作者|張霽欣

編輯|冒詩(shī)陽(yáng)

汽車像素(ID:autopix)原創(chuàng)

幾天前，小米 SU7 部分推送了最新的先鋒版智能駕駛系統(tǒng)，全國(guó)都能開(kāi)、車位到車位，能力超越很多頭部新勢(shì)力。小米的智駕能力，為什么可以快速迭代？我們今天來(lái)聊聊，這套很有爭(zhēng)議的技術(shù)。

2023 年下半年開(kāi)始，端到端智駕大模型，被公認(rèn)是實(shí)現(xiàn)高階智能駕駛的技術(shù)方向。

將海量真實(shí)，或仿真的駕駛數(shù)據(jù)搜集起來(lái)，輸入給 AI 大模型進(jìn)行訓(xùn)練。訓(xùn)練成熟以后，未來(lái)的 AI 將可以模仿老司機(jī)的駕駛方式，來(lái)幫助人類開(kāi)車。

這套技術(shù)先是特斯拉在做，后來(lái)小鵬、理想、蔚來(lái)、小米，甚至比亞迪。可以說(shuō)所有前沿車企，人手一個(gè) AI 大模型。但隨后，大家發(fā)現(xiàn)一個(gè)問(wèn)題，沒(méi)有人真正追上特斯拉，甚至在很多層面上，差距還越來(lái)越大了。

要解決大模型的問(wèn)題，國(guó)內(nèi)車企分成了兩派，一個(gè)是華為、小鵬為代表的，繼續(xù)加強(qiáng)訓(xùn)練。這需要非常大量、優(yōu)質(zhì)的訓(xùn)練數(shù)據(jù)。比如小鵬大模型的訓(xùn)練數(shù)據(jù)量，已經(jīng)達(dá)到了 2000 萬(wàn) clips。這是起步晚的小米所做不到的，它積累的數(shù)據(jù)量?jī)H有 300 萬(wàn)。

如果硬要學(xué)小鵬，需要大量的車在路上收集數(shù)據(jù)，回傳之后訓(xùn)練，最快也得一年才能追趕上。這個(gè)時(shí)間，對(duì)于小米來(lái)說(shuō)，有點(diǎn)太久了。

于是小米、理想為代表，國(guó)內(nèi)車企有了第二種方案。在智駕大模型的基礎(chǔ)上，加上一個(gè)數(shù)據(jù)體量沒(méi)那么大的 VLM 模型，作為輔助。

VLM 的全稱，是視覺(jué)語(yǔ)言模型，可以把圖像用文字描述出來(lái)，這就需要先理解圖像的內(nèi)容，現(xiàn)在的智駕大模型是通過(guò)大量訓(xùn)練，做出的肌肉記憶，優(yōu)勢(shì)是反應(yīng)快，但它不能真的像人類一樣，理解場(chǎng)景、思考推斷，關(guān)鍵時(shí)候能變通。

VLM 就是幫忙解決這個(gè)問(wèn)題的，比如這樣一個(gè)場(chǎng)景。

現(xiàn)在的智駕大模型，可以準(zhǔn)確識(shí)別出紅框中的要素，并根據(jù)大數(shù)據(jù)提供的駕駛經(jīng)驗(yàn)，快速做出決策，這個(gè)決策大部分時(shí)候都沒(méi)問(wèn)題，而且可能很老練，但并不意味著智駕大模型能夠理解這個(gè)場(chǎng)景，知道這里在發(fā)生什么。比如行人、車輛、紅綠燈之間可能的關(guān)系，未來(lái)會(huì)發(fā)生什么變化。

VLM 在這時(shí)，可以對(duì)場(chǎng)景進(jìn)行解讀，給到補(bǔ)充信息，它能夠理解，這是個(gè)紅燈場(chǎng)景，所以行人在穿過(guò)馬路，而自己在左轉(zhuǎn)道上，準(zhǔn)備等綠燈左轉(zhuǎn)。

簡(jiǎn)單來(lái)說(shuō)，VLM 就是一個(gè) “看圖說(shuō)話” 能力強(qiáng)的模型，可以輔助 “解讀” 很多信息，比如判斷哪一條是公交車道、潮汐車道等等。以上這些問(wèn)題，如果僅靠智駕大模型，需要海量的數(shù)據(jù)來(lái)訓(xùn)練，才能做到接近 100% 的準(zhǔn)確度。訓(xùn)練不夠時(shí)，VLM 像是一個(gè)外掛的教練，坐在副駕上，輔助端到端大模型開(kāi)車

既然這么好，為什么其他車企不用呢？

VLM 最大的問(wèn)題，是延遲。這個(gè)模型要分析和理解場(chǎng)景，所以在車端算力受限時(shí)，需要比較長(zhǎng)的時(shí)間。比如理想的 VLM ，從感知到出結(jié)果，大概需要一秒鐘左右。要知道，車速在 80 km/h 的時(shí)候，一秒鐘可以行駛 22 米，這個(gè)延遲，是不滿足智能駕駛實(shí)時(shí)性需求的。

另一個(gè)問(wèn)題，是訓(xùn)練的難度。雖然 VLM 模型所需要的數(shù)據(jù)量，不像智駕大模型那么大，但要求更刁鉆，需要在每個(gè)訓(xùn)練數(shù)據(jù)中，都提供圖像和文本的對(duì)應(yīng)。這就只能通過(guò)人工，做視覺(jué)問(wèn)答標(biāo)注，過(guò)程復(fù)雜且耗時(shí)。最終的質(zhì)量也難以保證，畢竟不同人，對(duì)于同一個(gè)場(chǎng)景的理解，會(huì)有偏差，寫成文本，差異就更大了。

VLM 能短期內(nèi)，彌補(bǔ)端到端大模型下限低的問(wèn)題，給智駕大模型那 0.1% 的問(wèn)題兜底。但長(zhǎng)期來(lái)看，這種并列多個(gè)模型的路線，并不是智駕的最終局。

本文為汽車像素（autopix）原創(chuàng)內(nèi)容

未經(jīng)授權(quán)，請(qǐng)勿轉(zhuǎn)載

       原文標(biāo)題 : 小米 SU7 ，智駕方案為何不選華為路線丨Pix視頻