正文

gpt算力（gpt算力需求）

发布时间：2023-05-25 00:54:42 稿源：创意岭阅读： 50

大家好！今天让创意岭的小编来大家介绍下关于gpt算力的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，有小程序、在线网页版、PC客户端和批量生成器

问友Ai官网：https://ai.de1919.com。

本文目录:

「大模型+大算力」加持，通用人工智能和智能驾驶双向奔赴
当GPT遇到自动驾驶，毫末首发DriveGPT
吉普提的算力核心由什么构成
DriveGPT落地后，卷激光雷达和算力会变得毫无意义？

gpt算力（gpt算力需求）

「大模型+大算力」加持，通用人工智能和智能驾驶双向奔赴

开年以来 ChatGPT、GPT-4 的相继面世再度掀起计算机科学领域通用人工智能（AGI）研究热潮，也不断刷新我们对 AI 的认知。

作为具有人类水平表现的大型多模态模型，GPT-4 被视为迈向 AGI 的重要一步，标志着创新范式的深度变革和生产力的重新定义，也必将带来更多元的产品迁移。

截至目前，全球已经有超百万家初创公司声称使用这一秘密武器来创造新产品，而这些产品将彻底改变从法律到股票交易，从游戏到医疗诊断的近乎一切领域。

尽管其中很多是营销泡沫，但与所有技术突破一样，总会存在炒作周期和意想不到的远期效果。

事实上在另一边，进入 2023 年智能汽车领域同样十分热闹。

智能化已然成为上海车展全场关注的最大焦点，除了激光雷达等关键传感器的单点式突破，各大巨头也纷纷展示智能驾驶全产品矩阵，城市场景辅助驾驶量产落地加速推进。

更加值得注意的是，BEV、大模型、超算中心等计算机热词正在与自动驾驶、行泊一体、城市 NOA 等智驾焦点火速排列组合，颇有相互交融、双向奔赴的味道。

在这背后，一方面是近年来智驾、智舱持续升级对 AI 在汽车场景落地的数据、算法、算力不断提出更高要求，另一方面，AGI 的重大突破也已将触角伸向智能汽车，将其视为实现闭环应用的重要场景，很多企业布局已经相当高调。

日前，商汤科技 SenseTime 举办技术交流日活动，分享了以「大模型+大算力」推进 AGI 发展的战略布局，并公布该战略下的「日日新 SenseNova」大模型体系。

在「大模型+大算力」加持下，本次上海车展商汤绝影驾、舱、云一体产品体系已全栈亮相，近 30 款合作量产车型集中展出，商汤也再度分享了智能汽车时代的 AGI 落地新思考。

本次上海车展亮相的部分绝影合作车型展示

01、算法：AI 正式步入大模型时代

如商汤科技联合创始人、首席科学家、绝影智能汽车事业群总裁王晓刚所言，「AGI 催生了新的研究范式，即基于一个强大的多模态基模型，通过强化学习和人类反馈不断解锁基模型新的能力，从而更高效地解决海量的开放式任务。」

通用大模型并非为自动驾驶而生，或为满足自动驾驶的特定任务需求而设计。但智能驾驶开发的诸多新需求已在推动算法从专用小模型向通用大模型快速演进。

首先是应对海量数据处理和 Corner Case 问题的迫切需求。

对于感知系统低频出现但至关重要的小目标及带来的潜在安全隐患，算法开发需要面对海量数据，传统的 AI 小模型将难以同时处理大数据量和高复杂度的任务。通用大模型则可用在长尾目标的初筛过程，并叠加语料文字处理得到很好的效果。

再比如智驾算法开发对自动化数据标注、降低人工成本的诉求。相比于人工标注，通用大模型将自动化对海量数据完成标注任务，大幅降低标注数据获取的时间成本和本身的金钱成本，从而缩短研发周期、提升成本效益。

处于类似的考量，近年来国内外巨头企业已围绕大模型纷纷展开各自智驾布局。

继 Google 于 2017 年提出将 Transformer 结构应用在 CV 领域图像分类，大模型已在 GPT-2、GPT-3、BERT 等当中不断证明实力，特斯拉率先站台 Transformer 大模型征战图像视觉。

国内企业也紧随其后：

毫末智行已宣布自动驾驶认知大模型正式升级为 DriveGPT，百度表示利用大模型来提升自动驾驶感知能力并将大模型运用到数据挖掘，华为也已宣布加入大模型争霸赛，自研「盘古」即将对外上线。

作为行业领先的人工智能公司，商汤在大模型领域可谓乘风破浪，过去一两年则全面将大模型能力在各业务线 20 多个场景落地，包括智能驾驶。

商汤「日日新 SenseNova」大模型体系背后是大模型研发中深厚的积累。商汤有自己的全栈大模型研发体系，其中就包括针对大模型的底层训练及实施过程中的各种系统性优化。

例如，商汤近期向社区发布的用于真实感知、重建和生成的多模态的数据集 OmniObject3D 中包含 190 类 6000 个物体，数据质量非常高。

再比如，商汤在 2019 年就已首次发布 10 亿参数的视觉大模型，到 2022 年参数规模已达到 320 亿，这也是世界上迄今为止最大的视觉模型。

此外，商汤也在智驾领域持续展示大模型能力。2021 年开发的 BEV 感知算法在 Waymo 挑战赛以绝对优势取得冠军，2021 年 BEV Former 的 Transformer 结构至今仍是行业最有影响力的 BEV 工作，今年开发的 UniAD 是业内首个感知决策一体化的端到端自动驾驶解决方案。

在技术实力的另一端是量产进度。商汤也给出了自己的智能驾驶量产公式：

自动驾驶技术能力=场景数据 x 数据获取效率 x 数据利用效率² =场景数据 x 数据获取效率 x 先进算法 x 先进算力。

而先进的算法大模型不仅将通过跨行业数据汇聚提升驾驶场景数据资源，通过数据闭环开发模式和自动数据标注提升数据获取效率，更将大幅提升感知精度和感知丰富度进而成倍提升数据利用效率。

依托原创 AI 算法和模型积累，商汤领先的 BEV 感知算法推进国内首批量产应用，并采用 Domain Adaption 算法有效解决跨域泛化问题。商汤首创的自动驾驶 GOP 感知体系将目标数据获取的人力成本降低 94%，实现低成本的车端模型开发，目前也已投入量产应用。

02、算力：智能汽车时代的重要基础设施

随电子电气架构技术由分布式不断向集中式演进，大算力芯片成为新型电子电气架构实现的物理基础。

近年来车端芯片算力发展突飞猛进，如英伟达规划中的 Atlan 单颗芯片算力超 1000TOPS，THOR 单颗算力超 2000TOPS，将大幅提升单车感知决策能力。

而在云端，AGI 在自动驾驶、网联等场景的泛化应用将提出比车端指数级更高的算力要求——从数据标注到模型训练，从场景仿真到算法迭代。

算力将是智能汽车时代的新型基础设施。

在此背景下，近年来主流企业纷纷开启双线并行探索，车端自研算力平台，云端建立超算中心。而进入大模型时代后，数据量随着多模态的引入也将大规模增长，因此必然也会导致 AGI 对算力需求的剧增。

可以看到，英伟达车端云端同步布局并将提供端到端的全栈式 AI 加速计算解决方案，特斯拉也早在 2021 年 8 月发布自研云端超算中心 Dojo。

据近期报道，埃隆·马斯克也将成立一家人工智能公司来与 OpenAI 竞争，已购买数千个英伟达 GPU 并一直招募 AI 研究人员和工程师。

国内方面，吉利、蔚来、特斯拉、毫末智行、小鹏等企业也已跟进布局云端算力集群，投入巨大以提升智驾开发算力储备。

对于商汤来说，如果说大模型将是支撑智能驾驶的上层建筑，那么大算力就是数字基座。

商汤科技董事长兼 CEO 徐立表示，目前大模型对基础算力、基础设施的需求非常旺盛，基础算力对并行效率的要求也非常高，但真正好用的基础设施其实十分稀缺。

出于这一原因，商汤历时五年自建了业界领先的 AI 大装置 SenseCore，完成 2.7 万块 GPU 的部署并实现 5.0 exa FLOPS 的算力输出能力，是亚洲目前最大的智能计算平台之一，可同步支持 20 个千亿规模参数量的超大模型同时训练。

位于上海临港的 AIDC 人工智能计算中心将为智能汽车的数据存储、标注、脱敏、仿真训练、算法迭代到部署的闭环提供算力支持，打通基于数据驱动的算法生产全流程，加速高级别智能驾驶技术的 AI 模型生产和持续迭代，推动实现规模化量产。

在 AIDC 的基础上，AI 大装置也将提供支持大模型生产的一系列服务：

处理大模型需要的自动化数据标注，将使智能标注效率提升百倍；大模型推理部署，使得推理效率提升 100% 以上；大模型并行训练，最大 4000 块卡并联的单集群，可训练参数量超 5000 亿的稠密模型，可训练超万亿参数；大模型增量训练，增量微调成本降低 90%；开源模型和大模型训练开发者工具，大规模提升开发效率。

如此规模的算力设施即使特斯拉同期也尚难以望其项背，也必将推动大模型的高效闭环。

03、「大模型+大算力」推动智能汽车行业整体进程

汽车行业正在面临百年未有之大变革。尽管此次以「大模型+大算力」推进 AGI 发展是商汤提出的战略布局，但事实上，这一理念早已在行业层面达成共识。

基于感知、决策规控和 AI 云三大核心能力，商汤「大模型+大算力」已赋能绝影驾、舱、云三位一体产品体系量产落地：

除智能驾驶领域的全栈能力和行泊一体量产解决方案外，「大模型+大算力」也正在助力商汤打造智能座舱跨场景生态。

车展期间，与商汤「日日新 SenseNova」大模型体系深度融合的绝影未来展示舱升级亮相，语言大模型「商汤商量 SenseChat」以及 AIGC 文生图平台「商汤秒画 SenseMirage」也已上车，多点融合重构人车交互方式，打造第三空间。

以「商量」为例，作为千亿级参数的自然语言处理模型，其使用大量数据训练并充分考虑中文语境，展示出出色的多轮对话和超长文本的理解能力。

商汤也展示了语言大模型支持的诸多汽车场景创新应用，如在行车过程中化身「邮件助手」自动提炼关键信息，作为「会议助理」自动生成会议纪要，大大节省用户行车时处理工作的时间和精力，为未来出行的应用场景拓展带来丰富的想象空间。

此外，以人工智能大模型开发、生产、应用为核心，一站式

【本文来自易车号作者汽车之心，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

当GPT遇到自动驾驶，毫末首发DriveGPT

GPT之于自动驾驶意味着什么？

文丨智驾网黄华丹

ChatGPT带火了AI，那么，当GPT遇到自动驾驶，又会发生怎样的化学反应？

GPT全称Generative Pre-trained Transformer，即生成式预训练Transformer。简单概括即是一种基于互联网可用数据训练的文本生成深度学习模型。

4月11日，在第八届毫末AI DAY上，毫末CEO顾维灏正式发布了基于GPT技术的DriveGPT，中文名雪湖·海若。

DriveGPT能做到什么？又是如何构建的？顾维灏在AI DAY上都做了详细解读。此外，AI DAY还展示了毫末自动驾驶数据体系MANA的升级情况，主要是其在视觉感知能力上的进展。

01.

什么是DriveGPT？能实现什么？

顾维灏首先讲解了GPT的原理，生成式预训练Transformer模型本质上是在求解下一个词出现的概率，每一次调用都是从概率分布中抽样并生成一个词，这样不断地循环，就能生成一连串的字符，用于各种下游任务。

以中文自然语言为例，单字或单词就是Token，中文的Token词表有5万个左右。把Token输入到模型，输出就是下一个字词的概率，这种概率分布体现的是语言中的知识和逻辑，大模型在输出下一个字词时就是根据语言知识和逻辑进行推理的结果，就像根据一部侦探小说的复杂线索来推理凶手是谁。

而作为适用于自动驾驶训练的大模型，DriveGPT雪湖·海若三个能力：

1.可以按概率生成很多个这样的场景序列，每个场景都是一个全局的场景，每个场景序列都是未来有可能发生的一种实际情况。

2.是在所有场景序列都产生的情况下，能把场景中最关注的自车行为轨迹给量化出来，也就是生成场景的同时，便会产生自车未来的轨迹信息。

3.有了这段轨迹之后，DriveGPT雪湖·海若还能在生成场景序列、轨迹的同时，输出整个决策逻辑链。

也就是说，利用DriveGPT雪湖·海若，在一个统一的生成式框架下，就能做到将规划、决策与推理等多个任务全部完成。

具体来看，DriveGPT雪湖·海若的设计是将场景Token化，毫末将其称为Drive Language。

Drive Language将驾驶空间进行离散化处理，每一个Token都表征场景的一小部分。目前毫末拥有50万个左右的Token词表空间。如果输入一连串过去已经发生的场景Token序列，模型就可以根据历史，生成未来所有可能的场景。

也就是说，DriveGPT雪湖·海若同样像是一部推理机器，告诉它过去发生了什么，它就能按概率推理出未来的多个可能。

一连串Token拼在一起就是一个完整的驾驶场景时间序列，包括了未来某个时刻整个交通环境的状态以及自车的状态。

有了Drive Language，就可以对DriveGPT进行训练了。

毫末对DriveGPT的训练过程首先是根据驾驶数据以及之前定义的驾驶尝试做一个大规模的预训练。

然后，通过在使用过程中接管或者不接管的场景，对预训练的结果进行打分和排序，训练反馈模型。也就是说利用正确的人类开法来替代错误的自动驾驶开法。

后续就是用强化学习的思路不断优化迭代模型。

在预训练模型上，毫末采用Decode-only结构的GPT模型，每一个Token用于描述某时刻的场景状态，包括障碍物的状态、自车状态、车道线情况等等。

目前，毫末的预训练模型拥有1200亿个参数，使用4000万量产车的驾驶数据，本身就能够对各种场景做生成式任务。

这些生成结果会按照人类偏好进行调优，在安全、高效、舒适等维度上做出取舍。同时，毫末会用部分经过筛选的人类接管数据，大概5万个Clips去做反馈模型的训练，不断优化预训练模型。

在输出决策逻辑链时，DriveGPT雪湖·海若利用了prompt提示语技术。输入端给到模型一个提示，告诉它“要去哪、慢一点还是快一点、并且让它一步步推理”，经过这种提示后，它就会朝着期望的方向去生成结果，并且每个结果都带有决策逻辑链。每个结果也会有未来出现的可能性。这样我们就可以选择未来出现可能性最大，最有逻辑的链条驾驶策略。

可以用一个形象的示例来解释DriveGPT雪湖·海若的推理能力。假设提示模型要“抵达某个目标点”，DriveGPT雪湖·海若会生成很多个可能的开法，有的激进，会连续变道超车，快速抵达目标点，有的稳重，跟车行驶到终点。这时如果提示语里没有其他额外指示，DriveGPT雪湖·海若就会按照反馈训练时的调优效果，最终给到一个更符合大部分人驾驶偏好的效果。

02.

实现DriveGPT毫末做了什么？

首先，DriveGPT雪湖·海若的训练和落地，离不开算力的支持。

今年1月，毫末就和火山引擎共同发布了其自建智算中心，毫末雪湖·绿洲MANA OASIS。OASIS的算力高达67亿亿次/秒，存储带宽2T/秒，通信带宽达到800G/秒。

当然，光有算力还不够，还需要训练和推理框架的支持。因此，毫末也做了以下三方面的升级。

一是训练稳定性的保障和升级。

大模型训练是一个十分艰巨的任务，随着数据规模、集群规模、训练时间的数量级增长，系统稳定性方面微小的问题也会被无限放大，如果不加处理，训练任务就会经常出错导致非正常中断，浪费前期投入的大量资源。

毫末在大模型训练框架的基础上，与火山引擎共同建立了全套训练保障框架，通过训练保障框架，毫末实现了异常任务分钟级捕获和恢复能力，可以保证千卡任务连续训练数月没有任何非正常中断，有效地保障了DriveGPT雪湖·海若大模型训练的稳定性。

二是弹性调度资源的升级。

毫末拥有量产车带来的海量真实数据，可自动化的利用回传数据不断的学习真实世界。由于每天不同时段回传的数据量差异巨大，需要训练平台具备弹性调度能力，自适应数据规模大小。

毫末将增量学习技术推广到大模型训练，构建了一个大模型持续学习系统，研发了任务级弹性伸缩调度器，分钟级调度资源，集群计算资源利用率达到95%。

三是吞吐效率的升级。

在训练效率上，毫末在Transformer的大矩阵计算上，通过对内外循环的数据拆分、尽量保持数据在SRAM中来提升计算的效率。在传统的训练框架中，算子流程很长，毫末通过引入火山引擎提供的Lego算之库实现算子融合，使端到端吞吐提升84%。

有了算力和这三方面的升级，毫末可对DriveGPT雪湖·海若进行更好的训练迭代升级。

03.

MANA大升级，摄像头代替超声波雷达

毫末在2021年12月的第四届AI DAY上发布自动驾驶数据智能体系MANA，经过一年多时间的应用迭代，现在MANA迎来了全面的升级。

据顾维灏介绍，本次升级主要包括：

1.感知和认知相关大模型能力统一整合到DriveGPT。

2.计算基础服务针对大模型训练在参数规模、稳定性和效率方面做了专项优化，并集成到OASIS当中。

3.增加了使用NeRF技术的数据合成服务，降低Corner Case数据的获取成本。

4.针对多种芯片和多种车型的快速交付难题，优化了异构部署工具和车型适配工具。

前文我们已经详细介绍了DriveGPT相关的内容，以下主要来看MANA在视觉感知上的进展。

顾维灏表示，视觉感知任务的核心目的都是恢复真实世界的动静态信息和纹理分布。因此毫末对视觉自监督大模型做了一次架构升级，将预测环境的三维结构，速度场和纹理分布融合到一个训练目标里面，使其能从容应对各种具体任务。目前毫末视觉自监督大模型的数据集超过400万Clips，感知性能提升20%。

在泊车场景下，毫末做到了用鱼眼相机纯视觉测距达到泊车要求，可做到在15米范围内达测量精度30cm，2米内精度高于10cm。用纯视觉代替超声波雷达，进一步降低整体方案的成本。

此外，在纯视觉三维重建方面，通过视觉自监督大模型技术，毫末不依赖激光雷达，就能将收集的大量量产回传视频转化为可用于BEV模型训练的带3D标注的真值数据。

通过对NeRF的升级，毫末表示可以做到重建误差小于10

【本文来自易车号作者智驾网，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

吉普提的算力核心由什么构成

吉普提的算力核心由深度神经网络构成。吉普提（GPT）是由OpenAI开发的一种自然语言处理模型，它的算力核心是由深度神经网络（DeepNeuralNetworks，DNN）构成的。吉普提模型采用了基于Transformer架构的神经网络，其核心是由多层变压器（Transformer）模块组成的深度神经网络。每个变压器模块包括多头自注意力机制、前馈神经网络等组件，用于对输入文本进行编码和解码，从而实现自然语言处理的各种任务。

gpt算力（gpt算力需求）

DriveGPT落地后，卷激光雷达和算力会变得毫无意义？

席卷自动驾驶行业的寒冬还没有过去，开发周期长、成本高，又难落地的问题并没有完全被解决，而大量的车企都在激进的进行电动化和智能化的转型，自动驾驶的研发又是绕不开的重要一部分。

可是靠自动驾驶技术和故事去吸引消费者的路线已经逐渐走不通了，比亚迪王传福也站出来炮轰自动驾驶，让自动驾驶的寒意更浓了。

其实自动驾驶难落地的问题，对于谁都一样，谁都绕不过去这个问题，但是车企和自动驾驶企业们可以在“开发周期和成本”方面开卷，因为在大环境不利的情况下，谁能用更低的成本和更高的效率坚持并维持住，才可能在春暖花开之时迎来绽放。

自动驾驶寒冬之下，靠AI真能降成本？

在本周的在第八届毫末AI DAY上，毫末智行发布了首个应用GPT模型和技术逻辑的自动驾驶算法模型DriveGPT，并正式官宣中文名为“雪湖·海若”。DriveGPT首发车型是即将量产上市的全新摩卡DHT-PHEV，有了DriveGPT之后，自动驾驶开发中的周期和成本都会大幅缩短和降低。

目前的自动驾驶技术发展情况，主流的自动驾驶训练方式主要有两种：真实道路测试和虚拟仿真测试。

真实道路测试最大的特点是能够与真实交通环境相匹配，模拟真实生活中的各种复杂情况。同时，真实道路测试还可以发现一些不常见或难以预测的情况，提高自动驾驶系统的适应性和可靠性。然而，真实道路测试需要大量的时间和金钱投入，同时还涉及交通安全、法律法规以及人员伤害等问题，给测试过程带来了一定的风险和压力。这些都会导致测试成本的增加。

另一种方式就是虚拟仿真测试，它是在计算机模拟环境下测试自动驾驶系统，通过虚拟场景来训练模型。虚拟仿真测试可以避免真实道路测试中的安全问题和成本压力，同时还可以快速生成大量的数据，提高测试效率和数据量，而且在其中已经辅以了不少AI人工智能技术。

但是，虚拟仿真测试中的数据和场景是人为设计的，可能无法完全反映真实道路的复杂性和不确定性。因此，虚拟仿真测试有时需要进行一定程度的真实道路测试来验证其结果。

DriveGPT采用了与ChatGPT一样的Transformer模型与RLHF人类反馈学习能力，通过引入真实驾驶场景和人驾接管数据，可对自动驾驶认知决策模型进行持续优化，从而为自动驾驶开发降低成本。

由于DriveGPT是在虚拟仿真环境下进行训练的，因此可以省去真实道路测试中的安全问题和成本压力。DriveGPT能够生成大量的仿真数据用于训练模型，这些数据能够很好地模拟真实道路的复杂性和不确定性，从而保证模型的鲁棒性和可靠性。同时，在仿真环境下进行训练还可以大大节约时间和成本。

15天就能完成1年的任务量，还能“赚外快”？

与传统的真实道路测试相比，DriveGPT能够快速高效地获取大量数据。DriveGPT的训练过程是完全自动化的，不受测试时间、环境等因素的影响，从而大大提高了测试效率和数据量。这不仅节约了训练时间，还可以提高模型的精度和鲁棒性。

DriveGPT自身能区分驾驶场景和非驾驶场景，并可以理解驾驶环境，还可用于场景识别标注任务，比如标注车道线、交通参与者、红绿灯、路牌等细节信息，并且每张图的识别优化价格从约 5 元下降到 0.5 元，成本下降了近10倍，在OpenAI的GPT-4出来的时候，它的识图能力引起了我们的高度关注，而与其底层类似的DriveGPT，已经把这项能力用了起来。

AI自动识图逐渐开始代替人工，人工标注的效率和成本是绕不过的问题，机器不需要休息，也几乎不会眼花，而自动标注的成本仅是过去使用人工的十分之一不到，而且半个月就能完成人力一年的需求。

DriveGPT使用大量的仿真数据来训练模型，这些数据能够很好地反映真实道路的复杂性和不确定性，DriveGPT它能够更好地处理自然语言、图像等多种数据类型，还可以去自行学习，从而提高模型的复杂性和准确性。

另外在产品迭代方面，DriveGPT能够为自动驾驶开发者提供快速有效的反馈，帮助它们更快地调试和优化系统，从而进一步降低系统迭代方面的开发成本。

通过DriveGPT训练出来的模型可以转移到真实道路测试中进行验证，进一步提高了系统的安全性和可靠性。DriveGPT训练出来的模型能够很好地反映真实道路的复杂性和不确定性，从而在真实道路测试中能够更快地适应各种情况，DriveGPT还可以同时让系统处于多个平行宇宙之中，也就是提前做好再一次遇到类似情况可能发生的各种驾驶情况，在预测人车轨迹能力上也得到了大幅提升。

DriveGPT的能力不只局限于自动驾驶领域内，我们看到毫末的合作伙伴还有北京交通大学计算机与信息技术学院、火山引擎、华为云、京东科技、高通、四维图新、英特尔等，当然这里面有很多是供应商伙伴，但四维图新这个伙伴，可能是DriveGPT要去赋能的另外一部分。

此次四维图新也官宣表示：接入毫末DriveGPT雪湖·海若，可实现持续双向赋能。借助DriveGPT雪湖·海若算法能力可提升地图成图自动化水平。DriveGPT对于图像强大的理解能力，可以应用于地图测绘方面，DriveGPT可以使用AI大模型来进行对物体的识别，特别是建筑物，具体来说，它可以通过大量的地图数据和卫星影像数据进行训练，然后利用这些数据来识别、分类和标注建筑物信息。同时，由于DriveGPT使用的是AI技术，因此其识别准确率和效率都比传统的人工测绘方法更高。

除了建筑物识别，DriveGPT还可以用于其他地图测绘任务，例如道路标注、地形分析、地图更新等，特别是随着搭载DriveGPT的车型越来越多，它们甚至可以去试试生成鲜度比较高的高精地图，虽然毫末打造的是重感知、轻地图的系统，DriveGPT也是为了去加深这一目的，但是高精地图可以给到供应商去做别的事情，并不是只有自动驾驶需要高精地图。

总结：

与传统的自动驾驶训练方式相比，DriveGPT能够省去真实道路测试中的安全问题和成本压力，同时能够高效快速地获取大量数据、精准地反映真实道路的复杂性和不确定性、提供快速有效的反馈以及能够转移到真实道路测试中进行验证等优点。毫末接下来的辅助驾驶方案，可能会把软硬件的成本卷得更低。

DriveGPT具有很大的应用前景，虽然我们看到目前只看到了毫末智行入局GPT类自动驾驶，但其他车企和供应商们肯定不会放过这个机会，AI技术大爆发的当下，或许比DriveGPT更高阶的自动驾驶训练方式也在来的路上。

而且随着AI的全面接入，再靠堆硬件，比激光雷达数量、摄像头像素和个数、算力芯片能力，可能不再是吃香的办法，没人愿意为能力低，而靠堆硬件带来的高成本而买单。

【本文来自易车号作者路咖汽车，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

以上就是关于gpt算力相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。