2023伊始，先是开年毫末智行举办HAOMOAIDAY，放出自动驾驶行业最大智算中心，再有小鹏、理想新春全员信剑指城市导航辅助驾驶，随后是对话式AI大模型ChatGPT火遍全网，自动驾驶AI技术再次成为顶流。
无论是自动驾驶的“进城”，还是ChatGPT的“进化”，其背后都是对数据、算力需求指数级增长的态势以及对大模型的训练。当需求上来了，智算中心作为自动驾驶的“新基建”也就被业界越来越多的提及。智算中心即智能计算中心，是基于人工智能理论，采用领先的AI计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施，换句话说，智算中心其实是一个算力的供应和生产平台。那为什么有了它“自动辅助驾驶”就可以变为“自动驾驶”了？
“降服”自动驾驶边际成本 自动驾驶智算中心“专云专用”
有人说，智算中心是自动驾驶发展的助推器，因为自动驾驶算法模型训练是机器学习的典型场景之一，其视觉检测、轨迹预测与行车规划等算法模型需要同时完成高并发的并行计算，对算力有着极高的需求，而智算为提高算法模型的成熟度提供了巨大的算力。在自动驾驶领域，说起智算中心，还得先提特斯拉。2017年，Transformer网络出现后，奠定了当前大模型领域主流的算法架构基础，随后，2020年，特斯拉将Transformer大模型引入自动驾驶领域中，是AI大模型应用于自动驾驶的开端。在这之后，特斯拉开始着手打造属于自己的AI计算中心——Dojo，总计使用了1.4万个英伟达的GPU来训练AI模型。为了进一步提升效率，特斯拉在2021年发布了自研的AI加速芯片D1，并计划将25个D1封装在一起组成一个训练模块（Training tile），然后再将训练模块组成一个机柜（Dojo ExaPOD）。最近一期的特斯拉AI DAY上，马斯克称将于2023年一季度部署完成特斯拉超级计算机群组ExaPOD。国内方面，2022年8月，小鹏汽车和阿里云合建了当时国内最大的自动驾驶智算中心“扶摇”，专门用于自动驾驶模型训练，算力规模达600PFLOPS，相当于每秒可以完成60亿亿次浮点运算。不过这个记录仅仅维持了4个多月。
今年1月，毫末智行联合火山引擎，共同推出自动驾驶行业最大的智算中心MANA OASIS（雪湖·绿洲），每秒浮点运算达67亿亿次，存储带宽每秒2T，通信带宽每秒800G。吉利也在1月28日上线了吉利星睿智算中心，目前已接入智能驾驶和车联网实验数据近百PB，在线车辆的并发计算支持达百万辆。从现有情形来看，成本和需求两重因素，是智算中心的诱人之处。
成本层面，算力作为自动驾驶的基本要素，需要更高性能的智算中心来完成训练、标注等工作。以毫末的MANA OASIS为例，通过部署Lego高性能算子库、ByteCCL通信优化能力，以及大模型训练框架，软硬一体，毫末把算力优化到极致。在训练效率方面，基于Sparse MoE，通过跨机共享，轻松完成千亿参数大模型训练，且百万个clips（毫末视频最小标注单位）训练成本只需百卡周级别，训练成本降低100倍。搭建高效、低成本的数据智能体系是自动驾驶技术健康发展的基础，也是自动驾驶系统能够不断迭代前行的重要环节，更是自动驾驶商业化闭环的关键所在。
小鹏汽车董事长何小鹏曾表态，“如果现在不以这样的方式（智算中心）提前储备算力，那么今后5年内，企业算力成本会从亿级，加到数十亿级。”
如果持续使用公有云服务，边际成本不断上涨只是一方面，更重要的是，智算中心可以让自动驾驶企业实现“专云专用”。自动驾驶的开发包括从数据采集到数据筛选、打标、模型训练、回放性验证、仿真测试等等环节。而云计算的本质是租赁计算设备，云服务商的设备都是统一采购，为了获得更多客户，这些设备都具备很大的通用性，设备内部使用的CPU、GPU/AI加速器、内存的型号与规格都相对固定，很难与车企和自动驾驶公司的算法形成最佳匹配。云服务厂商对自动驾驶算法的了解程度不高，不可避免的会在调度算力时出现损耗和效率不高的问题。从需求的角度来看，智算中心似乎可以成为自动驾驶和车企的托底神器。
同样以毫末为例，有了MANA OASIS的加持，毫末MANA五大模型全新亮相升级，车端感知架构实现跨代升级，毫末的技术栈布局继续保持完整领先的态势，尤其在感知、认知等层面领跑行业，引领大模型、大算力、大数据发展方向，冲刺进入自动驾驶3.0时代。拿数据采集、筛选和标注来说，自动驾驶系统在前期开发阶段，需要采集大量的道路环境数据，以此让车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。唯一的办法是，通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不断提升。
车企收集到的数据还需要进行模型训练，算法通过在数据上进行运算产生模型，而智算中心将是驱动大模型和海量数据训练的加速器。基于Sparse MoE，毫末根据计算特点，进行稀疏激活，提高计算效率，实现单机8卡就能训练百亿参数大模型的效果，实现跨机共享exper的方法，完成千亿参数规模大模型的训练，训练成本降低到百卡周级别；毫末设计并实现了业界领先的多任务并行训练系统，能同时处理图片、点云、结构化文本等多种模态的信息，既保证了模型的稀疏性、又提升了计算效率；MANA OASIS训练效率提升了100倍。
毫末智行CEO顾维灏也在详细阐释了建设智算中心的底层逻辑：“自动驾驶对智算中心的第一要求肯定是算力。智算中心的超大算力代表了有多少的AI工程师在这个练武场中能够做出什么大模型，能训练多少大模型。”
智能辅助驾驶“进城” MANA OASIS帮助毫末解决了哪些难题？
现在很多车企和自动驾驶技术企业已经开始把打造智算中心当成下一阶段竞争重点。今年1月的HAOMO AI DAY上，毫末智行董事长张凯给出了2023年自动驾驶行业趋势的十大新预测，超算中心赫然位列“超算中心会成为自动驾驶企业的入门配置。”
当下，随着新能源汽车品牌普遍已经把高速公路场景下的辅助驾驶列为标配，赛场已经悄然从高速路转向城市。与高速导航辅助驾驶相比，城市行车涉及了红绿灯、十字路口、行人电动车、遮挡、固定障碍物、频繁刹停起步等一系列难题，复杂度又提升了好几个数量级。
如果仅用实测车辆去挑战这些城市场景无法穷尽的Corner Case，成本、安全性、时间都将成为企业发展的壁垒。由此，虚拟仿真就成为了解决部分成本及场景多样性的关键，大规模的长尾场景需要数据中心提供充足的算力支持。仿真场景对现实的回归过程，同样需要巨大的算力提供支持。
在MANA OASIS的加持下，毫末的数据智能体系MANA五大模型全新亮相升级。而在五大模型助力下，MANA最新的车端感知架构，从过去分散的多个下游任务集成到了一起，形成一个更加端到端的架构，包括通用障碍物识别、局部路网、行为预测等任务，毫末车端感知架构实现了跨代升级。这也意味着毫末的感知能力更强，产品力更强，向全无人驾驶加速迈进。视觉自监督大模型，让毫末在中国首个实现4D Clip的自动标注。毫末利用海量videoclip，通过视频自监督方式，预训练出一个大模型，用少量人工标注好的clip数据进行Finetune（微调），训练检测跟踪模型，使得模型具备自动标注的能力；将已经标注好的千万级单帧数据所对应的原始视频提取出来组织成clip，其中10%是标注帧，90%是未标注帧，再将这些clip输入到模型，完成对90%未标注帧的自动标注，进而实现所有单帧标注向clip标注的100%的自动转化，同时降低98%的clip标注成本。毫末视频自监督大模型的泛化性效果极佳，即使是在一些非常困难的场景，例如严重遮挡的骑行者，远处的小目标，恶劣的天气和光照，都能准确地完成自动标注。3D重建大模型，助力毫末做数据生成，用更低成本解决数据分布问题，提升感知效果。面对“完全从真实数据中积累corner case困难且昂贵”的行业难题，毫末将NeRF技术应用在自动驾驶场景重建和数据生成中，它通过改变视角、光照、纹理材质的方法，生成高真实感数据，实现以低成本获取normal case，生成各种高成本corner case。3D重建大模型生成的数据，不仅比传统的人工显式建模再渲染纹理的方法效果更好、成本更低。增加NeRF生成的数据后，还可将感知的错误率降低30%以上，且数据生成可实现全程自动化，无需任何人工参与。多模态互监督大模型则可以完成通用障碍物的识别。毫末在成功实现车道线和常见障碍物的精准检测后，针对城市多种异形障碍物的稳定检测问题，毫末正在思考和探索更加通用的解决方案。毫末的多模态互监督大模型，引入了激光雷达作为视觉监督信号，直接使用视频数据来推理场景的通用结构表达。该通用结构的检测，可以很好地补充已有的语义障碍物检测，有效提升自动驾驶系统在城市复杂工况下的通过率。动态环境大模型，可以精准预测道路的拓扑关系，让车辆始终行驶在正确的车道中。在重感知技术路线下，毫末为了将对高精地图的依赖度降到最低，面临着“道路拓扑结构实时推断”的挑战。毫末在BEV的feature map（特征图）基础上，以标精地图作为引导信息，使用自回归编解码网络，将BEV特征，解码为结构化的拓扑点序列，实现车道拓扑预测。让毫末的感知能力，能像人类一样在标准地图的导航提示下，就可以实现对道路拓扑结构的实时推断。毫末认为，解决了路口问题实际就解决了大部分城市NOH问题。目前在保定、北京，毫末对于85%的路口的拓扑推断准确率高达95%。即便是非常复杂、非常不规则的路口，毫末也能准确预测，比老司机还老司机。
人驾自监督认知大模型在今年2月已经被正式升级为DriveGPT，这也是全球首个自动驾驶认知大模型。它能让毫末的驾驶策略更加拟人化，安全及顺畅。毫末DriveGPT已完成模型搭建和第一阶段数据的跑通，参数规模可对标GPT-2的水平。DriveGPT将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。仿真测试能有效缩短技术和产品开发周期，降低研发成本。业内典型的长尾场景问题不够丰富，现实中可遇而不可求的极端场景，利用仿真平台可以便捷生成。由于仿真测试中的模拟环境需要实现多模态融合，以支持传感器模组的复杂性，因而也需要大算力的支持。
除了毫末，特斯拉超算中心拥有近2万张GPU，对自动驾驶训练效率产生立竿见影的效果，最大限度地提升了自动驾驶系统的开发效率；大陆集团的高算力集群，将开发周期从几周缩短至几个小时，使自动驾驶得以在中短期商业计划中落实；机器学习时间的缩短加快了新科技进入市场的速度；“扶摇”支持小鹏自动驾驶核心模型的训练时长从7天缩短至1小时内，大幅提速近170倍……
当前，一个不争的事实就是，在自动驾驶领域具有长期规划的车企，无论是造车新势力还是传统品牌，或者技术供应商，都在搭建自己的超算中心，以掌握稳定的算力资源，缩短开发周期，加快自动驾驶产品的上市。相反，如果没有超算中心，那么自动驾驶训练速度将明显放缓，自动驾驶企业间的差距也将愈发明显。用智算中心打造数据护城河 数字新基建逐步成为发展“标配”
自动驾驶发展至今，业界发现乘用车智能辅助驾驶是最有可能大规模铺开的商业场景。据高工智能汽车研究院数据显示，2022年中国市场（不含进出口）乘用车前装标配搭载L2级辅助驾驶的搭载率，已经连续第二个月超过30%。智研咨询数据显示，预计到2025年，全球新车L2自动驾驶的渗透率可达53.99％。
今年，城市导航辅助驾驶也开启了量产的征程。西部证券预测，2023～2025年，国内市场上搭载城市导航辅助驾驶的车型将分别达到70万、169万和348万辆，占比将分别达到17％、40％和70％。
在城市导航辅助驾驶落地加速的背景下，更容易复制、拓展的重感知的方案，受到了更多关注。在重感知技术路线下，面对“道路拓扑结构实时推断”的挑战，毫末的选择是在特征图基础上，以标精地图作为引导信息，使用自回归编解码网络，通过结构化的拓扑点序列解码，实现车道拓扑预测。由此不难看出，业界逐渐达成共识的重感知路线，相比高精地图方案，更依赖算力加持。
人工智能是创新的加速器，智算中心则可以为各类技术创新提供支撑。一方面，智算中心可以为构建安全可信、可复用的技术研发环境提供算力设施支撑，为各领域科技研发提供智能计算服务，加速科技研发的进程；另一方面，智算中心是新一代信息技术的集成应用载体，智算中心的快速建设推广与规模化应用将推动通信服务网络、大数据、人工智能等技术的快速迭代，从而促进技术创新。自动驾驶数据是片段式的，特点是小文件多，达到百亿个，而且训练需要交换的数据多，智算中心可以提供充足的带宽，并且可以让自动驾驶模型拥有更好的并行计算框架，在训练的时候把硬件资源都利用起来。
2020年4月20日，国家发展改革委首次明确新型基础设施的范围，其中就包括以智能计算中心为代表的算力基础设施。2023年1月10日，国家工业信息安全发展研究中心推出《智能计算中心2.0时代展望报告》，指出经过5年多发展，智算中心正由1.0粗放扩张阶段走向2.0精细规划阶段。
根据相关统计和测算，目前全国超过30个城市在建或筹建智算中心，未来5年我国智能算力规模年复合增长率将达52.3%。智算中心的创新发展，将进一步为人工智能夯实“算力底座”，成为带动人工智能及相关产业快速发展的新引擎。
“我们测算，智算中心带来的成本优化是惊人的，将达到亿元级别。”这是今年1月，张凯提出的预测。从目前及未来的规划量产规模来看，毫末自建智算中心可节约巨额成本；其带来的效率提升也非常明显。
人工智能发展很快，新的算法层出不穷，需尽快引入新的技术和模型，与此数据是智能化发展最大的驱动力，也占据了大量成本构成。用自建智算中心来打造数据护城河，不仅能够完善产业智能生态，更能让企业在智能化方面占据先发优势，智算中心作为数字新基建，未来势必将引领自动驾驶技术持续迭代升级。
【本文来自易车号作者车业视界，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】
扫码关注公众号
扫码体验小程序版
暂无数据
全球一重覆盖是指在全球范围内建立一个统一的通信网络，使得用户可以在任何地方都能够接收到信号并进行通信。这个网络覆盖范围广泛，包括城市、乡村、海洋、山区等各种地形和环境。实现全球一重覆盖需要建立大量的基站和卫星通信设施，以确保信号的覆盖范围和质量。这样的覆盖可以提高通信的可靠性和稳定性，方便人们在全球范围内进行商务、旅游、教育等各种活动。
要通过ChatGPT提高测试效率，可以考虑以下几个方面：
1. 确定测试目标：在开始测试之前，需要明确测试的目标和预期结果。根据需要，可以测试模型的输入输出一致性、响应时间、准确性、鲁棒性等方面的性能。
2. 设计测试用例：根据测试目标，设计一系列的测试用例来评估模型的性能。测试用例应该涵盖各种场景和可能出现的问题，包括常见问题、边界情况和异常情况等。
3. 自动化测试：为了提高测试效率，可以考虑使用自动化测试工具来执行测试用例。可以编写脚本或使用现有的测试框架来自动化执行测试，并生成测试报告。自动化测试可以减少人工执行测试用例的时间和工作量。
4. 数据驱动测试：利用ChatGPT的输出，将真实的测试数据作为输入，观察并评估模型的输出效果。可以从历史聊天记录、公开数据集或人工生成的数据中抽样，确保测试数据的多样性和覆盖面。
5. 并发测试：如果模型需要支持并发请求，可以进行并发测试以评估模型的并发处理能力和性能。通过同时发送多个请求并观察响应时间和结果准确性，可以确定模型在高负载情况下的表现。
6. 异常情况测试：模拟意外情况或错误输入，例如输入格式错误、意图不明确、缺失必要信息等，来测试ChatGPT的鲁棒性和错误处理能力。
7. 周期性的回归测试：不断改进和优化ChatGPT模型时，进行定期的回归测试以确保新的修改没有影响原有的功能或引入新的问题。
8. 监控和日志记录：在测试过程中，确保监控和记录关键指标，如响应时间、错误率等。这样可以及时发现问题并进行故障排查。
9. 反馈和改进：及时与开发团队沟通，并提供测试报告和反馈。这样可以促使开发团队修复潜在问题，并改进ChatGPT的功能和性能。
通过上述方法，可以提高测试效率并发现模型中的问题，以确保ChatGPT能够更可靠和高效地应对各种聊天场景。
使用ChatGPT来提高测试效率的方法如下：
1. 自动生成测试用例：ChatGPT可以用于自动生成测试用例。我们可以提供一些输入和期望的输出，然后使用ChatGPT生成更多的测试用例。这样可以节省测试人员编写测试用例的时间，同时提高测试覆盖率。
2. 自动化测试脚本：ChatGPT可以用于编写自动化测试脚本。测试人员可以使用ChatGPT来编写测试脚本，然后通过脚本来执行测试。这可以提高测试执行的效率，减少人工操作的时间和错误。
3. 快速回归测试：ChatGPT可以用于快速执行回归测试。我们可以将ChatGPT配置为模拟用户的行为，然后使用它来执行回归测试。这样可以节省测试人员的时间，同时提高测试效率。
4. 自动化缺陷检测：ChatGPT可以用于自动化缺陷检测。我们可以将ChatGPT配置为模拟用户的行为，然后使用它来检测系统中的缺陷。这可以帮助我们及早发现和修复问题，提高测试效果。
5. 自动化测试反馈：ChatGPT可以用于自动生成测试报告和测试结果的反馈。我们可以使用ChatGPT来分析测试结果，并生成相应的测试报告。这可以减少测试人员编写测试报告的时间，同时提高测试的可视化效果。
使用ChatGPT可以帮助我们提高测试效率，节省时间和人力成本，同时提高测试质量和覆盖率。
由于从事智能客服领域，对智能客服的开发也有比较全面的了解，这里从AI技术的角度介绍一下。 智能客服用到的技术群 智能客服机器人会用到很多人工智能方面的技术，比如自然语言理解、深度神经网络、知识图谱、语音识别、语音合成等方面的技术。为了便于您从总体上了解这些技术，以璞娲智能客服用到的技术为例，请参考下面不同角度的技术全景图。 从客服处理过程理解AI技术 要理解智能客服中的AI技术，我们可以从技术的应用过程来加以理解。比如电话应对过程中，智能客服会用到下面几种技术。智能客服中用到的AI技术 上面从客服处理过程的角度介绍了几种技术范畴， 首先你要知道它一定要具备学习能力，接下来就是各种喂数据了。 可以从以下几个步骤着手： （1）确定任务（智能客服）； （3）任务或问题的明确定义：当做分类任务解决 还是 直接生成回答的问题；针对不同的问题，分别考虑数据收集、收据处理、算法选型、评估方案与指标设计、实验设计、上线方案和运维等问题。 （4）详细分析好任务和待回答的问题后，就需要准备语料库（注重数据质量，好的数据质量，胜过最优秀的算法）； （5）数据预处理，将文本数据转换为词向量（有多种方法，如word2vec等等），考虑输入数据与标签数据组织形式，可以参考智能问答相关的开放数据集； （6）数据分析，主要包括数据量大小的分析、词向量高维嵌入分析、如果是分类任务还要分析类别的数据平衡性；能想到的统计分析与数据处理方法都可以考虑，目标是数据高质量；值得一提：数据量的大小决定数据处理（如需要数据增广、类别平衡、数据上或下采样等）、方法的选择以及模型训练的方法（如使用预训练模型、考虑小样本学习方法等）； （8）实验与结果评估，注重训练数据与评价数据划分，科学/严谨实验，科学分析；利用设计指标进行评估并充分分析实验结果，寻找模型做得不好的样本案例（badcase）； （9）badcase分析与解决； （10）上线前实测，逐步扩大用户使用范围； （11）继续跟进和改进出现的问题，重复（1）~（10）的环节。 智能客服的主要价值在哪里？ 在企业的经营中，客服是必不可少的角色，在很大程度上，客服是企业与客户唯一的直接接触通道，客服的价值在于解决用户问题，改善用户体验，提升企业口碑，营销促进交易等等，但传统的客服模式放到如今的互联网时代，短板立现。成本、效率、沟通方式等都有待提升与改进，由此，智能客服的价值得以凸显。 直观来看，智能客服对传统客服行业的主要价值体现如下： 1、智能客服在处理有明确结论的简单重复性问题上，展现了极高的工作效率，人工客服可以节省更多时间与精力去处理更为复杂、关键的客户问题，去服务VIP或是个性化需求更强烈的客户，从而达到提升客户满意度的效果。同时企业的人力、管理、运维成本都得到大幅下降。 2、智能客服在本质上是机器，机器没有生理局限，服务时长远大于人力，同时它也不存在情绪波动，可以实现百分之百的微笑服务，保持标准的服务质量。特别是在客户业务规模达到明显的波峰波谷时，智能客服可以在短期内实现大批量复制解决，以应对业务量的波动，实现弹性运维。 3、智能客服还可以应用在企业的营销活动中，在传统的电销时代，人工外呼作为很多企业的营销主要手段，耗时长，效果差，一个客服一天所能拨打的电话量有限，而电销恰巧又是一个需要“广撒网，多尝试”的营销方式。此时，智能客服交互系统中的呼叫中心功能就可以被很好的利用起来，增加呼出频率，扩大呼叫范围，提升呼叫中心的价值创造力。 智能客服既有这么多优势，那它的出现又是否会对传统的人工客服造成替代性的威胁呢？ 其实不然，传统的客服行业就像是一座金字塔，人工智能并不是将它推倒重建，而是在思考如何做到机器辅助人工，部分代替人工，扩大金字塔的基层，稳固上层结构。 由此，智能客服的主要价值可以概括为：在满足企业对客服工作的需求的同时为企业减投增效，帮助企业更好的实现营收。 逻辑推理 知识表示 自动规划 机器学习 自然语言 感知 行动处理 人类情绪 计算创造 综合智能 只要用在合适的地方。无论各行各业，机器人代替人工，能够极大增强企业办公效率，增加收益，降低用人成本，人工智能的发展最大的受益者是人类。人类的创意是无限的，但是自身能力也是有局限性的，也需要机器人来辅助人类。所以各有优势，无所谓谁的业务能力强，都是相互弥补的。这没法比较。 随着电话服务热线的出现，以及企业客户服务的不断提高。在移动互联网时代，客户通信服务也变得多样化。除了申请400或95个号码建立客户服务系统来改善客户服务外，企业还通过网络服务、移动应用、公共微信、微博等渠道提供服务。当越来越多的人以这种方式与企业员工接触时，当人工客户服务不能及时处理多个用户和问题时，导致客户体验差，再加上企业的雇佣成本不断增加，智能客户服务机器人顺应时代的到来。智能客户服务机器人已经成为企业与用户之间最重要的通信工具。广泛应用于金融、教育、电子商务等领域。 在微博上，我们总能看到一些客户服务机器人在本地测试市场上并不想象智能，自动回复单句严重，回复内容错误，人们想要有人工的客户服务来与他们沟通。问题是，客户服务机器人什么时候才能真正“理解”？编辑曾体验过腾讯、阿里小米、京东和大银行的在线客服平台。电子商务服务平台具有响应速度快、识别率高、产品促销个性化、信息优惠等增值服务的共同特点。但对这句话的理解却偏低。 在当前的客户服务中，机器人客户服务作为手动客户服务的辅助工具，帮助手动客户服务解决，解决客户的诸多问题，降低手动客户服务的工作压力，提高工作效率手动客户服务，大大提高了解决方案的准确性。效力。在与人类的对话中，客户服务机器人已经成为人类复杂情绪的难点。在接下来的几年里，客户服务机器人不会完全取代人们的工作。深入整合人机的“无人值守客户服务”是打破这一瓶颈的最佳方式。 所谓智能客服机器人实际上是一个人工智能信息系统，它可以用自然语言与用户进行通信。它使用了许多智能人机交互技术，包括自然语言理解和机器学习技术。它能够以文本或语音的形式识别和理解用户的问题，通过语义分析了解用户的意图，与用户进行人性化的沟通，为用户提供信息咨询等相关服务。 在当前人工智能迅猛发展的浪潮中，福山北明信息技术公司负责人表示，优秀的客户服务依靠人工实能和海量数据来深化客户服务场景的应用，不断优化、创新和完善。描述了“可定制”的智能客户服务，它能够准确地适应业务需求并继续学习，并帮助、适应和回答大量的常见问题。它大大提高了人类的效率。它可以广泛应用于网站、应用程序、电话客户服务甚至离线窗口。优秀的客户服务已成为深圳平安公司的合作伙伴。在智能客户服务领域实现了战略合作。全面启动人机对话培训平台，为企业构建基于ai的智能客户服务解决方案。 2018年9月，发布了4.0.0正式版本的优秀客户服务，添加了群集和企业知识管理系统，使用群集解决方案支持多点部署方案，添加了企业知识管理系统组件，并拥有专业知识管理系统。和新的移动智能推荐。深入挖掘各种需求场景，人们对机器人的满意度并不低于人工。 佛山市贝米信息技术有限公司（www.youkefu.cn）成立于2017年3月，是一支年轻而充满活力的团队。公司的主要“优质客户服务”是一个全渠道的综合客户服务系统，集成了多个客户服务渠道，以帮助各个行业。各种规模的企业建立了客户服务体系。通过邮件，短信，电话语音，webim在线客服，微信，微博，h5页面，app界面等各种渠道的客户服务请求和对话，集成在管理平台上，统一响应和支持客户服务。 当你打 10086 的电话，语音提示如下： 欢迎致电中国移动， 全心全意为您服务， 普通话服务请安 1， For English service press pound key ... 我这个手机号用了 5 年了吧，打10086这个电话不下 50 次了，你还不知道我是不是说普通话？ 以上只是举了一个最常见的例子。 随着智能技术的发展，越来越多的客服咨询都开始交由对话机器人解决。 就在冠状病毒疫情爆发，大量民众通过手机或电脑咨询政府以了解最新的疫情信息和防控措施。在这特殊情况下，原本的人工客服是无法承接这么多咨询的，而客服客服就尤为重要。 简单来所，智能客服系统 主要基于自然语言处理、大规模机器学习、深度学习技术，使用海量数据建立对话模型，结合多轮对话与实时反馈自主学习，精准识别用户意图，支持文字、语音、图片等富媒体交互，可实现语义解析和多形式的对话。 但是每个行业有自己的业务特点和知识范围，每个呼叫中心公司都应该根据自己的业务，逐步解决最基本的问题。 比如10086，一次次重复问你说普通话还是英语。 智能服务是一个过程，不是结果。 随着AI人工智能赋能客户服务。智能客服系统应运而生。 智能客服在提升企业服务质量和工作效率，降低企业管理和运营成本，提高企业的核心竞争力方面有着重要作用。 我们利用AI技术能够同时实现 智能语音导航、智能话务员、智能工单管理、智能数据分析、智能语音质检、智能外呼 等功能。 并且能够与用户原有的呼叫中心系统有效对接，具有简单操作易上手、功能齐备、实用性强的特点。 如果企业想实现客户服务精细化运营管理，可以考虑试用哦~ 一、智能机器人的能力人工智能客服系统的核心能力主要体现在智能机器人上，企业在选择机器人前，需要了解机器人有哪些功能或能力，可以帮助企业做选择参考。智能客服机器人通常包含以下几项关键能力。（一）自然语言识别能力机器人拥有自然语言识别能力，可以帮助机器人更好的理解人类语言。举个例子来说：人类对于一个问题会有多种不同的方式，机器人需要理解问题中的关键点，从而找到对应的问题。这是考察机器人性能时较为重要的指标。 （二）知识库和自主学习知识库相当于机器人的大脑，企业需要在使用初期为机器人建设一套知识库。这就相当于给新员工一个产品介绍或业务资料。在对接客户时机器人会从已有的知识库中搜索问题的答案。在不断接受问题和解决问题的过程中，智能客服系统机器人会完善知识库，将处理的问题积累下来，就形成了自我学习能力。通过这种方式可以方便以后更好的解决客户问题。（三）其他能力 有些智能客服机器人会有一些扩展能力，能通过网络/API接口找到一些其他资源，比如：查询快递、查询天气等等。具体来说：电商客服也许可以在与来客交谈时，帮助客户查询快递情况，这类需要由机器人就能完成了，并且速度和准确度都可以保证，无需额外的人力来处理这类问题。 二、人机对话有温度 智能客服机器人不仅能替代人工客服的工作，在拨通用户电话后，还可以像真人一样与用户进行沟通交流。而这些需要大量的人工智能技术支出，比如自然语言处理、语音识别等多个领域。
ChatGPT是一个非常强大的语言模型，但它并不是万能的，在生成代码的场景下还需要人工编程和检查，所以一定程度上ChatGPT的使用是需要依赖程序员的护航，才能确保完成应用。说替代程序员的，着实是过度解读了。ChatGPT的爆火，让我想起，同样会提高程序员开发效率的低代码平台，它的出现也同样被人类污名化，职业威胁程序员。通过低代码平台，只需要通过拖拽的方式，或者是编辑几行基础代码，就能快速的开发出各类应用系统。最关键的是低代码改变了传统开发对专业技能的要求，现在只要掌握一些基础的代码知识，甚至不需要任何基础，就可以进行应用系统的开发！作为国内主流的JNPF低代码平台服务商，JNPF低代码平台负责人认为：低代码的本质是解放开发者的双手，让他们从重复的代码工作中解放出来，低代码在这个过程中扮演的是“辅助者”角色，而并非“替代者”。因为永远有一些容易被忽略的边缘性技术问题，需要程序员去解决，这是低代码不能替代的。
而且低代码并不意味着完全就抛弃代码，相反在平台无法满足一些复杂的业务场景时，就需要代码的辅助，当然这个过程的代码量要可控，否则就违背了低代码开发的本质。
而像市场上一些无代码平台，确实做到了看不见任何代码，但是当平台需要去应对复杂业务逻辑系统的开发时，便会显得力不从心，JNPF保留了这种灵活的开发机制，当需要更深层次的处理业务逻辑时，如果平台开发不能完全匹配，就需要程序员通过代码开发实现相关能力与服务。而这种二次开发的需求已经超过了应用创建者的能力范围，这就需要专业的程序员基于平台去开发。与其无深究低代码是否会让程序员失业，不如去想如何通过低代码技术的加持，让程序员变得更有含金量，让低代码成为程序员工作的润滑剂。普通人如何不被OpenAI 取代。
在某些方面强于普通人的，特别是对于重复性智力劳动，如重复性写套话、写代码、画图，那么怎么不被取代？还是需要多学习、多主动思考、多实践、看更多书，做更多有挑战的事情，在认知上避免被取代的关键是不断学习和提高自己的能力，并努力适应新的环境和挑战。
贾老板的FF 91再次延迟交付，这几乎已经是大家意料之中的事情，车才刚刚造出来，法拉第未来已经开始用AI人工智能开始讲下一个故事了。
近半年AI人工智能的快速发展，给全人类带来惊喜的更多带来的其实是恐慌，AI在大幅提高工作效率的几乎不会产出新的工作岗位。大企业们纷纷在AI这条高速发展的赛道上加快布局，车企们也不例外。
AI不是新势力们的专属，传统大厂也在发力
丰田公司的设计部门已经开始通过应用生成式AI组件，来辅助设计人员更快速地设计车身外观，丰田设计师可以从草图开始就完成多种车型变体的切换，输入一些规定的设计要求，AI可以将文本自动转化为效果图。奔驰开始在旗下搭载MBUX系统的车型上接入ChatGPT，这也让奔驰品牌成为行业内首个接入ChatGPT的车企，ChatGPT主要用于提升奔驰车机语音系统的能力，目前处于测试阶段，之后会把ChatGPT加持下的系统推广到全球市场中。而ChatGPT背后的OpenAI和微软也借此机会在优化生成式AI语音大模型在车机端的应用体验。宝马近期部署了代号为“灯塔”（BEACON）的AI人工智能平台，提供AI应用创新相关的开发、部署、集成与运行服务的平台化环境，加速实现多业务场景数字化，“灯塔平台”提供的VaaS服务，可以接入宝马沈阳生产基地超过6000个摄像头。宝马工程师利用这些摄像头的图像开发目标检测、目标跟踪、图像分类等AI系统及应用接口，从而使生产控制变得更加智能化。特斯拉最近创建了一个名为@Tesla AI的推特账户，特斯拉 CEO 埃隆马斯克也关注了该账户，最近特斯拉在大规模招聘AI方面的人才，同时@Tesla AI发文称将从7月开始生产Dojo超级计算机，马斯克也在推文下力挺自家的技术，称无论从硬件还是软件方面看，特斯拉的人工智能都比大多数专家意识到的要先进得多。
特斯拉在AI领域的布局主要围绕自动驾驶展开，其中包括多模态神经网络、自动标注技术、基于车队数据的场景重建和想象未来等，而在有了Dojo超级计算机的强大算力加持后，FSD的学习与升级会变得更加迅速，同时还会为人形机器人Optimus 提供计算支持。从车型设计，到车辆生产，再到自动驾驶和智能座舱的训练中，AI人工智能已经不再是国内外造车新势力们的噱头，而是实打实地成了各大车企都在争相布局的新技术和领域，传统车企们在智能化的上半场角逐中，普遍没有占到什么优势，或者说几乎都是在被新势力们暴打，而在智能化下半场的开局大战中，大多数传统车企们不再是如当初那般迟钝，新势力们的优势逐渐再被传统车企们追平或者抹去。
依然有巨头在犹豫，不着急吗？
从目前的行业现状中，我们也能看到还有很多大车企并没有在AI人工智能的布局方面有什么大动作，特别是大众和福特，在智能化的下半场角逐中，它们又在犹豫什么呢？
大众和福特可以说是在电动化和智能化转型中相当激进的传统车企。大众在前CEO迪斯的带领下，激进地进行着电动化转型，智能化则是有大众旗下子公司Cariad来开发，虽然迪斯中途“下课”，但接任大众CEO的奥博穆砍去了一些难以实现的目标后，总体延续了迪斯的战略。
而福特当年宁可不发新车，也要全身心投入到自动驾驶的研发中，在2016年就把自动驾驶车队扩大了3倍，而后又重金收购Argo AI，还豪掷40亿美元开发自动驾驶。而这两大巨头搞了这么多年，换来的是大众集团旗下多个品牌的新车延期发布，原因大多是因为软件部门没能做出能完美适配的软件，发布的新车还常因为软件问题被用户吐槽，甚至连CEO自己最近都承认奥迪品牌落后于竞争对手，主要因为软件问题。
而福特在沉迷自动驾驶研发而不发新车的几年间，产品力有所滑坡，市场份额被其他车企快速瓜分，而紧接着又迎来了Argo AI的破产，以及最近福特高管亲口承认“福特2025年前无法部署L3级自动驾驶汽车”。两大传统车企不计成本地投入了这么多年，可到头来换来了一地鸡毛，在如潮水般奔涌而来的AI大潮下，大众和福特表现得有些默不作声，可能也是情理之中，因为目前来看AI发展的形势可能依然尚不明朗，如果又像当年一样开足马力，不计后果，那么可能会导致更可怕的后果。从目前已经应用AI技术的车企们的动向来看，它们大多数也是在探索的过程中，因为人工智能技术在汽车领域中的应用可谓是一项技术转型，需要进行相关技术的研发和转化。AI技术目前还处于不断发展变化之中，车企在使用这些技术时需要花费大量的时间精力进行研究和开发，大多数车企都需要一定的时间来进行技术转型，并建立起相关的团队和生态系统，特别是对于“转身困难”的传统大厂们。人工智能技术的应用并不是一蹴而就的，需要通过不断尝试和实验才能够得到长足发展。这就需要车企持续投入技术和资金，在技术研发方面作出长期的规划和布局。对于大众和福特这样的传统车企，要完成技术转型就需要一定时间的积累和沉淀，而大众和福特的软件部门目前也都处于巨额亏损中，更要慎重。人工智能技术在汽车领域中的应用仍然存在着一定的安全隐患。在自动驾驶领域中，如果AI系统出现故障或者误判，就可能会导致车辆发生事故，虽然目前还是L2级的范畴，车企没什么责任，但是每一次事故都会伴随着更多其他的连锁反应，新势力们大多深有体会。
传统车企需要更多时间来思考如何保障车辆和乘客的安全，所以我们会看到大众和福特等传统车企，目前宁可使用没什么高阶功能的Mobileye供应商方案，也不去使用自研软硬件。车企还需要充分考虑用户的使用需求，确保其产品在研发过程中符合相关法律法规和标准。对于自动驾驶技术的应用，不仅要考虑到汽车行业的标准，还需要考虑到交通部门的管理规范以及国家政策的制定，这些方面都需要投入大量的精力和时间来进行研究和实验，要不也会上演特斯拉FSD在众多市场没法落地的情况，选装FSD的车主们直到卖车，也没等来完全自动驾驶。
总结
如今的AI人工智能产业，没有人能完全认清它究竟会给我们带来什么。特别是在汽车行业中，AI带给车企的好处以及消费者的体验升级，与巨大的投入能否成正比，这是车企们都需要认清的问题，都知道AI好，但是如何把投入产出比做好，非常关键。而还在犹豫的车企们，也要找准切入的时机，特别是针对在智能化上半场投入巨大，还吃了亏的大众和福特来说。
【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】
2023伊始，先是开年毫末智行举办HAOMOAIDAY，放出自动驾驶行业最大智算中心，再有小鹏、理想新春全员信剑指城市导航辅助驾驶，随后是对话式AI大模型ChatGPT火遍全网，自动驾驶AI技术再次成为顶流。
无论是自动驾驶的“进城”，还是ChatGPT的“进化”，其背后都是对数据、算力需求指数级增长的态势以及对大模型的训练。当需求上来了，智算中心作为自动驾驶的“新基建”也就被业界越来越多的提及。智算中心即智能计算中心，是基于人工智能理论，采用领先的AI计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施，换句话说，智算中心其实是一个算力的供应和生产平台。那为什么有了它“自动辅助驾驶”就可以变为“自动驾驶”了？
“降服”自动驾驶边际成本 自动驾驶智算中心“专云专用”
有人说，智算中心是自动驾驶发展的助推器，因为自动驾驶算法模型训练是机器学习的典型场景之一，其视觉检测、轨迹预测与行车规划等算法模型需要同时完成高并发的并行计算，对算力有着极高的需求，而智算为提高算法模型的成熟度提供了巨大的算力。在自动驾驶领域，说起智算中心，还得先提特斯拉。2017年，Transformer网络出现后，奠定了当前大模型领域主流的算法架构基础，随后，2020年，特斯拉将Transformer大模型引入自动驾驶领域中，是AI大模型应用于自动驾驶的开端。在这之后，特斯拉开始着手打造属于自己的AI计算中心——Dojo，总计使用了1.4万个英伟达的GPU来训练AI模型。为了进一步提升效率，特斯拉在2021年发布了自研的AI加速芯片D1，并计划将25个D1封装在一起组成一个训练模块（Training tile），然后再将训练模块组成一个机柜（Dojo ExaPOD）。最近一期的特斯拉AI DAY上，马斯克称将于2023年一季度部署完成特斯拉超级计算机群组ExaPOD。国内方面，2022年8月，小鹏汽车和阿里云合建了当时国内最大的自动驾驶智算中心“扶摇”，专门用于自动驾驶模型训练，算力规模达600PFLOPS，相当于每秒可以完成60亿亿次浮点运算。不过这个记录仅仅维持了4个多月。
今年1月，毫末智行联合火山引擎，共同推出自动驾驶行业最大的智算中心MANA OASIS（雪湖·绿洲），每秒浮点运算达67亿亿次，存储带宽每秒2T，通信带宽每秒800G。吉利也在1月28日上线了吉利星睿智算中心，目前已接入智能驾驶和车联网实验数据近百PB，在线车辆的并发计算支持达百万辆。从现有情形来看，成本和需求两重因素，是智算中心的诱人之处。
成本层面，算力作为自动驾驶的基本要素，需要更高性能的智算中心来完成训练、标注等工作。以毫末的MANA OASIS为例，通过部署Lego高性能算子库、ByteCCL通信优化能力，以及大模型训练框架，软硬一体，毫末把算力优化到极致。在训练效率方面，基于Sparse MoE，通过跨机共享，轻松完成千亿参数大模型训练，且百万个clips（毫末视频最小标注单位）训练成本只需百卡周级别，训练成本降低100倍。搭建高效、低成本的数据智能体系是自动驾驶技术健康发展的基础，也是自动驾驶系统能够不断迭代前行的重要环节，更是自动驾驶商业化闭环的关键所在。
小鹏汽车董事长何小鹏曾表态，“如果现在不以这样的方式（智算中心）提前储备算力，那么今后5年内，企业算力成本会从亿级，加到数十亿级。”
如果持续使用公有云服务，边际成本不断上涨只是一方面，更重要的是，智算中心可以让自动驾驶企业实现“专云专用”。自动驾驶的开发包括从数据采集到数据筛选、打标、模型训练、回放性验证、仿真测试等等环节。而云计算的本质是租赁计算设备，云服务商的设备都是统一采购，为了获得更多客户，这些设备都具备很大的通用性，设备内部使用的CPU、GPU/AI加速器、内存的型号与规格都相对固定，很难与车企和自动驾驶公司的算法形成最佳匹配。云服务厂商对自动驾驶算法的了解程度不高，不可避免的会在调度算力时出现损耗和效率不高的问题。从需求的角度来看，智算中心似乎可以成为自动驾驶和车企的托底神器。
同样以毫末为例，有了MANA OASIS的加持，毫末MANA五大模型全新亮相升级，车端感知架构实现跨代升级，毫末的技术栈布局继续保持完整领先的态势，尤其在感知、认知等层面领跑行业，引领大模型、大算力、大数据发展方向，冲刺进入自动驾驶3.0时代。拿数据采集、筛选和标注来说，自动驾驶系统在前期开发阶段，需要采集大量的道路环境数据，以此让车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。唯一的办法是，通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不断提升。
车企收集到的数据还需要进行模型训练，算法通过在数据上进行运算产生模型，而智算中心将是驱动大模型和海量数据训练的加速器。基于Sparse MoE，毫末根据计算特点，进行稀疏激活，提高计算效率，实现单机8卡就能训练百亿参数大模型的效果，实现跨机共享exper的方法，完成千亿参数规模大模型的训练，训练成本降低到百卡周级别；毫末设计并实现了业界领先的多任务并行训练系统，能同时处理图片、点云、结构化文本等多种模态的信息，既保证了模型的稀疏性、又提升了计算效率；MANA OASIS训练效率提升了100倍。
毫末智行CEO顾维灏也在详细阐释了建设智算中心的底层逻辑：“自动驾驶对智算中心的第一要求肯定是算力。智算中心的超大算力代表了有多少的AI工程师在这个练武场中能够做出什么大模型，能训练多少大模型。”
智能辅助驾驶“进城” MANA OASIS帮助毫末解决了哪些难题？
现在很多车企和自动驾驶技术企业已经开始把打造智算中心当成下一阶段竞争重点。今年1月的HAOMO AI DAY上，毫末智行董事长张凯给出了2023年自动驾驶行业趋势的十大新预测，超算中心赫然位列“超算中心会成为自动驾驶企业的入门配置。”
当下，随着新能源汽车品牌普遍已经把高速公路场景下的辅助驾驶列为标配，赛场已经悄然从高速路转向城市。与高速导航辅助驾驶相比，城市行车涉及了红绿灯、十字路口、行人电动车、遮挡、固定障碍物、频繁刹停起步等一系列难题，复杂度又提升了好几个数量级。
如果仅用实测车辆去挑战这些城市场景无法穷尽的Corner Case，成本、安全性、时间都将成为企业发展的壁垒。由此，虚拟仿真就成为了解决部分成本及场景多样性的关键，大规模的长尾场景需要数据中心提供充足的算力支持。仿真场景对现实的回归过程，同样需要巨大的算力提供支持。
在MANA OASIS的加持下，毫末的数据智能体系MANA五大模型全新亮相升级。而在五大模型助力下，MANA最新的车端感知架构，从过去分散的多个下游任务集成到了一起，形成一个更加端到端的架构，包括通用障碍物识别、局部路网、行为预测等任务，毫末车端感知架构实现了跨代升级。这也意味着毫末的感知能力更强，产品力更强，向全无人驾驶加速迈进。视觉自监督大模型，让毫末在中国首个实现4D Clip的自动标注。毫末利用海量videoclip，通过视频自监督方式，预训练出一个大模型，用少量人工标注好的clip数据进行Finetune（微调），训练检测跟踪模型，使得模型具备自动标注的能力；将已经标注好的千万级单帧数据所对应的原始视频提取出来组织成clip，其中10%是标注帧，90%是未标注帧，再将这些clip输入到模型，完成对90%未标注帧的自动标注，进而实现所有单帧标注向clip标注的100%的自动转化，同时降低98%的clip标注成本。毫末视频自监督大模型的泛化性效果极佳，即使是在一些非常困难的场景，例如严重遮挡的骑行者，远处的小目标，恶劣的天气和光照，都能准确地完成自动标注。3D重建大模型，助力毫末做数据生成，用更低成本解决数据分布问题，提升感知效果。面对“完全从真实数据中积累corner case困难且昂贵”的行业难题，毫末将NeRF技术应用在自动驾驶场景重建和数据生成中，它通过改变视角、光照、纹理材质的方法，生成高真实感数据，实现以低成本获取normal case，生成各种高成本corner case。3D重建大模型生成的数据，不仅比传统的人工显式建模再渲染纹理的方法效果更好、成本更低。增加NeRF生成的数据后，还可将感知的错误率降低30%以上，且数据生成可实现全程自动化，无需任何人工参与。多模态互监督大模型则可以完成通用障碍物的识别。毫末在成功实现车道线和常见障碍物的精准检测后，针对城市多种异形障碍物的稳定检测问题，毫末正在思考和探索更加通用的解决方案。毫末的多模态互监督大模型，引入了激光雷达作为视觉监督信号，直接使用视频数据来推理场景的通用结构表达。该通用结构的检测，可以很好地补充已有的语义障碍物检测，有效提升自动驾驶系统在城市复杂工况下的通过率。动态环境大模型，可以精准预测道路的拓扑关系，让车辆始终行驶在正确的车道中。在重感知技术路线下，毫末为了将对高精地图的依赖度降到最低，面临着“道路拓扑结构实时推断”的挑战。毫末在BEV的feature map（特征图）基础上，以标精地图作为引导信息，使用自回归编解码网络，将BEV特征，解码为结构化的拓扑点序列，实现车道拓扑预测。让毫末的感知能力，能像人类一样在标准地图的导航提示下，就可以实现对道路拓扑结构的实时推断。毫末认为，解决了路口问题实际就解决了大部分城市NOH问题。目前在保定、北京，毫末对于85%的路口的拓扑推断准确率高达95%。即便是非常复杂、非常不规则的路口，毫末也能准确预测，比老司机还老司机。
人驾自监督认知大模型在今年2月已经被正式升级为DriveGPT，这也是全球首个自动驾驶认知大模型。它能让毫末的驾驶策略更加拟人化，安全及顺畅。毫末DriveGPT已完成模型搭建和第一阶段数据的跑通，参数规模可对标GPT-2的水平。DriveGPT将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。仿真测试能有效缩短技术和产品开发周期，降低研发成本。业内典型的长尾场景问题不够丰富，现实中可遇而不可求的极端场景，利用仿真平台可以便捷生成。由于仿真测试中的模拟环境需要实现多模态融合，以支持传感器模组的复杂性，因而也需要大算力的支持。
除了毫末，特斯拉超算中心拥有近2万张GPU，对自动驾驶训练效率产生立竿见影的效果，最大限度地提升了自动驾驶系统的开发效率；大陆集团的高算力集群，将开发周期从几周缩短至几个小时，使自动驾驶得以在中短期商业计划中落实；机器学习时间的缩短加快了新科技进入市场的速度；“扶摇”支持小鹏自动驾驶核心模型的训练时长从7天缩短至1小时内，大幅提速近170倍……
当前，一个不争的事实就是，在自动驾驶领域具有长期规划的车企，无论是造车新势力还是传统品牌，或者技术供应商，都在搭建自己的超算中心，以掌握稳定的算力资源，缩短开发周期，加快自动驾驶产品的上市。相反，如果没有超算中心，那么自动驾驶训练速度将明显放缓，自动驾驶企业间的差距也将愈发明显。用智算中心打造数据护城河 数字新基建逐步成为发展“标配”
自动驾驶发展至今，业界发现乘用车智能辅助驾驶是最有可能大规模铺开的商业场景。据高工智能汽车研究院数据显示，2022年中国市场（不含进出口）乘用车前装标配搭载L2级辅助驾驶的搭载率，已经连续第二个月超过30%。智研咨询数据显示，预计到2025年，全球新车L2自动驾驶的渗透率可达53.99％。
今年，城市导航辅助驾驶也开启了量产的征程。西部证券预测，2023～2025年，国内市场上搭载城市导航辅助驾驶的车型将分别达到70万、169万和348万辆，占比将分别达到17％、40％和70％。
在城市导航辅助驾驶落地加速的背景下，更容易复制、拓展的重感知的方案，受到了更多关注。在重感知技术路线下，面对“道路拓扑结构实时推断”的挑战，毫末的选择是在特征图基础上，以标精地图作为引导信息，使用自回归编解码网络，通过结构化的拓扑点序列解码，实现车道拓扑预测。由此不难看出，业界逐渐达成共识的重感知路线，相比高精地图方案，更依赖算力加持。
人工智能是创新的加速器，智算中心则可以为各类技术创新提供支撑。一方面，智算中心可以为构建安全可信、可复用的技术研发环境提供算力设施支撑，为各领域科技研发提供智能计算服务，加速科技研发的进程；另一方面，智算中心是新一代信息技术的集成应用载体，智算中心的快速建设推广与规模化应用将推动通信服务网络、大数据、人工智能等技术的快速迭代，从而促进技术创新。自动驾驶数据是片段式的，特点是小文件多，达到百亿个，而且训练需要交换的数据多，智算中心可以提供充足的带宽，并且可以让自动驾驶模型拥有更好的并行计算框架，在训练的时候把硬件资源都利用起来。
2020年4月20日，国家发展改革委首次明确新型基础设施的范围，其中就包括以智能计算中心为代表的算力基础设施。2023年1月10日，国家工业信息安全发展研究中心推出《智能计算中心2.0时代展望报告》，指出经过5年多发展，智算中心正由1.0粗放扩张阶段走向2.0精细规划阶段。
根据相关统计和测算，目前全国超过30个城市在建或筹建智算中心，未来5年我国智能算力规模年复合增长率将达52.3%。智算中心的创新发展，将进一步为人工智能夯实“算力底座”，成为带动人工智能及相关产业快速发展的新引擎。
“我们测算，智算中心带来的成本优化是惊人的，将达到亿元级别。”这是今年1月，张凯提出的预测。从目前及未来的规划量产规模来看，毫末自建智算中心可节约巨额成本；其带来的效率提升也非常明显。
人工智能发展很快，新的算法层出不穷，需尽快引入新的技术和模型，与此数据是智能化发展最大的驱动力，也占据了大量成本构成。用自建智算中心来打造数据护城河，不仅能够完善产业智能生态，更能让企业在智能化方面占据先发优势，智算中心作为数字新基建，未来势必将引领自动驾驶技术持续迭代升级。
【本文来自易车号作者车业视界，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】