 在高精地圖被“拋棄”的輿論池里，頭部團隊卻在有效利用地圖。當然，這里面也有“數據閉環”的強力推動。 這不是一篇廣告，如果你覺得是，請喊華為打錢。 作者| 宇多田 封面| 電影《無雙》2018 來自同行的贊賞，有時候很客觀；而詆毀可能恰恰相反。 對于“高階輔助駕駛到底誰做的最好”這個問題，當下勉強在產業里達成了一個共識—— “華為？四舍五入算一個。” 從技術角度，他們的確得到了大廠的ADAS與L4工程師們的認可—— “基礎功能一般，但高階優秀” ，“算法高級，工具鏈很好”； 但另一方面，從市場角度，嗤之以鼻的答案簡單粗暴卻直擊心臟： “做的好，但又怎樣？高配還不是賣不出去”。 以40多萬的某狐車型城市NOA為例。上海一家租車公司本來買了一輛高配，后來又加購了5輛。 原因很有趣，包括美國、德國以及日本各地車廠與海外Tier1的系統工程師們紛紛跑來試駕，在發出“臥槽，做的還不錯”的感嘆后，就馬不停蹄回去寫報告了。 “上海的城市NOA功能體驗的確好，至少比我們好?！?/span> 一位正在參與研發L2++系統的Tier1工程師坦然承認差距，開玩笑說不知道自己公司還有沒有做的必要?！袄习鍌兌紱]體驗過車，不知道開發高階的優越感從何而來?！?/span> 然而，也有人直言：“雖然華為高階輔助駕駛整體實力是國內Top2，但投入也是所有競爭對手無法抗衡的?！?/span> 成本的確很高。 對比車廠、創業公司與 Tier1 大幾百人的配置，據傳華為與自動駕駛相關的整個團隊規模（軟硬、地圖、路測等所有相關）多達7000人； 另據一位產品經理測算，華為某同價位車上的輔助駕駛模塊成本，是小鵬的兩倍。 除了MDC810、13顆攝像頭與3顆激光雷達等昂貴的硬件配置，華為的“中層能力”是從算法、中間件到芯片的可控性定制與優化；底層，還有路采、地圖與數據閉環的隱形助力。 另外，有L4工程師指出，市面上剛吹Transformer模型時，華為其實就用上了。“你不得不承認，他們是目前模仿特斯拉最像最快的中國企業?！?/span> 然而，這部分成本落實在終端的價格上，就是低配與高階版本近20萬的差距。有意思的是，某狐低配是頭部海外大廠提供的ADAS配置，得到了“爛但確實便宜”的評價。 這就是汽車智能化的最殘酷之處——消費者的確不會花十幾萬，買個不錯的高階輔助駕駛系統。 但作為一家準車廠，華為的自動駕駛能力搭建邏輯，卻值得借鑒。 01 地圖的“價值” 從2022年開始，看似被成本推動的輔助駕駛“去高精地圖革命”席卷汽車市場，而華為是吶喊者之一。 但與此同時，業內一直謠傳華為有一支極為龐大的城市道路數采團隊，為智駕系統提供可信任的“道路先驗數據”。 對于這個傳聞，一位高精地圖產業人士指出，地圖，的確在華為提升輔助駕駛能力過程中扮演重要角色。 2020年10月，華為曾在Mate40手機大會上，發布過一款名為Petal Maps的花瓣地圖，為手機用戶提供定位、駕車導航、實時路況服務。 但那時候，這個地圖APP團隊主要是服務海外，先融合了一家海外圖商數據，再基于此做了導航與POI引擎。 而后來，又是同一團隊，在國內跟四維圖新合作，將地圖放入車機（座艙）；再結合自己的地圖甲級資質，最后被拿去支持了智駕的需求。  “所以華為算是做了一個完整的'外賣’，這是一個正經的做法，將手機、車機以及智駕地圖合三為一。因此做的很深。” 而就在2022年底，車機地圖與手機地圖團隊的合并，也佐證了這一點。 有技術人士猜測，作為地圖甲級資質持有者，華為完全有能力組建團隊，開著 Huawei Inside 量產車去實地采集數據—— 裝有三顆激光雷達的車型，的確能達到測繪所需的高精度。 而采集回傳的數據，則可以補給自己的三塊業務——手機、車機與智駕。這種做法類似于建立了一個龐大的數據中臺，也被認為是“全數據閉環”的一部分。 好處很簡單：一圖多用，數據精準，迭代迅速。 只不過，華為能這么做的前提，一方面是雄厚的財力，另一方面是持有決定性的甲級測繪資質。而大多車廠在這一點上短板明顯，只能依賴圖商。 譬如小鵬、理想以及小米等新勢力背后有高德、美團等公司，為前者做一些數據合規或路采工作。  圖片來自Here 因此，如今汽車智能市場的“去高精地圖”之勢，與“擺脫圖商”相呼應。但將華為作為參照系，卻絕不只為成本。 而是“體驗不好”。 一家新勢力車廠內部反饋的數據顯示，當下，導致高速公路NOA降級與接管的主要原因，不是“感知問題”，而是“地圖數據不對”。 “真實的高速NOA平均水平，30公里左右就要接管或降級一次。 也就是說，從蘇州到上海100多公里的里程，就要接管三四次。其中最核心的原因，就是地圖數據有誤。” 一位科技公司技術負責人指出，在實際應用中，高精地圖的絕對精度能達到50厘米就“謝天謝地”； 而圖商們在很多廣告里承諾的10厘米、5厘米則是“開國際玩笑”。 此外，高精地圖里實線變虛線”、虛線被畫成實線，車道線缺失等問題，在“上車”后仍然極為常見。 “很多上過高速NOA的車廠，現在開始講高精地圖，絕不單單因為成本。畢竟大家早就買了圖商的高速公路數據，每公里更新成本其實也不貴。 但新勢力為什么還要自己去申請資質，組建幾百輛的采集車隊，做動態更新這一層呢？ 就是因為體驗不好。高精地圖即便作為一套'先驗數據’，也不能被無條件信任。” 因此，降低對地圖的依賴，提高對感知的信任，更多指代“讓地圖格式變輕，但更新速度加快”。 而提高更新速度的方法，不僅需要組建幾百上千輛汽車做路采，它一定會涉及到一個今年非?；鸬母拍睢?/span> 數據閉環。 02 不被待見的“數據閉環” 我們在上篇大模型的文章里就曾指出，這是一項毫無顯性成績卻極為重要的工作。 舉個例子，如果車端出現定位漂移，或感知識別出錯，系統便會回傳原始視頻與圖片，經過合規處理后流入機房（云上），工程師再根據這個場景做單獨訓練或舉一反三。 而這類“場景難例”積累到一定程度，對應的算法模型就會做進一步迭代與升級，進而反哺車端。 這便是“數據閉環”的一個應用。 從廣義來看，作為一個涉及數據采集、清洗、存儲、標注、訓練、迭代與反饋的全鏈路閉環系統，它不僅包含深度學習、強化學習鏈路，也包括地圖。 因此，“數據閉環”工作在很多公司內部，要么被放入地圖團隊，要么被放入感知團隊。 “它既能為Transformer等感知模型的迭代服務，也能為地圖迭代服務。” 一位產業人士猜測，某車廠的輕量化地圖策略，是“基于地圖底層路網，再生成一層能動態實時更新的圖層”。久而久之，就可以不再需要圖商了。 而他認為，華為的邏輯也是如此。 一開始，華為也依賴某圖商的高精地圖。但他們有自己的云和數據閉環，最終完善出一套自己的“地圖”。 “華為的數據閉環工具做的很好，特別是訓練與標注?！?一位外部工程師指出。 而相比于IDC里的飛速迭代，大部分車企只是指望上量產前，讓圖商幫自己做幾百萬上千萬公里數采，杯水車薪。 “面對國內牛鬼蛇神層出不窮的交通環境，這是遠遠不夠的”。 這樣來看，小鵬等新勢力搭建數據中心、通過各種手段試圖從乙級升至甲級資質的原因，也是同類目的。  當然，數據閉環的代價就是“燒錢”—— 數據閉環與大模型的生存之地必然是機房，而愿意建立龐大數據中心（IDC）的車廠目前屈指可數。 此外，由于投入幾十億但產出緩慢，搞數據閉環的團隊在車廠里通常也不太受待見。作為一個“支撐性團隊”，它的角色類似于互聯網大廠里的安全部門—— 沒有實際業務。不到某個節點，感知不到存在的意義。而且很多環節還涉及到合規性。 “這件事拼的是足夠的耐心與足夠的資金。但鑒于當下自動駕駛的市場形勢，大部分車廠是不愿意做華為這套投入的。” 因此，有資本、地方政府與云廠商，開始琢磨“第三方運營數據閉環與大模型IDC”的生意。但這到底是不是一個市場方向，也隨著“自動駕駛變冷”而撲朔迷離。 “車廠只關心今年的車到底能不能賣掉，大多不會關心三年后會什么樣。 你現在去告訴他們要搞IDC搞自研，給老板匯報后發現，這怎么比原來不做時還要費錢？ 所以這個問題的最終答案，就讓時間來告訴市場吧。” END  |
|
|
