作者｜桑明强

时间拨回到 2013 年，在新成立的深度学习实验室里，百度拆分出自动驾驶研发团队，至今已有十年时间。

作为国内在自动驾驶领域积淀最深的玩家，李彦宏曾在《智能交通》书中把自动驾驶比喻成一个复杂的系统，而到达 L4 级自动驾驶阶段，要平衡的两个关键因素是“能力”和“规模”，二者相辅相成——不具备过硬的技术能力就无法在扩展规模的同时保证安全；反之，市场规模跟不上，驾驶系统无法获得充分验证，就不能更快地迭代技术能力。

时间来到 2023 年，这个判断已成为如今自动驾驶领域最真实的写照。一方面，许多主攻 L4 的算法公司，在商业化的压力下，把方向逐渐转向可量产落地的 L2；另一方面，有能力做端到端解决方案的玩家仍屈指可数，碎片化、低效的解决方案横行市场。以至于很多人开始怀疑，自动驾驶研究是否已经到了瓶颈期。

但事实真的如此吗？答案是否定的。

宋飞是百度智能云云计算解决方案和运营部总经理，他认为自动驾驶即将迎来一个新的高速发展期。一方面，以蔚小理为代表的新能源车企掀起的智能化革命，让市场对 L2+ 及以上的自动驾驶需求空前旺盛，另一方面，云技术和 AI 的强势崛起，以及对大模型能力的运用，让原本日渐内卷的自动驾驶有了新的破局点。

作为 AI 落地的一个关键场景，今天的自动驾驶已经是车企们的兵家必争之地，随着辅助驾驶的渗透率已经突破了 40%，车企对自动驾驶的需求，也从车端到云端、从数据采集到仿真训练的全流程闭环，这同时也对各自动驾驶厂商提出了更高的要求。

01

自动驾驶落地难题

技术层面与行业现实的挑战

很多人不知道的是，自动驾驶其实是个极为复杂的问题，抛开相对宏大的社会接受度问题，现如今的自动驾驶主要面临的是来自行业和技术层面的挑战。

现阶段业界对高级别的自动驾驶系统定义，主要包括建图和定位、感知、决策规划和控制四大模块，另外无人驾驶系统还会安装各种传感器。但如果按照 SAE 等级分类的话，L2 仍然是当前量产辅助驾驶系统的极限，无论如何宣传，均没有在实际体验上带来质变。

原因很简单，从技术实现角度来看，自动驾驶也有“二八效应”，体现在当下阶段，许多 ADAS 玩家还处于过去标准、成熟的 L0-L1 产品的发展阶段。他们不需要考虑工程化问题，也不需要解决海量的长尾问题，只要用 20% 的投入，就能解决 80% 的问题。

但随着时间推移，人们开始意识到要实现真正的自动驾驶极其艰难——剩下 20% 的问题，涉及到更复杂的道路、海量但出现概率极低的长尾场景以及层出不穷的工程问题。有不少玩家已经烧光了几十亿甚至上百亿美元，仍没能取得大的突破。

这也造成了当下自动驾驶行业的现状：大量玩家在 L2 门口扎堆。

除此之外，一些业内人士也对现状表达更多的担忧。“各方势力在 L2 基础上，针对细分场景进行缝缝补补，虽然能解决自动驾驶开发流程中的某些环节的单点问题，却缺乏对自动驾驶研发过程的整体把控，很多方案之间彼此间不能兼容，更别谈高效协同和降本增效了。”

如果要真正解决问题，不仅需要服务提供方对整个自动驾驶业务有深入的了解，也需要其深入到整个研发过程中，具备为车企提供端到端的自动驾驶解决方案和相关的研发工具的能力。

宋飞以百度智能云这些年的经验为例，“过去我们团队做了很多水面下的工作，解决了自动驾驶端到端的研发过程中遇到的很多难题。自动驾驶这个领域就是这样，只有把众多环节都亲自做一遍，包括最基础的数据采集、管理与应用，才有可能在这个基础上打造出极具性价比的端到端解决方案。”

02

端到端的工具链

加速数据驱动的自动驾驶研发过程

“有一个很明显的变化，现在的自动驾驶已经变成数据驱动了。”在《新眸》和宋飞的交流中，数据是他口中的高频词，背后的原因很简单——在自动驾驶研发的过程中，数据贯穿了从采集、标注、训练、仿真等全部环节。

“从数据采集与处理分析，到模型训练和仿真，再到最后的验证，整个环节说起来容易，但真正把它高效串连起来，中间还有很多的细节工作是要去做的。”

如宋飞所述，现在的自动驾驶乃至汽车智能化的落地，各方比拼的，既有做事的耐心，也有对业务场景的理解能力。他以百度自动驾驶工具链为例，它充分融合了百度 10 年自动驾驶研发过程中遇到的各种长尾需求和场景、 5000 多万公里的真实路测数据，为客户提供了全栈的自动驾驶研发工具。目前已支持 EB 级别数据的高效管理、日行千万公里仿真里程和全流程的数据合规。

当然，这还不是最强大的。据宋飞介绍，现在的百度智能云自动驾驶工具链还可以根据客户需求输出模块化能力，就像搭乐高积木一般，客户可以结合自身的业务按需灵活取用，快速补齐短板，降低车企在自动驾驶研发过程中的实际研发投入的同时，提升车企的研发效率。

在百度智能云的自动驾驶解决方案里，工具链是非常重要的一环，但还不是全部。百度智能云区别于其他玩家最大的不同，就是在深入产业的探索中，围绕“数据闭环—工具链—大模型—异构计算平台”，把“云智一体”融进到具体的实践上。

03

「云智一体」战略在汽车行业的百度样本

在宋飞看来，云智一体是自动驾驶业务发展到一定阶段后的必然结果——他以自动驾驶与云计算的融合为例，起初人们主要关注基础设施，云计算仅仅停留在提供各类计算、网络、存储等资源；随着越做越深，车企开始谋求智能化升级，云计算也从传统的云升级成了 AI 原生云。

拿“云”来说，根据 IDC 的报告显示，每一次向高阶驾驶演进，对于云的基础设施、平台、应用、服务的消耗量都要上升一个数量级。用自动驾驶感知算法来举例，以前一个 L3 级别的 Demo，只需百万级图片和几十张训练卡，花几百万就能实现。但如果要实现 L3 级别的量产，投入的资金可能就达到千万级甚至上亿。而到了 L4 级别的自动驾驶，从原型到量产，中间要处理的数据量、消耗的 GPU 资源和投入的研发费用，都将以指数级别增加，对云端异构资源的需求也呈现井喷式增长。

因此，在高阶自动驾驶研发过程中，除了云端资源的性能和稳定性之外，是否能提供大规模异构算力、拥有健全的生态系统，以及解决方案是否拥有较高的性价比则成了另外的考量因素。尤其是在性价比——在上云的基础上，谁能将软硬件协同发挥出最大的效率，谁就掌握了主动权，这几乎已经成了全行业的共识。

百度智能云最新提出的「AI 大底座」由两个重要部分组成：一是解决算力问题的百舸计算平台，为自动驾驶研发过程提供了海量异构资源的支持；另一个是 AI 中台，覆盖了 AI 开发的全生命周期，可以帮助车企极大加速自动驾驶的研发过程。

事实上，云给自动驾驶的研发带来的提升是肉眼可见的，甚至将改变原有的生产方式。比如前段时间，百度智能云联合 NVIDIA 在 GPU 卡上，针对常见智驾场景感知模型进行一系列的软硬一体优化，实现了最高 400% 的吞吐量提升，训练时间缩短 80%。

至于“智”，则是大家熟悉的大模型。据宋飞介绍，目前百度文心大模型的能力已经应用到数据挖掘场景中，而在未来，它还将被应用到工具链的每一个环节，比如可以通过输入“标注所有的红绿灯”就可以实现对图片的快速标注，从而进一步提升自动驾驶的研发效率。

04

历史进程中的自动驾驶

回溯中国自动驾驶过去的沸腾十年往事，它曾被大众寄予了太多改变世界的厚望，在国内催生了一段群雄并起、热钱涌动的黄金岁月。巅峰时期，它曾一度引领着 AI 创业的方向，几乎每隔一段时间就会有一个新玩家宣布入局。

风口之外，值得深思的地方还很多。从单车智能到车路协同的路线之争，到“渐进式”与“跨越式”、亦或者百度坚持的“技术降维，数据反哺”路线之争，不同的战略选择背后，终极目标都是自动驾驶的普及和应用。

但有一点毋庸置疑，在轰轰烈烈的汽车智能化浪潮下，自动驾驶还会继续向前继续发展。

最典型的例子，根据 IDC 的预测，国内自动驾驶研发解决方案市场未来五年复合增速预计高达 90.0%，以未来汽车云市场竞争的关键变量为例，百度智能云相比去年同期实现了 162% 的超高速增长。

当被问及如何看待这场云和自动驾驶的融合时，宋飞的回答很诚恳，“这将是一个大市场，未来百度能做的、要做的还有很多，关键是理解市场，理解客户。我们也期待在未来可以让自动驾驶走入千家万户，为国内汽车行业智能化转型提供百度的云上方案”。