661
进入2024年以来，我国自动驾驶行业迎来诸多利好消息。日前，工业和信息化部等四部门发布，我国首批确定由9个汽车生产企业和9个使用主体组成的联合体，将在北京、上海、广州等7个城市展开智能网联汽车准入和上路通行试点。
另据公安部发布的数据显示，截至今年8月底，公安机关已累计发放自动驾驶汽车测试号牌1.6万张，开放公共测试道路3.2万公里，有力支撑自动驾驶技术验证和迭代更新。
业内普遍认为，汽车产业新能源是上半场，智能化是下半场，以自动驾驶为核心的AI汽车则是终极目标。在自动驾驶到来之前，AI汽车为人们的生活带来了切实的安全性和便利性。
为此，中国电动汽车百人会日前发布了研报《人工智能赋能新能源智能汽车发展》，对此进行了剖析，并提出了一系列建议。
1ONE
今年的《政府工作报告》指出，要大力推进现代化产业体系建设，加快发展新质生产力；充分发挥创新主导作用，以科技创新推动产业创新，加快推进新型工业化，提高全要素生产率，不断塑造发展新动能新优势，促进社会生产力实现新的跃升。
在清华大学计算机科学与技术系教授邓志东看来，自动驾驶无疑属于创新驱动发展先进生产力的典型代表，是建设交通强国、加速发展人工智能新质生产力的关键驱动。
邓志东解释道，自动驾驶作为一项颠覆性的重大前沿技术，具有原创性、高效能与高质量的内涵特征，能够带来交通与出行方式的重大变革，也会带来出行服务质量、安全性与整体交通运输效率的大幅度跃升，同时符合绿色、低碳、共享等新发展理念。
Momenta CEO曹旭东也表示，自动驾驶是人工智能上的感知智能和认知智能的结合，对于AI能力是非常好的应用，并且会牵引着技术进一步的提升，无疑是新质生产力的代表。“新质生产力对技术的牵引，以及由此带来的技术升级，能够给消费者和社会创造价值。”
有从业人员认为，目前L2+级自动驾驶对自己的吸引力不大，因为功能不够完善，在城市通行过程中肯定不会把车辆的控制权完全交给它，只是偶尔使用能够节省一定精力；但如果到了L3级别能实现点到点的完全操控，将会有很大的吸引力。
2TWO
制约因素
虽然，AI汽车整个产业链都在突飞猛进的发展，但不可否认的是，制约因素仍然很大。
中国电动汽车百人会研报《人工智能赋能新能源智能汽车发展》显示，智能算力基础设施的不足，是智能网联汽车加速发展的主要制约因素。汽车与AI深度融合，端到端智能驾驶、座舱大模型等加速上车，对智能算力的需求快速增长。智能驾驶端到端技术路线所需算力为1 EFLOPS起，理想算力需达100 EFLOPS以上；座舱基础AI大模型训练需10 EFLOPS算力以上，垂类模型训练及微调需数百到数千PFLOPS。
算力供给方面，我国车企算力平均仅为3 EFOLPS左右，相较于特斯拉的100 EFLOPS差距巨大；移动、电信、联通三大运营商规划算力也仅为53 EFLOPS（至2024年底）。智能算力供给不足将制约我国汽车智能化算法的快速迭代。
“成熟”算力难增长，新增算力“不成熟”。“成熟”算力指英伟达的“有芯片、有软件生态”智能算力，但受美国出口管制影响，我国只能使用存量芯片进行AI计算，“成熟”算力总量受限。
“不成熟”算力指华为昇腾、寒武纪、海光、摩尔线程等的“有芯片、缺软件生态”的智能算力，此类芯片已初步形成供应能力，但各家硬件架构不一，软件生态覆盖、兼容算法尚不完善，软件开发人员使用困难导致算力基础设施拓展缓慢，算力应用效率偏低。需丰富“不成熟”算力软件、生态，减少算力硬件“卡脖子”的问题。
3THREE
建议
那么，该如何破解这些制约因素呢？
中国电动汽车百人会研报《人工智能赋能新能源智能汽车发展》建议：
1.加强人工智能赋能汽车产业的政策支持，构建开放包容的监管环境
当前，汽车产业的竞争战略正在从电动、智能为主的竞争向AI领域快速转移，过去电动化领域的支持政策已不适应AI发展的需求。
在基础技术方面，应尽快出台支持汽车产业与AI深度融合发展的政策，加强对基础大模型、AI训练芯片及工具链生态、万卡及以上算力集群、数据闭环工具、AI原生操作系统等底层基础技术的研发攻关，构建自主技术体系。
在监管环境方面，AI大模型与汽车产业融合仍处于初期，应坚持以鼓励应用、安全底线的原则，适当放宽对新技术的容忍度，可充分借鉴欧美关于信息安全、数据安全的法规标准认证制度，鼓励AI更好发展。
2.推动智能算力共建共享
随着大模型的快速发展与应用，行业对智能算力的需求快速增长。国际上，基础大模型科技巨头智算能力已达到百万块GPU（以A100为单位）的能力，而国内巨头智能能力仅达到数万到数十万块GPU，与国际上存在数量级差距。基于此，应推动政府和行业机构牵头，推动国内存量英伟达GPU等“成熟”算力资源集中共享，保障基础大模型的训练迭代速度，减少重复建设带来的资源浪费。
针对使用华为昇腾、寒武纪、壁仞科技、摩尔线程等国产AI训练芯片的“不成熟”算力共建，通过实际应用迭代工具链和生态，加速国产AI训练芯片的成熟与规模化应用。
3.提升高质量数据供给能力
AI大模型上车应用对高质量数据要求很高，尤其是端到端智能驾驶领域，数据量和质量已成为决定智驾体验最主要的因素。国内车企独立采集数据、独立训练的模式很难和特斯拉等国际巨头竞争。在端到端训练数据方面，国内车企智能驾驶训练数据仅在百万Clips级别，远低于特斯拉超1000万Clips的数据量。因此，国内应尽快统一汽车数据采集、标注、传输及加密标准规范，加快制定数据定价、权责划分、流通交易等制度，为构建数据共享平台奠定基础。建议地方政府先行先试，探索敏感数据合法合规流通路径，构建开源智能驾驶数据集共建平台，以形成场景覆盖全面、采集成本最低的数据供给体系。
4.坚定跨界融合发展战略，加速赋能车企智能化、AI化转型发展
汽车进入智能化、AI化发展阶段，底层技术、研发模式、人才结构等相比电动化阶段发生巨大变化，传统车企单纯依靠自身力量很难实现转型。要坚定跨界融合发展的战略路线，鼓励车企和芯片、操作系统、智能驾驶解决方案等供应商深度合作，如投资入股、成立合资公司、共研核心技术等方式，构建车企具备主导能力的产业生态。加快构建跨界创新平台，制定跨界产品上车应用的产品及技术标准、检测认证体系等，解决新技术上车“最后一公里”的问题。
5.完善大模型标准及评价体系
大模型在智能座舱领域的应用呈现加速态势，人机交互体验显著提升，但同时，大模型在训练数据合规性与可靠性、数据传输阶段的泄露等数据安全方面，在生成内容存在的偏见、幻觉、虚假信息等内容可控方面，在对语言的理解能力、逻辑推理、信息归纳等场景应对能力等方面仍存在隐患。
下一步要尽快建立大模型上车与评价标准体系，一是针对人机交互、车辆控制等强需求领域，基于差异化场景制定大模型上车标准；二是加强大模型基础理论研究，不断拓展大模型与汽车产业融合应用的标准体系，加快明确大模型透明度和可解释性；三是明确大模型数据安全、模型训练、模型使用等环节的安全要求，完善大模型安全评估的流程、方法、工具。
