芯片要看晶圆、存储要看容量一样，原因在于：自动驾驶本质上是AI技术，而AI运转的核心逻辑是：将高质量数据不断填喂给AI，AI通过自学习不断进化，一家企业运营里程越多获得的数据越多，既意味着智能化程度越高，也表明其具有“久经真实场景考验”的实力。

当前，全球范围内有机会冲击1亿公里级运营里程俱乐部的有两家企业：一个是特斯拉，基于百万级车主的参与，其FSD累积行驶里程将冲向1亿英里；另一个是毫末智行。在第六届 HAOMO AI DAY 上，毫末智行董事长张凯透露，毫末智行用户辅助驾驶行驶里程已突破 1700 万公里，位列中国自动驾驶公司第一名，其预计到 2025 年，高级别辅助驾驶搭载率将超 70%。

毫末智行CEO 顾维灏在AI DAY 上提出，行业正在进入以数据驱动为核心的新时代：自动驾驶3.0时代。那么，到底什么是自动驾驶3.0？

硬件驱动的1.0时代：从谷歌等科技巨头的初代无人车开始的自动驾驶1.0时代，硬件是核心驱动，基于传统车型改装的无人车上都遍布着激光雷达等硬件，车尾箱藏着负责AI计算的主机等设备，这一阶段硬件就是自动驾驶的能力上限，特别是雷达传感器，其数量越多、性能越强，对应的自动驾驶智能化程度就越高。

硬件驱动的自动驾驶问题显著，一个是整车成本居高不下，改造成本动辄上百万；另一个是智能化程度较低，因为硬件迭代需要很长的周期，这一阶段的无人车只能小范围探索，未能走向大规模商用或量产，行驶里程在100万公里内。

软件驱动的2.0时代：2016年AlphaGo战胜李世石后，以深度学习为基础的AI技术大行其道，经历多年硬件驱动的自动驾驶迈入软件驱动时代。大算力中央计算芯片上车，在激光雷达传感器外，基于多路摄像头实现机器视觉等新的感知模式日益流行，随着边缘计算发展云也以多种形式参与其中，这些都大幅降低了单车成本，提升了智能效果，自动驾驶里程逐渐增加至上千万公里。

数据驱动的3.0时代：可被视作是2.0时代的延续，AI依然是核心技术，核心不同在于：AI对数据的要求发生了质变，“大模型”成为新的技术基石。

2021年，国外的微软、英伟达、谷歌，国内的浪潮、华为和阿里……越来越多科技巨头都在布局AI大模型。深度学习高速发展十年来，AI进入工业化阶段，其支撑更加广泛普适的场景，要支撑更大更复杂的AI计算需求，要实现从弱人工智能到强人工智能的升级，传统训练模式已很难满足，具有“巨量数据、巨量算力、巨量算法”特性的AI大模型生逢其时，其本质是深度学习的“加强版”，通过给模型“填喂”大数据提高其自学习能力，进而具有更强的智能程度。微软CEO纳德拉说：“深度学习在过去20年或10年取得了巨大进展，大模型将是下一个大事件”，此言非虚。

AI大模型支持“AI预训练”，支持通过堆叠数据集“贪婪式训练”，十分适合在自动驾驶上应用，包括感知、认知和决策。以大模型AI为核心技术，由真实道路数据驱动的自动驾驶3.0将有如下不同：

1、规模：围绕真实道路场景，数据规模更大、多样性更充分，行驶里程将迈进 1 亿公里级。

2、感知：以大模型AI为基础，雷达、视觉等传感器联合工作，多模态共同输出结果。

3、认知：在各类场景下模拟人的认知行为，结合人类的驾驶常识决策，提高行车舒适性。

4、模式：不再是人工强监督、强规划、强介入的深度学习模式，而是基于大数据大模型的AI，海量大数据自训练，基于数据通道和计算中心实现更高效的积累数据，将数据转化为知识。

简而言之，自动驾驶3.0时代依然是以AI技术为基础，但内涵却已发生变化：一个是大模型已取代传统深度学习成为新的训练模式，另一个是自动驾驶行驶里程迈上新台阶，数据越来越“大”，这给大模型驱动的自训练自动驾驶创造了条件，极大地加速了自动驾驶的落地进程，而当自动驾驶行驶里程从百万到千万再到一亿规模以上时，量变也将引发质变。

3.0将是少数派的游戏

相较于1.0时代与2.0时代而言，3.0时代的自动驾驶的核心逻辑已发生变化，舞台中央的玩家将会大幅减少，原因如下：

第一，自动驾驶3.0是数据驱动，更是“真实场景下的海量大数据驱动”。

正如前文所言，自动驾驶3.0的基础是AI大模型，这需要足够“大”的数据，包括里程规模、多样性等。一个重要的细节是：毫末智行、特斯拉公布的是“运营里程/行驶里程”，还有一些企业公布的是“测试里程”，此“里程”非彼“里程”，就算有些企业的测试里程数据高于毫末、特斯拉的运营里程/行驶里程，但价值却相去甚远。

前些年自动驾驶企业普遍公布测试里程数据，因为其车辆只能在部分开放测试道路上跑，这样的数据越到后面价值越小，因为自动驾驶技术有着“长尾效应”，正如交通运输部公路科学研究院中心主任周炜所言：“自动驾驶也有长尾效应，比如说自动驾驶智能车辆测试，测试50天内能够发现99.9%的问题，那0.1%的问题可能5000天未必能发现和解决。再从测试里程来说，在15万公里测试时就能发现99.9%的问题，那0.1%的问题未必在15亿公里中能发现和解决。”

要突破自动驾驶的长尾效应，就要不断扩大道路行驶场景，最理想的状况就是开放式道路，汽车能到的地方自动驾驶都能到。“渐进式落地路线”让这一点变为现实，在这一路线下自动驾驶技术的形式是高级别辅助驾驶，可在开放式道路运行，当然，这又有一个前置条件：足够的车参与进来。

特斯拉FSD可迈向1亿英里行驶里程的前提是百万级车主参与测试，其努力了几十年才做到百万+量产车下线，中国造车新势力距离百万量产都相去甚远。

毫末智行的底气在于其是“中国量产辅助驾驶规模化第一名”，其采取独特的铁三角发展模式：“场景化用户体验设计、AI 人工智能技术、技术工程化能力三者的高度有效协同”，其用 2 年时间研发三代智能驾驶系统HPilot，依托长城实现 10 余款不同平台车辆量产落地、全新车型复用开发，如魏牌摩卡、坦克 500等主流车型。HPilot3.0将在 2022 年内正式落地，将成为中国第一家真正量产城市 NOH 的高级别辅助驾驶产品。

简言之，毫末智行依托量产落地能力掌握着用户场景入口，拥有海量真实道路场景下的高质量、多样化大数据，进而掌握了自动驾驶3.0时代的入场券。可断言，自动驾驶技术的终极赢家一定是拥有真实道路场景的玩家，这也是为什么一些头部自动驾驶技术玩家要耗巨资下场造车。

第二，自动驾驶3.0跑真实场景，必须走“从辅助驾驶到自动驾驶的渐进式路线”。

自动驾驶路线有两类：

一个是顶层设计面向完全自动驾驶形态，“一步到位”的跃进式路线，轻的是需要制作高精地图让自动驾驶“看得清”，重的则需要改造道路基础设施，对红绿灯乃至公路进行重建，以及在路侧装配相关的车路协同设备，这一路线的好处是可直接进入到高级别自动驾驶阶段，但建设成本高，建设周期长、维护成本不小，当下只在极少部分测试道路如某高速的一段落地。

另一个则是面向现有路网的辅助驾驶技术，跟传统汽车共用一个交通体系的渐进式路线。这一路线不需要改造道路等基础设施甚至不需要高精地图，成本更低，门槛更低，难度更小，更利于大规模落地，但短板在于初期自动驾驶级别不高，先从L2起步。

“让一部分车完全智能起来”还是“让车先智能一点点”？特斯拉与毫末智行的选择是第二点，这将更有利于其参与自动驾驶3.0的角逐，因为3.0的“数据驱动”需要的是“真实场景下的海量大数据”，要获得对应数据，既要有量产能力下的用户入口，还要有对应道路的真实行驶能力，而渐进式路线正是数据积累的最佳路径。相反，采取“跃进式路线”的玩家受限于开放测试道路里程、道路智能化改造进程等，在行驶里程上将会被极大地拉开差距。

张凯此前曾明确表示，毫末的世界观在于从一开始就认定了要走渐进式发展路线。在AI DAY上其进一步明确辅助驾驶是通向自动驾驶的必由之路，因为“渐进式路线的量产时间更早，能够快速形成规模化，从用户真实使用场景中积累足够多的数据。”相较于跃进式路线定向采集数据方式而言，渐进式采集数据的成本更低、质量更高。在毫末智行的实践中，自动驾驶产品能力、规模数据获取的成本和质量三者已形成正循环效应。

或许“让一部分车完全智能起来”的理想派玩家可推出更完美的自动驾驶解决方案，但几率很小且短期内看不到希望。而“让车先智能一点点”的玩家至少当前已经实现量产商用，且在数据的不断积累中悄然进化，技术的成熟与商业的回报两不误，这也更符合商业本身的规律。

第三，自动驾驶3.0是强人工智能，需要全新的算法与算力基础设施。

自动驾驶3.0依托AI大模型，而大模型具有“巨量数据、巨量算法、 巨量算力”三大特征，每一特征都意味着AI大模型是门槛很高的技术竞赛，对于任何企业包括巨头来说，打造一个大模型都不是一件容易的事情，需要收集海量数据、需要采买海量算力、需要进行大量研发，金钱、时间、人力投入同样“巨量”，正是因为此构建AI大模型的企业几乎都是财力雄厚、技术强悍的巨头——微软甚至宣称其用了价值10亿美元的超级计算机来训练其AI大模型。

在巨量数据层面，具备商用量产能力、用户场景入口、真实道路场景的玩家具有显著优势，这一点毫末智行、特斯拉们优势明显。

在巨量算法层面，毫末智行早已在准备。其早在去年 12 月的 AI DAY 上就发布中国首个数据智能体系 MANA，可对海量数据进行深度挖掘。在将AI大模型应用到自动驾驶上，毫末智行也已探索多时，据顾维灏介绍，毫末早在 2021 年 6 月就启动了针对 transformer 大模型的研究和落地尝试，基于过去一年多对训练平台的改造升级，数据规格和标注方法的切换准备， 针对感知、认知具体任务的模型细节探索，这给毫末在城市导航辅助驾 驶场景中打下了坚实基础。

在AI DAY上，毫末智行基于“重感知、轻地图”技术实践，推出第一个重感知的城市辅助驾驶方案，通过AI大模型克服「城市道路养护频繁」、「大型车辆密集」、「变道空间狭窄」、「城市环境多样」等城市智能驾驶难题。

在巨量算力层面，科技巨头无疑具有先天优势，但特斯拉、毫末们也在加速布局。特斯拉在去年发布了超级计算机 Dojo，毫末智行的解决方案是超算中心，其发现随着 Attention 大模型的应用，自动驾驶对算力的需求已远远超出摩尔定律，这导致大模型训练成本非常高，在终端设备上落地尤其困难。针对此毫末布局低碳超算，在去年 12 月就已宣布在筹建自己的超算中心，此外其还通过改进车端模型、芯片设计和数据组织等方式让AI大模型在自动驾驶场景更低成本的落地。

同时具备“真实场景下的海量大数据驱动”、“走从辅助驾驶到自动驾驶的渐进式路线”，“足够强大的算法与算力基础设施”的玩家是凤毛麟角，自动驾驶3.0注定是少数派的游戏，当下，特斯拉与毫末智行是更具备相关特征的玩家。

不过，即便步入1亿公里行驶里程阶段，自动驾驶要全面落地依然任重道远。自动驾驶3.0实现就面临着不少技术挑战，正如顾维灏在AI DAY上所总结的那样：

• 如何在自动驾驶领域应用大模型；

• 如何让数据发挥更大的价值；

• 如何使用重感知技术解决现实空间理解问题；

• 如何使用人类世界的交互接口；

• 如何让仿真更真；

• 如何让自动驾驶系统运动起来更像人。

攻克这些难题，也将是毫末等自动驾驶3.0主流玩家接下来的重任。

写在最后：

自动驾驶是未来已成为科技、汽车、交通等产业的共识，但到底怎样实现？自动驾驶将以何种姿态走向大众？行业一直没有统一答案，这些年来，各路玩家摸着石头过河，探索不同路线，共同推动着自动驾驶技术的进化。

那么，到底什么才是自动驾驶的终局？现在看来，不论是特斯拉首次提出的“数据闭环”，还是毫末智行率先喊出的“数据驱动的3.0时代”，都在让争议逐渐变为共识，自动驾驶的未来图景也更加清晰：在真实道路场景的海量大数据驱动下，以大模型等AI新技术为基石，让算法自训练不断进化，进而让车像司机一样思考，让完全自动驾驶不再遥遥无期。基于此，到底要走渐进式路线还是跃进式路线，到底要采取“强感知、轻地图”还是“感知融合 + 高精地图”的技术方案，行业也将很快形成更大的共识。