9月18日,未来汽车开发者大会在世界智能网联汽车大会期间成功举办。会上,四维图新技术委员会主席、智能驾驶研发部总经理李阳发表了题为《聚力多级别自动驾驶商业化落地》的主题演讲。

以下为演讲实录:
四维图新刚刚过完二十岁生日,我们是一家以创新为主导,致力于在创新和商业化之间寻找自由路径的公司。
四维图新的第一个十年,我们是一家纯粹的图商,取得了一系列令人骄傲的成绩,经过这样的创新和积累,我们在第二个十年将自己的业务从纯粹的地图内容提供向应用靠拢,希望为社会和行业创造更多价值。
从这个时候起,我们彻底和智能网联这个词紧紧绑定在一起,从早些的TSP业务、智能座舱集成业务,到后来陆续推出的智能驾驶业务,四维图新走上了发展汽车智能网联的“快速路”。
2015年,我们成立了智能驾驶部门和智能地图事业部。2018年、2019年是研发和技术成果快速落地和被认可的阶段。四维图新完成了全国高速的高精地图覆盖,也完成了自己的智能驾驶技术验证,通关了一系列考试,也拿到了一系列牌照。
而智能驾驶这几年一直伴随着商业化落地的讨论与质疑,大家说L3在2020年就要来了,或者在2021年就来了,全部的车都要智能网联,但落地好像没有那么快;时而又说智能驾驶永远不会来。这对于从业者来说,对于自己造血创新在A股研发投入排在前列的公司来说,是很煎熬的。
好在,我们在2020年之后等到了浪潮,等到了非常稳定可见的商业化机会,就是智能汽车的前装落地量产。也是在这一年我们成立了智能驾驶事业部,基于过去长达15年的智能座舱相关业务的落地积累,团队拥有了把握客户需求、产品量产交付的能力,加之公司二十年来对于地图、时空采集的认识理解,形成了现在的产品力。
未来,我们希望用持续创新的方式,结合商业化落地,为行业和市场推出让大家满意的产品。对于用户来说,是安全的,是有性价比的,是可靠的产品;对客户来说是不用担心供应链,是可以放心交给我们更大的批次和需求,我们能够完成的产品。
那么,我们是如何做的?
四维图新是智能驾驶软硬件一体的集成化解决方案提供商,同时我们还是地图传感器的供应商。
地图的作用在智驾里面不只是内容,更像是在弥补AI算法的缺陷。地图天生能够为智能驾驶系统提供记忆。比如不同时段的跟车距离,比如拥堵道路的常用通行路线,比如可以长久固化在地图里的车道限速、道路的几何、车道的几何等等,通过这样的方式可以换取一个更强大的车载智能系统。
我们通过十年左右的创新积累具备的自动成图技术,目前不仅能够单趟成图,还可以通过一个终端智能摄像头设备实现单次成图,且作为一种传感器,是足够安全和可靠的。
对于整个系统,我们觉得地图也是一个隐形的支持跨场景的架构,它能够支持整个系统切换场景、沉淀常识、提升体验,并完善车端和云端、人和车之间的交互。
基于这样的能力和积累,四维图新会提供怎样的智能驾驶软硬一体解决方案?
目前我们看到一个汹涌的Level2的落地浪潮,出货量在五年以后预计是千万级。而在L2+的阶段,应该2023年底到2024年是一个比较典型的小波峰,我们可以看到大量的新车会搭载这样的功能上线。
面对我们的客户,我们希望交付全场景智能驾驶系统。
除了供应链的稳定性之外,L2+在场景变化的过程中是否够平滑也是提升用户体验的重点。我们的算法全部自研,所以可以从架构层面本身让软件甚至感知模型统一,这样就从根本上避免了各种场景切换时的延迟。
这也是我们下一代产品的核心,我们将在今年11月份四维图新的用户大会上正式发布,它解决的是越来越集中化的智能座舱、智能驾驶和整车的E/E架构,和目前芯片比较昂贵的问题。
基于Tier1的整合能力以及我们对SOA的理解,我们做了这代平台,四维图新将会一直创新,为市场、客户和行业提供有价值的产品和服务,谢谢大家。
好文章,需要你的鼓励
谷歌Messages近期推出多项新功能:长按消息或图片将弹出悬浮菜单,背景模糊并触发触觉反馈;已读回执移至消息气泡右下角圆圈内,左滑查看时间戳和加密标识,右滑可快速回复;苹果iOS 26.5支持端对端加密RCS,安卓与iPhone用户间的消息实现全程加密;智能回复新增"点击后先填入输入框"选项,减少误发;已删除对话将在回收站保留30天后才彻底清除。
这项研究提出用费舍尔信息矩阵谱范数衡量深度神经网络的内在脆弱性,无需发动对抗攻击即可评估模型稳健性,并推导了VGG、ResNet、DenseNet和Transformer的理论排名。
Mozilla数据协作组织致力于解决生成式AI的数据困境。该组织由Mozilla基金会提供1000万美元初始资金,于去年11月正式成立,旨在建立一个以社区所有权、用户同意和公平价值交换为核心的AI数据市场。平台现已收录逾300种语言的精选数据集,覆盖阿富汗哈扎拉语文学、喀麦隆马达语口述历史等稀缺资源。数据贡献者可自主决定数据使用方式,并获得完整收益,平台另收取基础设施费用。
南加州大学提出DistIL方法,通过前向交叉熵目标和完整序列级梯度,解决AI自蒸馏训练中方向偏差与局部信用分配问题,在科学推理、编程和难题数学上均超越现有基线。