会议要点

1、端到端自动驾驶算法概述

端到端自动驾驶算法通过将传统自滥动驾驶的多个模块(感知、融合、预测、决策、规划、控制)整合到一个统一的神经网络体系中，实现全局优化目标，提高算法性能。

2、端到端算法的关键因素与挑战

端到端算法的性能提升依赖于数据驱动的方式，需要大量数据积累和高效的数据处理能力。端到端算法的工程化落地面临硬件滥算力、算法量化与压缩、云端算力等挑战。

3、端到端自动驾驶对行业的影响

端到端算法颠覆了传统技术架构，对算法公司和车企的组织架构、技术流程、数据需求产生重大影响。

4、商业模式与政策挑战

端到端算法可能导致商业模式转变，如成本结构和收费模式的变化，同时面临数据合规等政策挑战。

5、端到端算法的发展前景

端到端算法具有成本优势和处理cornercase的统一性，有望替代传统算法，但需要时间过渡和解决现有挑战。

6、数据合规与处理

数据合规是端到端算法实施的关键前提，涉及数据安全、匿名化处理，以及国内数据中心的建设。

7、算力需求与合作模式

端到端算法需要大量算力支持,可能通过与计算中心合作或数据合作方进行数据处理来实现。

8、数据闭环与工具链

数据闭环包括数据底座管理、A 算法迭代工具链和决策规控闭环，未来可能向统一的体系化发展。

9、数据采集与处理

车企通过量产车辆回传数据，并通过数据闭环体系进行筛选和场景重构，以补足数据体量。

10、自动驾驶技术发展路径

自动驾驶技术发展可能呈现端到端算法与传统算法并行的路线,根据不同价位车型和消费群体需求进行配置。

11、研发团队规模与组成

端到端算法研发团队规模相对较小，主要集中于模型训练，而传统算法研发需要更多人员处理不同模块。

Q&A

Q:特斯拉 B12在复杂场景下的表现及与国内自动驾驶公司的竞争情况如何?

A:特斯拉 B12在乡村道路和复滥杂路口等场景下可能表现不佳，但如果能在四个月内解决这些问题，将具备与特斯拉竞争的实力。目前国外自动驾驶算法表现出色的公司主要是特斯拉，而国内则有华为、蒙塔小鹏等强劲对手。2024年将是城市NV项目K的重要一年，对中国自动驾驶行业的发展持乐观态度。

Q:自动驾驶领域的竞争格局及其主要竞争者有哪些?

A:自动驾驶领域分为城市 NOA效果 PK 和端到端算法两大竞争主战场。华为在城市 NOA方面表现突出，而华为、蒙文塔和圆融等公司提出了端到端算法。端到端算法分为一段式和两段式，两段式落地速度更快，但一段式可能是最终的终局。商汤、大疆和圆融等公司也在量产项目和城市Ov 效果方面有所建树。

Q:汽车数据处理安全要求标准通报的含义是什么?

A:该通报意味着通过检查的车企滥和车型符合数据合规要求，即不外传数据或符合数据匿名化要求，不包含个人信息或地理位置等敏感信息。对于特斯拉而言，符合这一要求意味着不外传数据，这是国家要求特斯拉关闭数据外传功能的结果。

Q:符合数据安全要求的车辆在场景上是否有更多自由度?

A:符合数据安全要求的车辆具备数据回传的前序条件，但数据不能出境，只能在国内的数据中心接收。这意味着车辆可以在更多场景下行驶，但数据传输仍有限制。

Q:特斯拉在国内训练端到端算法的潜在模式是什么?

A:特斯拉可能会选择与国内的计算中心合作，租赁算力，或与具备图商资质的数据处理机构合作，进行数据训练和特征化，然后将不带原始信息的数据拿到国外训练。

Q:因内算力中心的潜在合作伙伴需要满足哪些条件?

A:特斯拉需要的算力规模至少与之前宜称的斗九算力(约1800P Hops)相当，远超过国内目前几百P的算力中心。潜在合作伙伴需要具备大规模的算力资源。

Q:因内自动驾驶算法训练方面的算力供需情况如何?

A:目前算力需求大于供应，受限于美国政策，高算力 GPU难以购买。国内车企已建设上千P的算力中心，导致剩余 GPU 资源有限，算力市场呈现供不应求的局面。

Q:目前在端到端自动驾驶领域，数据闭环的工具链主要包括哪些模块?这些工具链在数据闭环中扮演什么角色?哪些能力是进行数据闭环工作所必需的?

A:数据团环的工具链主要分为三部分:数据底座、AI训练工具链和仿真工具链。数据底座负责管理、清洗和筛选量产回传的数据。AI训练工具链包括A算法的迭代，从数据标注到模型训练、部署、评测，直至模型上车的整个流程。仿真工具链则涉及将数据用于虚拟化三维化的场景构建，并与规控算法结合，在仿真平台上进行训练和选代。进行数据闭环工作的公司需要具备数据管理、AI算法选代和仿真平台构建的能力。

Q:未来数据闭环的发展趋势如何?对于供应商或车企来说，要参与数据闭环的工作，需要具备哪些技术和资源?

A:未来数据闭环可能会走向统一的体系化，随着端到端算法的统一，数据闭环也需要适应这一变化。这将涉及到通过自动化技术和世界模型将数据标注、仿真场是搭建统一起来，以预测和重建 comercase 等场景。供应商或车企需要在组织架构和人力资源上进行投入，具备硬件底座如 GPU 算力和数据服务器，以及 AI 相关的人才投入。这些基础条件限制了一些车企参与数据闭环工作，尤其是那些没有自研规划或资金投入能力的公司。

Q:大型企业如百度、字节跳动和商汤在端到端自动驾驶领域扮演什么角色?他们相较于其他公司有何优势?

A:大型企业通常有更强的资金投入实力,并且由于它们或多或少都拥有与 A相关的业务线,因此更有可能参与端到端自动驾驶领域的工作。这些企业的技术实力和资源投入使它们在这领域更具竞争力。

Q:国内车企在数据呆集方面的能力如何?他们主要通过什么方式获取数据，目前能获取的数据体量大概是多少?

A:国内车企的数据采集能力可以通过计算得出。例如，如果有10万台车在路上行驶，每台车每天遇到的 corner case 数量是有限的。如果每五个 comer case 录制 30 秒的视频数据，每天每台车可能回传五分钟的数据。通过乘以车辆的体量，可以计算出每天或每月能够回传的数据体量。尽管国内车企的销量可能不及特斯拉，但通过这种方式，他们仍然能够积累相当数量的数据用于自动驾驶技术的研发。

Q:如何补足端到端算法所需的数据体量?

A:为了补足端到端算法所需的数据体量，可以通过数据闭环系统，利用场景重现手段创造数据。例如，特斯拉的工具链能够利用量产车回传的数据重构场景，并在模拟地图中模拟不同目标物的行驶路线和信息，以此来补充数据上的差异。

Q:端到端自动驾驶技术在不同级别自动驾驶能力选代中的位置是什么?

A:端到端自动驾驶技术通常需要较高的算力，从几百TOPs起步。随着自动驾驶能力的选代，从基础的L2级别到高速公路导航辅助(HWP)再到城区导航辅助(NOA)，算力需求逐渐增加。未来，城区 NOA可能会采用端到端技术，而基础级别可能仍然使用传统的感知、决策、规控模型。

Q:不同自动驾驶技术路线的商业考量是什么?

A:车企需要根据不同消费群体的消费能力提供不同价位段的车型。高配车型可能会采用端到端技术以打造高端技术形象，而中低配车型则可能不会采用大算力或高性能配置。在小算力平台上，可能无法实现端到端技术，而会采用基于规则的算法。

Q:传统感知决策研发团队与端到端研发团队的人员规模有何不同?

A:一个成熟的传统感知决策研发团队大约需要 200人左右，包括感知、融合、决策规控等模块。而端到端研发团队的人数可以减少，因为模型框架统一后，主要工作是模型训练，大约50人就足够了。此外，还需要配置一些进行道路采集和数据处理的人员。

Q:大厂研发团队规模大的原因何在?"

A:大厂研发团队规模大是因为他们需要针对不同车型或多个量产项目进行研发。例如，如果同时承担四五个量产项目，人员需求会乘以四五倍。虽然部分人员可以复用，但进行量产调试和标定测试的人员则无法复用。