167
作者｜刘佳艺
在今年 CES 这届全球科技春晚上，AI 成了重头戏。
单看智驾领域，又在上演新的算力、端到端、生成式 AI 等技术神话。
如果站在 L2+这个节点往回看，技术主义的确突破了瓶颈期，让智驾成为一件确定的事。
但如果看向未来，单靠技术主义还不能回答好「完全无人驾驶」这个时代命题。
今天智驾每上一个台阶，规模化、盈利化的商业阻力就加倍增长。所以陷入技术狂欢的市场，终归需要一种理性主义的声音来拆解问题。
Mobileye 担任了这个角色，其创始人 Amnon Shashua 教授在今年 CES 的演讲中，指出了评判自动驾驶模型的两大维度：
一是精确率，也指代安全性，关乎 MTBF（平均故障间隔时间），相当于接管率。
二是召回率，也指可用性，关乎智驾设定运行条件、地域可扩展性、成本三大指标。
简单来说，要实现完全无人驾驶，这个智驾系统一边需要保证低接管率，一边需要支持低成本、大范围地快速落地。
在这个坐标轴内的两侧，一边是因激光雷达等昂贵传感硬件及高精地图导致成本高企，进而追求精确度但暂舍召回率；另一边则是追求高召回率但精确度尚未达到脱眼级别的技术路线。
按照 Mobileye 的发展轨迹，基于其复合人工智能系统，已经延展出了 SuperVision（可脱手）、Chauffeur（可脱眼）、Drive（无人驾驶）的高阶智驾方案，在 Mobileye 的方法论下，这是一个能够持续递进，并成功打开最终章节的过程。
Mobileye 自然具备话语权，这家拥有 20 余年的经验，积累了大量的「know-how」的智驾供应商，从基础 ADAS 到 L2 直至 L5，从芯片、感知硬件到软硬一体，凭借涵盖各级智驾应用的解决方案始终活跃于市场。
截至 2024 年三季度末，全球范围内搭载 Mobileye 技术的车辆来到了 1.9 亿。
如果把产品、技术、商业光环聚集一体，Mobileye 其实找不到相同维度对垒的对手，它在一个新图层内。
正如这几年 Shashua 教授延续的演讲主题：「Mobileye: Now. Next. Beyond.」。
Mobileye 一直在超越自我，目标是到达完全无人驾驶的最终形态，而这个过程中，它的解题思路有别于多数玩家，这可能是一种更为立体、辩证、理性的声音。
01、「唯端到端论」忽视了什么？
行业对于端到端技术路径的注解，大多都指向了自动驾驶最终章。
但这不意味着，只靠端到端，就能解决完全无人驾驶这个终极命题。
现在再回顾一遍端到端的定义：
通过 AI 大模型，打通感知、预测、规划、控制全流程，输入数据就可以得到最终结果。
这种数据驱动的方式，站在了规则驱动的对立面。系统如何应对极端情况，不再是通过工程师手动敲代码，而是 AI 系统通过观察、判断、总结，学会类人驾驶行为。
技术理论可行，但落地存在不少 Bug。
因为学习需要正确干预，如果完全靠自我领悟，那难免会犯一些原则性错误。
一个形象案例是，系统是否可以辨别「罕见但正确」与「常见但错误」。比如大量视频数据中，人类司机超速、压线、加塞插队甚至闯红灯的不文明驾驶行为。
答案是否定的。Mobileye 表示，系统会从概率角度评判，偏向于选择错误答案。
另外一点是，仅靠无监督数据训练，端到端方案的准确率可以从 0 快速推进到 95%，但无法达到 100%。
因为系统会犯很多匪夷所思的毛病，比如不会总结公式、不会应对罕见的长尾问题等。
但这不是在做题，而是在驾驶汽车，95% 的准确率不足以承担起安全风险。
于是规则干预成为了一道必要的安全阀。
Mobileye 在复合人工智能系统中，给端到端系统注入了抽象概念，即提供行为规范守则。
比如 RSS（责任敏感安全）模型，它的本质是一套数学模型，即将人类安全驾驶理念，比如规范变道、与前车保持安全距离、避免发生事故等，转化为数学公式与计算方法，然后对系统决策结果进行审查，结果安全才可以执行。
值得一提的是，Mobileye 在注入抽象概念时强调了「适量」，即如何让 AI 系统正确地理解丰富的物理世界，站在机器学习的角度，需要找到一个「偏差-方差」的权衡点，简单概括下：
偏差指过度干预，相当于规则输入太多了使得系统混乱容易出错；
方差则是干预得不够，一些极端情况没有被囊括进来，同样会产生安全风险。
Mobileye 这种严谨的思维模式在智驾系统上贯穿始终，它一直尝试从科学、全面的角度剖析自动驾驶背后盘根错节的复杂性。
这点在 Mobileye 独创的 PGF（Primary-Guardian-Fallback）高阶融合模型上也能体现。
对于 Mobileye 而言，端到端留下的可解释性问题并非无解，它选择建立一个可分解系统，在错误出现时可以直达「病症」部位。
具体而言，利用所有传感器对系统进行可分解训练，构建出三个子系统：
「Primary」主系统：用于预测
「Fallback」备用系统：基于不同方法就同一情形做预测
「Guardian」监护系统：使用第三种方法来验证 Primary 主系统的预测是否正确，如正确则按此执行；否则采用 Fallback 备用系统的预测结果。
这种方式适用于非二元情况，即子系统之间并没有出现「少数服从多数」的情况时，需要有子系统跳出来，代表更高层级担任审查角色。
具体应用场景为，三个系统各司其职，比如系统判断前方应该左转、右转还是直行时，若主系统选择直行，监护系统判断其正确则直行，若不正确则采用备用系统的选择。
相当于在系统决策基础上增加了一个「把关人」，并且准备好了「Plan B」，即当 3 个系统中有 2 个同时出现故障时，才会导致整个系统失效。由此通过协同作业方式，总体误差可以降至最低。
02、高 TOPS 不是唯一的解法
智驾领域有一条定律名为 Scaling Law，指模型性能会随着数据集规模、模型参数量和计算能力的增加而不断提升。
由此，它指引了多数玩家都按照大算力、大参数、大数据的方向前行。
但 Scaling Law 的背面，是推理成本也在随着模型规模呈指数级增长，这并不利于商业落地。
尤其是算力，端到端大浪拍过来，对于算力的需求一下子来到了千卡、万卡数量级，这是一个巨大的成本投入。
并且这个成本，并不一定与价值对等。
百度集团副总裁侯震宇曾直言，当使用超过 1000 张、5000 张、10000 张卡时，单一任务跑集群会有大量故障。
许多供应商能搭建 2000、3000 张卡的集群，但能跑起来就很困难，跑不起来就是资源浪费。
行业对于算力的大力崇拜，让一些问题隐藏在深水区。
一是用 TOPS 作为算力计算指标的局限性。
TOPS 即每秒万亿次操作，当下被视为衡量算力的常见指标，尤其是对于智驾芯片而言，已经从上百卷到了上千 TOPS。
但由于 TOPS 仅关注运算次数，并不区分逻辑运算、浮点运算等计算类型，其实并不能体现芯片在特定计算类型上的能力。
并且运算次数的统计方式，忽视了运算的精度，将复杂运算与简单运算按次数划等号。
Mobileye 做了个形象比喻，TOPS 就像通过员工人数来衡量公司质量一样，并不能代表什么。
这种单一的衡量维度，在反应芯片实际性能上存在偏差。
对此，Mobileye 提出了一个新指标——FPS（Frames per second），即每秒能处理的画面帧数。
这是一个更贴合自动驾驶领域的指标，因为自动驾驶在训练大模型时就是在投喂海量的视频图像数据，而 FPS 正体现了芯片处理图像、视频帧的速度，同时，画面处理速度流畅，也间接反映了芯片系统的整体协同能力。
二是高效才是芯片性能的直观体现。
高算力并不是高效运算的唯一解法，与其花费大成本拉高算力，不如直接从结果回溯，思考如何高效利用算力。
尤其在数据处理过程中，各类传感器输入的海量数据源源不断，从感知层到决策层的数据处理呈指数级增长，关键在于如何快速消化这些数据。
Mobileye 提出了「合理分工」的解题思路，其在芯片设计上采用了完全异构的计算架构。
这种架构的优势在于调度资源，对于卷积网络、Transformer 等不同计算场景，分配对应的运算任务，进而提升整体运算效率。
可以理解为，在芯片上建立了一座高效运转的数字工厂，调度系统会按照生产计划和订单要求安排分工与协作任务。
由于可以动态分配，这套异构计算架构也能带来低功耗、可扩展性强、降低维护成本的优势。
典型案例是 Mobileye EyeQ 系列芯片，EyeQ5H 的算力为 16TOPS，最大功耗仅为 27 瓦，目前已在极氪 001 和 009、极星 4、沃尔沃等车型上落地。
从实际表现上看，两颗 EyeQ5H 支持的 SuperVision 方案，算力 32TOPS，已经能够支持 L2+级智驾，与其它搭载 500TOPS，甚至 1000TOPS 的智驾方案水平对齐。
并且，相较于高 TOPS 下产生的上百瓦功耗，两颗 EyeQ5H 芯片产生的功耗仅有 54 瓦。
而 Mobileye 在此基础上升级的 EyeQ6H 芯片能力再度进阶，单颗算力为 34TOPS，相比 EyeQ5H 提升了约 2 倍，而 FPS 却飙升了 10 倍。
与此同时，功耗仅比 EyeQ5H 增加了 25%。
这意味着，它能够处理更复杂的视觉处理任务，支撑更高阶的智驾能力。
目前，EyeQ6H 已经应用于 SuperVision、Chauffeur 以及 Drive 高阶智驾方案，相当于支持 L2+、L3，甚至 L4 级智驾，预期今年即将开始量产。
值得一提的是，Mobileye 并未停下脚步，其更具竞争力的芯片——EyeQ7H 已经在开发中，其制程仅为 5nm，算力为 67TOPS，最大功耗仅为 60 瓦，预计在 2027 年开始量产。
03、自动驾驶是一个商业命题
回归到安全性与可用性的坐标系中，可以看到，围绕着复合智能人工系统这张核心底牌，Mobileye 通过严谨的数学计算将智驾系统误差降至最小，从而支持自动驾驶迈向「可脱手」、「可脱眼」甚至无人化阶段。
与此同时，Mobileye 也在积极思考另一个核心命题，即技术如何从一个 Demo 版本走向大规模落地。
它没有忽略任何一个关键因素，包括成本、地域可扩展性、系统运行条件等，这种周密式考量贯穿了 Mobileye 软硬一体式的产品组合。
一个重要案例是 EyeQ 系列芯片，兼具低成本与高性能的优势，能够快速上车高阶智驾方案。
另一个是成像雷达，相比传统雷达它具备更精准的物理探测能力与高分辨率，可以在复杂场景中识别出各类障碍物，除了常规的人、自行车等，还能识别到桥下的静止车辆。
并且，它具备长距离探测能力，可以探测到 240 米内的可能性危险，即便是在车辆高速行驶状态下，也不会影响到探测精度。
这种探测能力可以独立于摄像头、激光雷达，基于「真正冗余」的架构，成像雷达在其它传感器失效时，依然可以单独扛起感知任务，保证智驾系统的可靠性。
成像雷达的设计其实是为高阶智驾方案的过渡、落地搭建了一座梯子。
这里面包含了「模块化」的巧思。
所谓模块化，是指智驾系统像是「搭积木」一般，从系统中提取一些模块就可以构建一套低成本的智驾方案，若是想要走向更高阶智驾层级，只需要增加积木，比如加上额外的成像雷达。
显然，这种方式相比「把积木推倒重来」要更为快捷方便，并且不用耗费太大成本。
当然，Mobileye 对于无人化落地的另一层信心其实也来源于工程化经验。
除了 ADAS 方案合作了比亚迪、奇瑞、长城、大众、福特等国内外多款车型，高阶智驾方案也已经拿下多个定点。
比如搭载 EyeQ5H 的 SuperVision 方案已经在极氪、极星部分车型上落地，最新数据是，搭载了 SuperVision 方案的极氪 001、极氪 009 车型数量来到了 24 万台。
而更新到 EyeQ6H 的 SuperVision 方案也与保时捷、奥迪、宾利、兰博基尼旗下 17 款车型达成定点合作。
值得一提的是，这些豪华品牌的部分车型也选择了更高阶的 Chauffeur 方案，支持可脱手、脱眼的高阶智驾。
以及在 L4 领域，大众、Schaeffler、Benteler、Verne 等汽车集团也与 Mobileye 在 Drive 平台上共同开发无人驾驶出租车。
而说到 Mobileye 于全球范围内广泛的客户群体和部署经验，以及在安全合规方面的突出优势，对于中国车企全球化出海的进程，也能够发挥独特的助力优势。
在 CES 演讲结尾，Amnon Shashua 教授表示，按照规划，至 2027 年，Mobileye 将通过 Chauffeur、Drive 方案，为实现自动驾驶革命铺平道路。
对于 Mobileye 而言，这是一个充满确定性的任务。
作为自动驾驶供应商，Mobileye 一向具备很强的目标导向思维，它将从技术到商业上的每一个战略要点思考得非常清晰，并重视战略确定后的每一次精准执行。
