AI汽车呼啸而来，行业亟待破局

进入2024年以来，我国自动驾驶行业迎来诸多利好消息。日前，工业和信息化部等四部门发布，我国首批确定由9个汽车生产企业和9个使用主体组成的联合体，将在北京、上海、广州等7个城市展开智能网联汽车准入和上路通行试点。 另据公安部发布的数据显示，截至今年8月底，公安机关已累计发放自动驾驶汽车测试号牌1.6万张，开放公共测试道路3.2万公里，有力支撑自动驾驶技术验证和迭代更新。 业内普遍认为，汽车产业新能源是上半场，智能化是下半场，以自动驾驶为核心的AI汽车则是终极目标。在自动驾驶到来之前，AI汽车为人们的生活带来了切实的安全性和便利性。 为此，中国电动汽车百人会日前发布了研报人工智能赋能新能源智能汽车发展，对此进行了剖析，并提出了一系列建议。 1ONE 新质生产力的关键驱动 今年的政府工作报告指出，要大力推进现代化产业体系建设，加快发展新质生产力；充分发挥创新主导作用，以科技创新推动产业创新，加快推进新型工业化，提高全要素生产率，不断塑造发展新动能新优势，促进社会生产力实现新的跃升。 在清华大学计算机科学与技术系教授邓志东看来，自动驾驶无疑属于创新驱动发展先进生产力的典型代表，是建设交通强国、加速发展人工智能新质生产力的关键驱动。 邓志东解释道，自动驾驶作为一项颠覆性的重大前沿技术，具有原创性、高效能与高质量的内涵特征，能够带来交通与出行方式的重大变革，也会带来出行服务质量、安全性与整体交通运输效率的大幅度跃升，同时符合绿色、低碳、共享等新发展理念。 Momenta CEO曹旭东也表示，自动驾驶是人工智能上的感知智能和认知智能的结合，对于AI能力是非常好的应用，并且会牵引着技术进一步的提升，无疑是新质生产力的代表。“新质生产力对技术的牵引，以及由此带来的技术升级，能够给消费者和社会创造价值。” 有从业人员认为，目前L2+级自动驾驶对自己的吸引力不大，因为功能不够完善，在城市通行过程中肯定不会把车辆的控制权完全交给它，只是偶尔使用能够节省一定精力；但如果到了L3级别能实现点到点的完全操控，将会有很大的吸引力。 2TWO 制约因素 虽然，AI汽车整个产业链都在突飞猛进的发展，但不可否认的是，制约因素仍然很大。 中国电动汽车百人会研报人工智能赋能新能源智能汽车发展显示，智能算力基础设施的不足，是智能网联汽车加速发展的主要制约因素。汽车与AI深度融合，端到端智能驾驶、座舱大模型等加速上车，对智能算力的需求快速增长。智能驾驶端到端技术路线所需算力为1 EFLOPS起，理想算力需达100 EFLOPS以上；座舱基础AI大模型训练需10 EFLOPS算力以上，垂类模型训练及微调需数百到数千PFLOPS。 算力供给方面，我国车企算力平均仅为3 EFOLPS左右，相较于特斯拉的100 EFLOPS差距巨大；移动、电信、联通三大运营商规划算力也仅为53 EFLOPS（至2024年底）。智能算力供给不足将制约我国汽车智能化算法的快速迭代。 “成熟”算力难增长，新增算力“不成熟”。“成熟”算力指英伟达的“有芯片、有软件生态”智能算力，但受美国出口管制影响，我国只能使用存量芯片进行AI计算，“成熟”算力总量受限。 “不成熟”算力指华为昇腾、寒武纪、海光、摩尔线程等的“有芯片、缺软件生态”的智能算力，此类芯片已初步形成供应能力，但各家硬件架构不一，软件生态覆盖、兼容算法尚不完善，软件开发人员使用困难导致算力基础设施拓展缓慢，算力应用效率偏低。需丰富“不成熟”算力软件、生态，减少算力硬件“卡脖子”的问题。 3THREE 建议 那么，该如何破解这些制约因素呢？ 中国电动汽车百人会研报人工智能赋能新能源智能汽车发展建议： 1.加强人工智能赋能汽车产业的政策支持，构建开放包容的监管环境 当前，汽车产业的竞争战略正在从电动、智能为主的竞争向AI领域快速转移，过去电动化领域的支持政策已不适应AI发展的需求。 在基础技术方面，应尽快出台支持汽车产业与AI深度融合发展的政策，加强对基础大模型、AI训练芯片及工具链生态、万卡及以上算力集群、数据闭环工具、AI原生操作系统等底层基础技术的研发攻关，构建自主技术体系。 在监管环境方面，AI大模型与汽车产业融合仍处于初期，应坚持以鼓励应用、安全底线的原则，适当放宽对新技术的容忍度，可充分借鉴欧美关于信息安全、数据安全的法规标准认证制度，鼓励AI更好发展。 2.推动智能算力共建共享 随着大模型的快速发展与应用，行业对智能算力的需求快速增长。国际上，基础大模型科技巨头智算能力已达到百万块GPU（以A100为单位）的能力，而国内巨头智能能力仅达到数万到数十万块GPU，与国际上存在数量级差距。基于此，应推动政府和行业机构牵头，推动国内存量英伟达GPU等“成熟”算力资源集中共享，保障基础大模型的训练迭代速度，减少重复建设带来的资源浪费。 针对使用华为昇腾、寒武纪、壁仞科技、摩尔线程等国产AI训练芯片的“不成熟”算力共建，通过实际应用迭代工具链和生态，加速国产AI训练芯片的成熟与规模化应用。 3.提升高质量数据供给能力 AI大模型上车应用对高质量数据要求很高，尤其是端到端智能驾驶领域，数据量和质量已成为决定智驾体验最主要的因素。国内车企独立采集数据、独立训练的模式很难和特斯拉等国际巨头竞争。在端到端训练数据方面，国内车企智能驾驶训练数据仅在百万Clips级别，远低于特斯拉超1000万Clips的数据量。因此，国内应尽快统一汽车数据采集、标注、传输及加密标准规范，加快制定数据定价、权责划分、流通交易等制度，为构建数据共享平台奠定基础。建议地方政府先行先试，探索敏感数据合法合规流通路径，构建开源智能驾驶数据集共建平台，以形成场景覆盖全面、采集成本最低的数据供给体系。 4.坚定跨界融合发展战略，加速赋能车企智能化、AI化转型发展 汽车进入智能化、AI化发展阶段，底层技术、研发模式、人才结构等相比电动化阶段发生巨大变化，传统车企单纯依靠自身力量很难实现转型。要坚定跨界融合发展的战略路线，鼓励车企和芯片、操作系统、智能驾驶解决方案等供应商深度合作，如投资入股、成立合资公司、共研核心技术等方式，构建车企具备主导能力的产业生态。加快构建跨界创新平台，制定跨界产品上车应用的产品及技术标准、检测认证体系等，解决新技术上车“最后一公里”的问题。 5.完善大模型标准及评价体系 大模型在智能座舱领域的应用呈现加速态势，人机交互体验显著提升，但同时，大模型在训练数据合规性与可靠性、数据传输阶段的泄露等数据安全方面，在生成内容存在的偏见、幻觉、虚假信息等内容可控方面，在对语言的理解能力、逻辑推理、信息归纳等场景应对能力等方面仍存在隐患。 下一步要尽快建立大模型上车与评价标准体系，一是针对人机交互、车辆控制等强需求领域，基于差异化场景制定大模型上车标准；二是加强大模型基础理论研究，不断拓展大模型与汽车产业融合应用的标准体系，加快明确大模型透明度和可解释性；三是明确大模型数据安全、模型训练、模型使用等环节的安全要求，完善大模型安全评估的流程、方法、工具。