2471
作者｜于宗申
直播智驾，是汽车品牌一把手在 2024 年的新工作。
自雷军带着小米 SU7 在车圈掀起了一波营销巨浪之后，汽车老将们纷纷喊出了「要向余承东学习，向雷军学习」的口号。
4 月 14 日，尹同跃发起了直播，测试星纪元 ET 的高速 NOA。
4 月 15 日，长城汽车魏建军第一次走进了直播间，实测长城汽车全场景 NOA。同一天，极越 CEO 和百度董事长李彦宏也开启了直播，展示极越 01 的纯视觉智驾能力。甚至在最为忙碌的车展当天，也有不少车企 CEO 一大早便开启了直播。
在多家车企的直播中，智能驾驶一直是宣传重点。
在智能化角逐激烈的当下，智驾作为最能体现车企实力的技术之一，输了智驾就相当于输了品牌。
此前对智驾不够重视的传统车企，更是加快了追赶步伐，奇瑞未来 5 年预计在智驾方面投入 200 亿，比亚迪更是宣布砸下 1000 亿补足智能化短板。
但是想实现智驾的弯道超车，只投入资金还远远不够。
如何让花出去的钱物超所值，才是关键。
这就绕不开数字基建——只有合理利用好行业内的数字基建，才能避免重复造轮子，将有限的资源投入到前沿技术的开发中去。
在智驾领域，地图和云端算力是最核心的基建。
尤其是特斯拉将 Transformer 架构引入智驾之后，车端算力满足不了大模型的训练，云端算力成为各车企和供应商的角逐关键。
车企在开发智驾方案时，离不开云端和地图数据的支持，而进一步的云图一体化，是推动车企智驾方案迭代的重要基础能力。
在 2024 年腾讯智慧出行开放日上，腾讯智慧出行副总裁钟学丹提到了腾讯在汽车行业的定位——作为数字化基础设施建设的助力者，通过在云计算、地图和人工智能等领域的技术优势，打造云图为基、车云一体的开发模式，帮助车企构建更强大的基础设施能力，以此帮助车企在研发、生产和供应链实现降本增效。
01、算力和数据，二者缺一不可
自特斯拉将大模型引入智能驾驶之后，算法、算力和数据成了车企和智驾企业绕不过去的坎。
在 2024 年腾讯智慧出行技术开放日上，腾讯智慧出行副总裁钟学丹就提到智能驾驶大模型在开发过程中会面临的三大挑战：一是算力挑战；二是数据挑战；三是软件开发平台、数据存储、合规管理等方面的挑战。
腾讯合作伙伴 NVIDIA 全球副总裁吴新宙也表达了类似观点：
「进入 AI 定义汽车时代之后，汽车智驾的开发模式发生了变化，形成了云端+车端的开发闭环——智驾模型在拥有大算力的云端进行训练和验证，随后部署到车端，完成应用和数据收集回传，促进云端的模型训练。」
简而言之，算法相当于智驾系统的天赋，算力相当于智驾系统的学习效率，数据量则相当于智驾系统刷的题库。天赋越强，学习效率越高，刷的题库越多，智驾系统的能力也就越强。
拿开启智驾大模型时代的特斯拉来说，2023 年初，FSD V12 便落地了端到端的大模型算法。
在云端算力方面，特斯拉已经提升至 10 EFLOPS，并计划通过自研 DOJO 超算的方式将算力逐渐提升至 100 EFLOPS。
在数据方面，FSD V12 训练之初，特斯拉便投入了 1000 万个特斯拉车主的驾驶视频，并且通过影子模式，特斯拉每天可以访问车主的 1600 亿帧视频。
在这三点中，算法是车企和智驾企业的核心竞争力，没有捷径可走。
而算力和数据，定位则更像是数字基建，虽然重要，但是并不需要自研，与供应商合作是更好的选择。
以算力为例，特斯拉在 2024 年 Q1 购买了 9 万块英伟达 H100，预计投入 30 亿美元，而在 2024 年剩下几个月，特斯拉还将投入 100 亿美元购买算力，如此庞大的资金投入对于车企和智驾企业来说是巨大的负担。
资金压力之外，搭建一套可用于自动驾驶大模型训练的私有云，技术难度丝毫不亚于造车。
在资金和技术的双重压力之下，目前国内车企普遍采取了和云服务商合作的方式。
背靠百度云的极越，训练大模型的百度阳泉智算中心拥有 4 EFLOPS 的算力；鸿蒙智行旗下的问界、智界等品牌，获得了华为云 3.5 EFLOPS 算力的支持；小鹏、毫末智行、蔚来等企业也分别与阿里云、火山引擎和腾讯云等云服务商合建了超算中心，用于智驾大模型的训练。
为了更好地支持车企与智驾企业的大模型训练，腾讯推出了首个专为智能驾驶打造的一站式云——腾讯智能汽车云。
在最核心的算力方面，腾讯智能汽车云融合了腾讯云的 HCC 高性能计算集群和腾讯自研的星脉高性能计算网络，带来了业界最高的 3.2Tbps 带宽，算力性能提升 3 倍，通信性能提升 10 倍，GPU 利用率提升 40% 以上。
同时，腾讯在华东和华北开设了两个云专区，除了保障全栈数据物理隔离、全流程数据合规之外，还能够灵活支持远程容灾，基于异地双活的配置，能够为智能驾驶的业务连续性提供基础支撑。
除了最基础的算力以外，腾讯智能汽车云还可以为车企的智驾训练提供包括数据存储、算法训练、合规管理等全栈式服务，让车企可以专注上层功能的开发。
在数据存储和检索方面，腾讯云不仅可以降低车企的数据存储成本，还能为其提升数据检索调用能力。
用腾讯云原生数据库替换自建数据库，可按需弹性扩容，综合降本 20% 以上；腾讯 wedata 作为数据开发治理的平台，通过存算分离和冷热数据分层能力，综合降本可达 30%；腾讯 CLS 和云监控服务替换自建服务，实际案例中可降低成本 30% 以上。
自动驾驶数据绝大部分是视频、图片等非结构化数据，它们不像结构化数据那样易于进行自动化处理和分析。
腾讯全球首个云原生的向量数据库，可以高效处理车端回传的海量视频、点云等非结构化数据，支持 10 亿级向量检索规模，百万级查询 (QPS) 能力，让智驾数据处理效率较传统数据库提升 10 倍。
假设在 10 亿张图片里找 1 张卡车运输共享单车的图片，腾讯云向量数据库可并发支持 100 万个请求，在 10 亿规模图片里进行搜索，只需要百毫秒就能轻松地找到这条记录。
在算法训练方面，全新升级太极 Angle 训练加速框架，性能方面可以比常见方案提升 30% 以上。该框架在 Llama2 系列大模型中，训练加速比提高 1.4 倍，推理加速比提高 1.77 倍。
至于车企和智驾企业头疼的数据问题，腾讯也通过「仿真训练」给出了解决方案。
腾讯将游戏领域的技术积累迁移到了自动驾驶领域，打造出了自动驾驶虚拟仿真引擎 TAD Sim，可提供 1000 多个不同道路特征的海量真实高精地图库，以及 2000 多个逻辑场景库，为客户提供便捷高效、即时可用的解决方案。
不仅能通过海量仿真数据提升车辆在 corner case 下的博弈能力，还可以通过仿真场景去验证算法的可靠性，加快车企开发流程。
刘澍泉向汽车之心透露，在目前的一些实践项目中，搭配使用腾讯智能汽车云可以为车企和智驾企业节省 30% 左右的开发成本。
在智驾大模型开发过程中最重要的算力和数据方面，腾讯智能汽车云充分发挥了数字基建的功能，避免了车企重复造轮子式的低效投入。
02、智驾地图，进入云端时代
限制车企城市 NOA 普及的另一大数字基建，是智驾地图。
在 4 月 25 日的车展上，多家车企强调了地图对智驾开城的重要性：智己 L6 强调全系具备无高精地图的城市 NOA 能力，争取年内覆盖全国；极越更是表示要在年底之前，做到百度地图能到的地方，智驾都能用。
地图作为感知部分中最重要的一环，解决了智驾中「在哪」和「去哪」的底层问题。精确到厘米的高精地图，更是一度成为了智能驾驶方案的必备配置。
然而随着智能驾驶从高速 NOA 向城市 NOA 发展，高精地图已经无法满足车企和智驾公司的需求。
一方面，高精地图绘测效率低。
一辆绘测车一天仅能绘测 100 公里的厘米级地图，低效率导致高精地图的覆盖面积小和地图鲜度低，无法满足更长、更多变的城市道路。
另一方面，高精地图绘测成本过高。
厘米级绘测成本可达每公里千元，一辆绘测车的成本也在百万元级别，图商昂贵的绘测成本最终会转移到车企身上，不符合价格战下车企降本增效的要求。
城市 NOA 要想普及，必须有成本更低、覆盖面积更广以及鲜度更高的地图。而特斯拉提出的 Transformer+BEV+OCC 架构，大幅提升了智驾的感知能力，让「去高精地图」成为了可能。
在这样的趋势下，车企和智驾公司纷纷转向了「轻地图重感知」的路线。
所谓轻地图，就是精度介于普通 SD 导航地图和高精 HD 地图之间的一种智驾地图，由于精度比高精地图更轻，所以可以做到更快、更便宜地覆盖更大面积。
不过在实际使用中，轻高精地图依旧存在问题。
虽然比高精地图更轻，但是轻高精地图的覆盖面积和鲜度依旧比不上导航地图，因此在大多数车企智驾方案中，后台要同时运行高精地图、轻高精地图和导航地图三份地图。
在有高精地图、轻高精地图的路段，车辆可以使用 NOA 功能；在没有高精地图、轻高精地图的路段，车辆则降级至基于导航地图的 LCC 功能。
对车企而言，同时运行三张地图不仅造成了资源重复投入，还出力不讨好——由于各种地图之间数据不匹配，以及多种地图更新频率难以统一等原因，车企还要花费额外的精力协调各种地图的信息。
对消费者来说，行车过程中需要的信息分散在多个地图内，查看体验非常糟糕。比如在某头部新势力车型中，使用智驾功能时，想要查看导航信息必须退出智驾地图，切入导航地图。
为了解决这一问题，腾讯率先推出了「一张图」的地图生产模式——天然融合标准地图（SD Map）、辅助驾驶地图（ADAS Map)、高精地图（HD Map) 等不同精度等级的地图数据集成到一张地图中，做到数据同源、质量同级。
基于一张图的生产模式，腾讯打造出了专为城市 NOA 场景设计的 HD Air 轻高精地图。
在地图信息方面，HD Air 地图实现了「轻而全」。
HD Air 可以保证米级精度，满足城市 NOA 的需求。此外，HD Air 的地图要素也更加丰富精细，除了道路精细化呈现，对于座舱应用需要的 POI（兴趣点）、环境、建筑物等要素实现了更精致的表达。
通过信息的取舍，HD Air 地图在数据存储方面基本能减少至原来的 10%。
在地图鲜度方面，HD Air 地图采用了多源更新的方式，将地图鲜度从高精地图时代的季度更新降低到了周级更新。
在多图合一的基础上，腾讯实现了自动驾驶地图数据全面云化，打造出了智驾云图。
简单来说，就是将车端地图与云端地图结合起来，车端会不断地将收集到的地图要素（包括车信、限速牌、电子眼、车道线、地面交通标识牌等）回传到云端，经过云端处理后再整合进智驾地图，实现更快的地图更新。
除此之外，车端感知到的实时路况信息（交通事件、恶劣天气、自然灾害等）同样会实时回传云端，随后通过 ODD 服务在车端实现分钟级、车道级的实时更新，让智驾拥有「预知」前方路况的超能力。
为了满足车企多样化的需求，腾讯将智驾云图分成了多个图层，包含基础地图图层、更新要素图层、ODD 动态图层、驾驶经验图层、运营图层等，车企可以根据自身需求灵活配置并管理图层，并与车企自身数据图层结合，搭建更独特的地图系统。
比如在腾讯导航级地图的助力下，元戎启行打造出业内首个仅利用导航地图实现城区高阶智能驾驶的量产智驾方案，在大幅提升覆盖面积的同时大幅降低了地图的成本。
腾讯智驾云图的另一个护城河，在于开放的生态。
腾讯与车企进行地图合作时，车企的车辆收集到的地图信息整合到智驾云图之后，会率先在该车企的车辆中进行落地。
通过该方式，各车企在地图数据上既实现了阶段性的领先，完美兼顾了独家领先和社会效益最大化。
腾讯智慧出行副总裁刘澍泉也补充道：
「腾讯在与车企合作开发的过程中采取了非常开放的态度，腾讯并不会包揽一切，而是和车企深度合作，达成一种既是商业合作又是技术合作的关系。」
在和某头部新势力合作时，腾讯针对该车企在补能方面的需求，基于云图模式构建出了停车场数据地图，通过车企的车端数据，打造出了非常精细化的停车场地图，甚至包括了充电桩、停车位、电梯间等数据。
凭借着在地图、云服务以及生态三方面的积累，腾讯为车企和供应商提供了更适合城市 NOA 的地图服务，解决了智驾的又一道基建难题，助力车企降本增效。
03、重复内卷，不如高水平共赢
汽车作为人类最复杂的工业制成品之一，即使是在非常成熟的燃油车领域也要高度分工，没有一家企业可以做到所谓的全栈自研。
但是到了智能电动汽车市场，不少企业将「智驾」看作车企的灵魂，认为只有全栈自研才能把灵魂控制在自己手中，不至于成为一具空壳。
然而在技术快速迭代的智驾领域，一家车企既没必要也不可能做到全栈自研，积极融入产业链才是最佳选择。
对于整个行业而言，各个企业分别在地图、算力等方面反复进行大规模投入，更像是一种低水平的内卷，对于行业而言无疑是一种资源浪费。
腾讯作为国内 19 家拥有甲导测绘资质（智驾地图必备资质）的图商之一，腾讯云又是中国首家、全球第五家运营服务器超过百万台的公司——目前，腾讯云为 9000+合作伙伴提供领先的云服务，腾讯全网运行的服务器超过 100 万台。
腾讯天然具备地图和云服务两方面的基建优势，不仅能通过资源复用的方式降低车企的成本，还能通过聚合资源的方式带给所有车企更好的体验。
对于车企而言，重复的内卷，不如高水平的共赢，只有利用好产业链已有数字基建的车企，才能率先将自己从重复造轮子之中解脱出来，将精力和资源投入到前沿技术开发之中，以此实现弯道超车。
下载ECAD模型
