正文

自动驾驶大模型（自动驾驶大模型概念股）

发布时间：2023-05-27 18:56:31 稿源：创意岭阅读： 148

大家好！今天让创意岭的小编来大家介绍下关于自动驾驶大模型的问题，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
毫末发布自动驾驶生成式大模型DriveGPT 中文名"雪湖·海若"
不「看地图」就能自己走的车，也能由毫末智行驱动
HAOMO发布自动驾驶生成式大模型DriveGPT

自动驾驶大模型（自动驾驶大模型概念股）

「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】

毫末发布自动驾驶生成式大模型DriveGPT 中文名"雪湖·海若"

易车讯 日前，我们从官方渠道获悉，在第八届HAOMO AI DAY上，毫末智行发布自动驾驶生成式大模型DriveGPT，中文名"雪湖·海若"。生态方面，毫末官宣取得3个主机厂定点合同，商业化迎来跃升一步；同时毫末推出的中国首个重感知、不依赖高精地图的城市NOH即将量产上车，最先落地北京、上海、保定等城市。

毫末打造的自动驾驶生成式大模型DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化，现阶段主要用于解决自动驾驶的认知决策问题，终极目标是实现端到端自动驾驶。

毫末DriveGPT雪湖·海若已开启对限量首批生态伙伴的开放合作，北京交通大学计算机与信息技术学院、高通、火山引擎、华为云、京东科技、四维图新、魏牌新能源、英特尔等高校与企业加入。

产品方面，毫末中国首款可大规模量产落地、重感知城市NOH，将首批落地北京、保定、上海等城市，并开启泛化测试，到2024年有序落地100城。首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，这也是毫末DriveGPT雪湖·海若的首发落地车型，全面确保毫末城市NOH的行业领先性。

生态层面，毫末乘用车6P开放合作取得重大突破，已与3家主机厂签署定点合同，相关项目正在交付中。这是毫末商业化的重要一跃，全面保障了毫末高速发展态势。

毫末智行董事长张凯判断：“2023年智驾产品进入全线爆发期，大模型开启在车端的落地应用，车主的使用频率和满意度成为产品竞争力的重要衡量标准。毫末不断进步的数据驱动的六大闭环能力将进一步加速毫末进入自动驾驶3.0时代的步伐并形成相应的护城河。”

张凯认为，智驾产品正在进入快速增长的全线爆发期，2023年是非常关键的一年。首先，城市导航辅助驾驶产品在2023年将围绕量产上车发力，主要玩家的城市导航辅助驾驶产品进入到真实用户覆盖和多城市落地的比拼。其次，行泊一体和末端物流自动配送产业商业化将成为自动驾驶公司深耕的重点。在乘用车领域，搭载行泊一体功能的智驾产品将迎来前装量产潮；在末端物流自动配送领域，末端物流自动配送车在商超、快递等场景迎来爆发，2023年将在这些场景实现可持续商业化闭环。

首款搭载HPilot3.0的新摩卡DHT-PHEV即将重磅上市，第二款搭载毫末HPilot3.0的车型魏牌蓝山也将在今年发布。毫末HPilot整体已搭载近20款车型。用户辅助驾驶行驶里程突破4000万公里，HPilot2.0辅助驾驶日均行驶里程使用率达到了12.6%。海外布局方面，搭载毫末HPilot的车辆已运往欧盟、以色列等地区和国家，陆续交付到用户手中，接下来将在中东、南非、澳大利亚等市场陆续投放；同时，毫末HPilot即将量产墨西哥版本及俄罗斯版本。

3月，高工智能汽车研究院在每个年度基于前装量产数据库及定点车型库数据进行综合评估，通过对毫末前装近20款车辆等数据研究，为毫末颁发年度高阶智能驾驶系统量产份额领军奖。第三方数据佐证毫末是中国量产自动驾驶绝对领军者。

其次是“MANA大模型巅峰之战”，中国首个自动驾驶数据智能体系MANA架构已迎来全线升级。到2023年4月，MANA学习时长超56万小时，相当于人类司机6.8万年。毫末DriveGPT雪湖·海若，已经完成基于4000万公里驾驶数据的训练，参数规模达1200亿。

第三是“城市NOH百城大战”，中国首款可大规模量产落地、重感知城市NOH，已在北京、保定、上海等城市开启泛化测试，即将量产上车，到2024年有序落地100城。毫末会以“安全为先、用户为先、规模为先”的原则，加速赢得城市NOH百城大战。

最后是“末端物流自动配送商业之战”，毫末末端物流自动配送车小魔驼已在商超履约、智慧社区、校园配送、餐饮零售、机场巡逻、高校教育、快递接驳、智慧园区、大气环评等九大场景开启运营，加速商业化闭环能力。2023年3月，小魔驼2.0获北京亦庄无人配送车车辆编码，开启亦庄运营。毫末也成为《北京智能网联汽车政策先行区无人配送测试规范》升级后，准许在北京市高级别自动驾驶示范区公开道路进行无人配送车测试的首个公司。

“技术领先是生存根本，毫末鼓励所有技术研发同学投入到技术创新当中。”张凯在演讲中再次强调了毫末对于技术研发投入的坚定决心。截至目前，毫末已获得专利证书164件，国际顶级学术会议论文收录6篇，最新2篇更是分别入选计算机视觉识别领域三大顶会之一的CVPR和全球首个智能车专业期刊IEEE TIV。毫末已将所有论文在GitHub开源，与业内共享。

现场，张凯还向外界公布了毫末6P开放合作的重要进展，目前已与3家主机厂签署定点合同，相关项目正在交付中。“毫末始终认为，自动驾驶是一个共同进退、共享成果的前沿产业。只有健康的生态伙伴才能支持毫末高速发展。”张凯表示。

此外，毫末一直坚持场景化用户体验设计、人工智能技术、技术工程化能力均衡发展，不断以数据驱动闭环的方式完善用户体验。张凯介绍，三个月时间，毫末在数据驱动六大闭环体系上实现多重进展。

用户需求闭环方面，毫末对驾驶场景数据持续分析完善策略，并进行新功能体验反馈；研发效能闭环方面，毫末将数据驱动理念深入到产品需求定义、感知与认知算法开发等产品开发流程，整体开发效率提升30%；数据积累闭环方面，毫末在车端部署诊断服务数据场景标签覆盖92%的驾驶场景。

数据价值闭环方面，毫末大模型正在持续挖掘数据价值解决关键问题；产品自完善闭环方面，毫末实现售后问题处理速度较传统方式的十倍效率提升，实现最快10分钟定位售后问题。两年时间有效挖掘产品提升点，问题闭环率达76%；业务工程化闭环方面，毫末进一步完善了从采集回流、标注训练、系统标定、仿真验证等环节到最终OTA释放环节的产品研发全流程工程化闭环。

毫末DriveGPT雪湖·海若通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化。它的最终目标是实现端到端自动驾驶，现阶段主要用于解决自动驾驶的认知决策问题，后续持续会将毫末多个大模型的能力整合到DriveGPT。目前，毫末DriveGPT雪湖·海若实现了模型架构与参数规模的升级，参数规模达到1200亿，预训练阶段引入4000万公里量产车驾驶数据，RLHF阶段引入 5万段人工精选的困难场景接管Clips。

DriveGPT雪湖·海若的底层模型采用GPT（Generative Pre-trained Transformer）生成式预训练大模型，与ChatGPT使用自然语言进行输入与输出不同，DriveGPT输入是感知融合后的文本序列，输出是自动驾驶场景文本序列，即将自动驾驶场景Token化，形成“Drive Language”，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。

DriveGPT雪湖·海若的实现过程是，首先在预训练阶段通过引入量产驾驶数据，训练初始模型，再通过引入驾驶接管Clips数据完成反馈模型（Reward Model）的训练，然后再通过强化学习的方式，使用反馈模型去不断优化迭代初始模型，形成对自动驾驶认知决策模型的持续优化。同时，DriveGPT雪湖·海若还会根据输入端的提示语以及毫末CSS自动驾驶场景库的决策样本去训练模型，让模型学习推理关系，从而将完整驾驶策略拆分为自动驾驶场景的动态识别过程，完成可理解、可解释的推理逻辑链生成。

现场，毫末宣布DriveGPT雪湖·海若首发车型是新摩卡DHT-PHEV，即将量产上市。顾维灏提到，DriveGPT雪湖·海若可以逐步应用到城市NOH、捷径推荐、智能陪练以及脱困场景中。有了DriveGPT雪湖·海若的加持，车辆行驶会更安全；动作更人性、更丝滑，并有合理的逻辑告诉驾驶者，车辆为何选择这样的决策动作。对于普通用户来说，车辆越来越像老司机，用户对智能产品的信任感会更强，理解到车辆的行为都是可预期、可理解的。

毫末DriveGPT雪湖·海若将携手生态伙伴率先探索四大应用能力，包括智能驾驶、驾驶场景识别、驾驶行为验证、困难场景脱困。当前，毫末在使用数据过程中，逐步建立起一套基于4D Clips驾驶场景识别方案，具备极高性价比。在行业上，给出正确的标注结果，一张图片需要约5元；如果使用DriveGPT雪湖·海若的场景识别服务，一张图片的价格将下降到0.5元。单帧图片整体标注成本仅相当于行业的1/10。接下来，毫末会将图像帧及4D Clips场景识别服务逐步向行业开放使用，这将大幅降低行业使用数据的成本，提高数据质量，从而加速自动驾驶技术的快速发展。

顾维灏介绍，毫末在2023年1月发布的中国自动驾驶行业最大的智算中心MANA OASIS（雪湖· 绿洲）此次从算力优化等层面升级了三大能力，进一步支持DriveGPT雪湖·海若的算力。首先，毫末与火山引擎全新搭建了“全套大模型训练保障框架”，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个月没有任何非正常中断,有效保证了大模型训练稳定性；其次，毫末研发出以真实数据回传为核心的增量学习技术，并将其推广到了大模型训练，构建了一个大模型持续学习系统，自主研发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%；最后，MANA OASIS通过提升数据吞吐量来降本增效，满足Transformer大模型训练效率，通过引入火山引擎提供的Lego算子库实现算子融合，端到端吞吐提升84%。

毫末打造的中国首个自动驾驶数据智能体系MANA，在经过一年多的应用迭代后，本次AI DAY也迎来了全面的升级，正式开放赋能。顾维灏介绍，MANA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中；其次，MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若中；第三，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；同时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。

此外，MANA的视觉感知能力持续提升，一方面可同时学习三维空间结构和图片纹理，并将纯视觉测距精度超过了超声波雷达，BEV方案也拥有了更强的通用性和适配性；另一方面可实现单趟和多趟纯视觉NeRF三维重建，道路场景更逼真，肉眼几乎看不出差异。通过NeRF进行场景重建后，可以编辑合成真实环境难以收集到的Corner Case。在原有的全局视角修改、添加光照/天气效果的基础上，新增合成虚拟动态物体的能力，可以在原有设定的运动轨迹上，合成各种Hard Case，模拟城市复杂交通环境，用更低成本测试提升城市NOH能力边界，更好提升应对城市复杂交通环境。

值得一提的是，面对目前行业里最难的视觉任务之一——单目视觉测量，继特斯拉后，毫末也在中国率先开始验证能否使用鱼眼相机代替超声波雷达进行测距，以满足泊车要求。毫末把视觉BEV感知框架引入到了车端鱼眼相机，做到了在15米范围内达到30cm的测量精度，2米内精度高于10cm的视觉精度效果。泊车场景使用纯视觉测距来取代超声波雷达，将进一步降低整体智驾成本。

易车超级评测体系重磅上线！专业、硬核、全面的汽车评测内容云集，易车年度车型榜单新鲜出炉！上易车App搜索“超级评测”，等你来看！

自动驾驶大模型（自动驾驶大模型概念股）

不「看地图」就能自己走的车，也能由毫末智行驱动

超级充电站刚讨论过 GPT 上车没几天，就有厂商带来新进展。

4 月 11 日的第八届 HAOMO AI DAY 上，毫末智行发布 DriveGPT 雪湖·海若，这是用于自动驾驶的生成式大模型，其参数规模已经达到 1200 亿。

DriveGPT 雪湖·海若目前可以在计算中心完成高效的场景识别标注，将每张图片的标注费用从约 5 元下降到 0.5 元。它也会赋能汽车，很快上市的新摩卡 DHT-PHEV 就以此获得城市领航辅助能力。

毫末 CEO 顾维灏说，「我们相信 DriveGPT 雪湖·海若将会重塑汽车智能化领域的技术路线。」

自动驾驶大模型，由毫末先发

ChatGPT 一石激起千层浪，也带来新的设想。

既然能让机器像人一样，对自然语言分析、推演再给出反馈，那么是不是也可用于增强自动驾驶，做到像真正的老司机一样开得又好又快？

观察道路理解正在发生的一切，推演并选择合适路线前行，是所有驾驶者习以为常的事情，也是重感知、轻地图技术方向下，自动驾驶必须达成的目标。而这，恰好也是生成式预训练 Transformer 模型（GPT）的长项。

毫末智行率先公开大模型研发成果，这就是 DriveGPT 雪湖·海若。暂且放下略显枯燥复杂的技术名词，让我先试着用通俗的话语描述它如何工作。

基于从影像翻译成「语言」的当前道路信息，DriveGPT 会预估出数个可能的场景，就像是奇异博士观测无数个未来。

接着它会考虑自己，预测当下这辆车将有怎样的行驶轨迹。最后 DriveGPT 把场景推演和行车轨迹结合起来，大模型的逻辑推理特性，使其确定出符合决策规则的行驶策略。

在经过 4000 万公里以上海量行车数据的训练后，DriveGPT 终于要自己来掌控车辆前行了，当然，是以符合道路交通法规和贴近人类驾驶为前提。

你可以像使用其他的生成式模型那样，用提示词改变它的行为模式，只不过输入方式会是导航路线、司乘语音提示等，开快还是开稳皆由此而定。

DriveGPT 的成果，将首发落地在搭载毫末 HPilot3.0 的新摩卡 DHT-PHEV 上，以城市 NOH 功能呈现。

也就是说，这辆全新的魏牌混动车不会对高精地图有强依赖，它能在城市道路上用「双眼」看路，接着在「大脑」中完成决策，最后自行前往目的地。

城市领航辅助可以丢掉高精地图的「拐杖」，但也要经过充分的验证才会开放给更多用户。

不过，毫末城市 NOH 已经在北京、保定、上海等城市开启泛化测试，到 2024 年时则有望在上百个城市可用，速度比起高投入慢产出的高精地图模式快了很多。

毫末将会通过 DriveGPT，覆盖更多自动驾驶场景的研发，给高速 NOH，城市巡航、驾驶捷径推荐、智能陪练、场景脱困等带去突破。

顾维灏还把目光望向了更遥远的地方：「我们希望能够抵达自动驾驶的终极场景：无人驾驶。」

在这个瞬间，我们似乎离完全自动驾驶更近了一步。

自动驾驶普及第一步？

毫末智行称，在乘用车高阶辅助驾驶上，目前已获得三家主机厂定点合同。在更多车型见证 DriveGPT 实力这件事，看来不会让我们等太久。

小鹏、理想等车企也已经开启自动驾驶大模型研发，毫末在这条路上并不孤单。小鹏日前已经在国内数个城市，率先开放了脱离高精地图路线的 XNGP 城区辅助驾驶，领先优势或将在大模型上车后拉得更开。

毫末的另两个动作，倒是把 DriveGPT 的未来走宽了。

一是把朋友变得多多的。

毫末宣布，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，成为 DriveGPT 雪湖·海若首批合作伙伴，它的潜力不止于自动驾驶。

能区分驾驶场景和非驾驶场景、理解驾驶环境下任意场景的 DriveGPT，还可用于场景识别标注任务。标注车道线、交通参与者、红绿灯等信息，每张图价格将从约 5 元下降到 0.5 元。

自动标注技术悄然流行，多个技术供应商都展示了自己的相关方案，亦有新势力高管表示，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。

毫末让更多企业能用上大模型，自动驾驶的生产力大爆炸说不定也不远了。

二是让高阶自动驾驶不再「高贵」。

特斯拉激进地采用纯视觉方案，之后又悄然调整找回雷达，让外界对纯视觉有了一些悲观。毫末似乎不认可如此观点，想要在已经成为行业共识的 BEV 方向中，用鱼眼相机替代超声波雷达。

引入视觉感知框架毫末智行的车端鱼眼相机，在当前有着值得另眼相看的视觉精度：在 15 米范围内可达到 30cm，2 米范围内精度则能达到 10cm。

有画面变形缺陷，原本在全场景辅助驾驶难当大用的鱼眼相机，变得颇有「眼力」。

如果该方案能大规模应用，鱼眼相机将代替超声波雷达完成自动驾驶感知工作，大幅降低高阶辅助驾驶使用成本。大疆等辅助驾驶方案商拿出了万元级别的城市 NOA，而鱼眼相机有可能把整套装车开销拉到「白菜价」。

在 2022 年，L2 以上能力装车规模达 585.99 万辆，渗透率达到了 29.40%。毫末智行预测，高阶智能驾驶搭载率将在 2025 年达到 70%，要达成这个规模，自然离不开发展和降本同步推动。

毫末展现了低售价高性能共存的希望，真正的自动驾驶人民之车，可能已经在路上。

【本文来自易车号作者超级充电站，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】

HAOMO发布自动驾驶生成式大模型DriveGPT

【TechWeb汽车】4月12日消息，在HAOMO AI DAY上，HAOMO发布业内首个自动驾驶生成式大模型DriveGPT，中文名“雪湖•海若”，毫末智行CEO顾维灏表示，DriveGPT将重塑汽车智能化技术路线。据介绍，DriveGPT雪湖•海若首发车型是新摩卡DHT-PHEV，即将量产上市。

毫末智行董事长张凯表示：“2023年智驾产品进入全线爆发期，大模型开启在车端的落地应用，车主的使用频率和满意度成为产品竞争力的重要衡量标准。”

顾维灏介绍，DriveGPT通过引入驾驶数据建立RLHF（人类反馈强化学习）技术，对自动驾驶认知决策模型进行持续优化，现阶段主要用于解决自动驾驶的认知决策问题，终极目标是实现端到端自动驾驶。

目前，毫末DriveGPT雪湖•海若实现了模型架构与参数规模的升级，参数规模达到1200亿，预训练阶段引入4000万公里量产车驾驶数据，RLHF阶段引入 5万段人工精选的困难场景接管Clips。

DriveGPT雪湖•海若的底层模型采用GPT（Generative Pre-trained Transformer）生成式预训练大模型，与ChatGPT使用自然语言进行输入与输出不同，DriveGPT输入是感知融合后的文本序列，输出是自动驾驶场景文本序列，即将自动驾驶场景Token化，形成“Drive Language”，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。

顾维灏进一步阐释，DriveGPT雪湖•海若具有三个能力：

1. DriveGPT雪湖•海若可以按概率生成很多个场景序列，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.在所有场景序列都产生的情况下，DriveGPT雪湖•海若能把场景中最受关注的自车行为轨迹量化出来，也就是生成场景的同时，会产生自车未来的轨迹信息；

3. 有了自车未来的轨迹信息之后，希望这条轨迹是可解释的，而GPT模型最擅长的领域便是对话和推理，DriveGPT雪湖•海若也很好地继承了这种特性，在生成场景序列、轨迹的同时，也会把整个决策逻辑链给输出。

顾维灏介绍，毫末在2023年1月发布的中国自动驾驶行业最大的智算中心MANA OASIS（雪湖• 绿洲）此次从算力优化等层面升级了三大能力，进一步支持DriveGPT雪湖•海若的算力。

首先，毫末与火山引擎全新搭建了“全套大模型训练保障框架”，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个月没有任何非正常中断,有效保证了大模型训练稳定性；

其次，毫末研发出以真实数据回传为核心的增量学习技术，并将其推广到了大模型训练，构建了一个大模型持续学习系统，自主研发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%；

最后，MANA OASIS通过提升数据吞吐量来降本增效，满足Transformer大模型训练效率，通过引入火山引擎提供的Lego算子库实现算子融合，端到端吞吐提升84%。

谈到DriveGPT雪湖•海若的实现过程，顾维灏介绍称，首先在预训练阶段通过引入量产驾驶数据，训练初始模型，再通过引入驾驶接管Clips数据完成反馈模型（Reward Model）的训练，然后再通过强化学习的方式，使用反馈模型去不断优化迭代初始模型，形成对自动驾驶认知决策模型的持续优化。

DriveGPT雪湖•海若的一个关键设计，就是场景的Token化表达，顾维灏把这种方式叫做Drive Language。

同时，DriveGPT雪湖•海若还会根据Drive Language输入端的提示语以及毫末CSS自动驾驶场景库的决策样本去训练模型，让模型学习推理关系，从而将完整驾驶策略拆分为自动驾驶场景的动态识别过程，完成可理解、可解释的推理逻辑链生成。

另外，顾维灏提到，DriveGPT雪湖•海若可以逐步应用到城市NOH、捷径推荐、智能陪练以及脱困场景中。有了DriveGPT雪湖•海若的加持，车辆行驶会更安全；动作更人性、更丝滑，并有合理的逻辑告诉驾驶者，车辆为何选择这样的决策动作。对于普通用户来说，车辆越来越像老司机，用户对智能产品的信任感会更强，理解到车辆的行为都是可预期、可理解的。

当前，毫末在使用数据过程中，逐步建立起一套基于4D Clips驾驶场景识别方案，具备极高性价比。在行业上，给出正确的标注结果，一张图片需要约5元；如果使用DriveGPT雪湖•海若的场景识别服务，一张图片的价格将下降到0.5元。单帧图片整体标注成本仅相当于行业的1/10。接下来，毫末会将图像帧及4D Clips场景识别服务逐步向行业开放使用，这将大幅降低行业使用数据的成本，提高数据质量，从而加速自动驾驶技术的快速发展。

目前，毫末DriveGPT雪湖•海若已正式对外开放，开启对限量首批客户的合作，北京交通大学计算机与信息技术学院、高通、火山引擎、华为云、京东科技、四维图新、魏牌新能源、英特尔等已经加入。毫末DriveGPT雪湖•海若大模型的成果将首发落地在搭载毫末HPilot3.0的新摩卡DHT-PHEV上。

顾维灏表示，毫末DriveGPT雪湖•海若将携手生态伙伴率先探索四大应用能力，包括智能驾驶、驾驶场景识别、驾驶行为验证、困难场景脱困。

【本文来自易车号作者TechWeb，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】

以上就是关于自动驾驶大模型相关问题的回答。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。