人民网上海4月21日电 (记者孙阳)当前,随着感知技术与平台能力逐渐成熟,自动驾驶进入提速阶段。同时,数据安全监管、数据闭环“长尾”问题、工具链、训练算力、成本等影响高阶自动驾驶商业化落地的关键挑战仍在。业内认为,自动驾驶领域全产业链合作和加速技术创新,是跑出自动驾驶中国“加速度”的关键。
4月20日,在2023第二十届上海国际汽车工业展览会上,华为云联合自动驾驶产业各方共同举办“中国自动驾驶产业发展论坛”。论坛期间,华为中国区副总裁、华为云中国区总裁张修征在接受人民网记者专访时表示,自动驾驶有效落地是一个系统工程,需要政府、学界、自动驾驶产业界一起努力,华为云作为行业数字化云底座和云技术使能者,可以通过云、AI和数据技术帮助客户与伙伴提升自动驾驶研发效率,降低研发成本,助力产业加速创新发展。
记者:当前,制约自动驾驶商业化有效落地的因素主要有哪些,如何有效破解?
张修征:影响自动驾驶商业落地的因素很多,但从我们和众多车企客户及自动驾驶科技公司客户交流来看,总结有以下一些:
首先是技术的成熟度。目前,汽车智能驾驶技术已经取得了很大的进展,但还有很多技术在开发中,未来随着技术不断迭代,算法的精度和鲁棒性,系统的冗余性不断增长增强,以及一些Corner case场景比如极端天气条件下的系统性能表现提升,智能驾驶会迎来广阔发展。
然后是成本,目前自动驾驶的成本在整车成本里面占有比较高的比例。这里面的成本有车端的传感器成本、域控成本等硬件成本,也有数据、算力等成本。但随着产学研企各界的努力,成本问题将逐渐得到解决。
第三,消费者的接受程度也是一个因素。消费者是否接受自动驾驶产品可以从几个维度上来看,自动驾驶产品有没有给消费者带来好的体验,后台技术是否扎实,以及自动驾驶产品和研发平摊到每台车上的成本。从积极的角度上,看国内消费者接受自动驾驶的速度比国外消费者要快,这和当年手机从功能机到接受智能机是一个道理。
另外一个制约因素是法律法规。目前全球范围上来看在L3+自动驾驶开放道路行驶缺乏法律法规体系。需要在现有各部门、各地方推动和制定的政策法规基础上,进一步完善法律法规体系,促进行业蓬勃、健康发展。
自动驾驶有效落地是一个系统工程,这里面需要整个自动驾驶产业界、学术界、政府一起努力,华为云定位是云端的技术赋能者, 比如说我们可以通过AI和数据能力提升客户算法的精度和鲁棒性,可以通过多种方式降低客户数据处理成本进而降低整个自动驾驶研发成本。
记者:推动自动驾驶产业的加速发展和良性成长,需要加快解决数据闭环问题,当前,国内车厂数据闭环建设现状和未来发展方向如何?
张修征:数据闭环首先是数据然后是闭环,数据闭环顺应了现在自动驾驶的研发趋势,自动驾驶研发越来越数据驱动。然后是闭环,以数据为载体形成一个算法可以持续迭代的过程。
过去一两年,国内大部分车厂都是从0-1建立数据闭环的过程,华为云也参与了众多客户数据闭环的搭建,包含了云平台和工具链的搭建。未来数据闭环会从1.0向2.0方向演进。1.0是最基础的功能,客户的典型诉求是能把数据闭环跑通,2.0就要关注数据闭环的效率和成本。
随着越来越多的量产车辆搭载L2+自动驾驶功能,每时每刻会上传大量的corner case的event数据,以前通过采集车上来的数据处理是不需要实时的,数据闭环1.0流程自动化程度比较低,里面夹杂了很多人工的操作。未来,有几十万辆车实时上传corner case数据的时候,这种半自动化的数据闭环就行不通,数据闭环会往全自动化方向发展。作为数据闭环实现重要支撑的工具链,也会从客户能“用上工具链”向“用好工具链”的方向发展。
记者:华为云在推动自动驾驶发展进程中主要提供哪些能力?未来的发展方向是什么?
张修征:随着智能驾驶里程的持续积累,自动驾驶企业面临的挑战也日益显化。其中海量的数据如何管理、工具链是否完备、如何解决算力资源紧张和和算力使用冲突的问题,以及如何做到端到端的安全合规都成为了自动驾驶开发过程中需要面对的痛点问题。
华为云首先提供坚实的云底座帮助客户处理自动驾驶里的海量数据挑战,例如华为云OBS、容器、大数据平台以及多元算力等;其次,面对自动驾驶的算法和测试验证团队,华为云联合多个伙伴提供“乐高式自动驾驶工具链方案”,帮助客户提高自动驾驶研发效率,同时能满足车厂客户多样性和灵活性的诉求:对于研发初期想快速建立研发能力的客户,提供E2E的工具链解决方案,帮助客户实现从数据处理到训练仿真全流程能力;对于有比较强定制化需求的客户,提供定可定制化的模块化解决方案,客户可以定制模块足自己的业务诉求。
自动驾驶的数据闭环是实现高阶自动驾驶的必由之路。对此华为云提供了三层加速方案,包括训练加速、数据加速、算力加速,自动驾驶算法能够高效被训练、被推理,也能形成整个数据端到端的闭环。
华为云依托 "1+3+M+N" 全球汽车产业云基础设施布局,即全球 1 张车用存算网、3 个超大数据中心构建汽车专区、M 个分布式车联网节点、N 个汽车专用数据接入点,助力企业打造数据传输、存储、计算、专业合规基础设施,助推智能驾驶持续发展。
好文章,需要你的鼓励
四川大学研究团队发现,当前先进的AI模型在面对信息不完整的数学问题时,缺乏主动询问澄清信息的能力,更倾向于基于假设给出答案。
中南大学等机构联合发布TextAtlas5M数据集,包含500万图像-文本对,专门解决AI长文本图像生成难题。该数据集平均文本长度148.82词,远超现有数据集,涵盖广告、学术、教育等真实场景。配套的TextAtlasEval基准测试显示,即使最先进的商业模型也面临显著挑战,为AI图像生成技术指明了新的发展方向。
从11岁就梦想造人形机器人的Bernt Bornich,用'huggable'形容他的Neo Gamma机器人——这个能举起150磅的66磅'运动员',正以家庭为试验场突破AI学习瓶颈:'工厂20小时就触及学习天花板,而家庭环境的多样性才是通往AGI的钥匙'。
剑桥大学研究团队创建了史上最难的AI视觉测试ZeroBench,包含100道精心设计的视觉推理题目。在这项测试中,包括GPT-4o、Claude、Gemini在内的20个全球最先进AI模型全部得了0分,暴露了当前AI在基础视觉理解上的严重缺陷。研究发现AI主要在计数、空间推理等基础任务上失败,而非逻辑推理能力不足。