智能汽車下半場:競逐車端,更拼雲端

2015年,美國兩位頂級黑客“黑”了一輛在鄉間高速上行駛中的大切諾基,遠程操控了車輛的加速和制動系統,以及空調、電臺和雨刮等裝置,最後,還讓這輛車衝進了路邊的一條小水溝。

兩名黑客現場演示如何黑入一輛吉普,數據來源:WIRED

一年之後,在特斯拉官方知情的背景下,騰訊科恩實驗室的研究員們也成功“黑”入了一輛Model S,並現場演示瞭如何遠程實現“無鑰匙開車門”、“變道時摺疊後視鏡”、“行駛過程中打開後備箱”,“行駛中突然剎車”等功能。馬斯克還爲此專門寫親筆信致謝了騰訊科恩實驗室。

這兩次黑客事件刷新了人們對於汽車安全的認知,克萊斯勒爲此專門召回了140萬輛車,而特斯拉也在被黑之後推送了新版的Autopilot,堵住了漏洞。

而在2017年,電影《速度與激情8》用一段黑客利用漏洞,控制無人駕駛“殭屍汽車”的場景,呈現了人們對智能汽車未來的一種想象。

儘管這種想象略顯誇張,但也用另一種形式勾勒了智能汽車的特徵——車輛不再是一座座行駛的孤島,而是與雲端緊密相連的“四輪機器人”。

尤其是高階智駕逐漸走向普及之時,汽車正在快速朝這一方向進化。一輛車上的傳感器越來越多,傳感器需要實時感知周圍的環境,並將蒐集到的數據回傳到車載大腦,而要保證行駛過程中的可靠、高效與安全,除了車端要有足夠強的算力和算法之外,雲端基礎設施的搭建在變得前所未有地重要。

騰訊智慧出行副總裁鍾學丹提出了一個觀點:“汽車智能化將是"車+雲"的一個軟件體系,利用車端產生和感知到的數據,結合雲端強大的數據存儲、計算能力和模型訓練,可以更快地發現應用的問題、加快服務的迭代,持續改善用戶的體驗。在這樣的模式下,車端也將變得更輕、更可靠,通過雲端來獲得無限的擴展空間和快速的迭代能力。”

在他說這番話時,智能車的雲上競賽,已經如火如荼。

01

智能化競賽,雲的競賽

汽車的智能化轉型並不是請客吃飯。

2022年,多家傳統汽車大廠的智能電動汽車,被發現必須前往4S店進行“線下OTA”,才能對車輛功能進行更新。頗具諷刺意味的是,特斯拉在8年前就表演了通過OTA遠程解鎖車輛電量的“魔法”,在那之後,特斯拉也多次通過OTA升級了智能座艙與智能駕駛能力。

早些時候有人解釋過這種差距的由來。2020年,《日本經濟新聞》拆解了一輛Model 3後發現,特斯拉的電子電氣架構已經領先豐田和大衆6年。

但日本人忽略了一點,汽車智能化的競賽,不僅僅發生在用戶看得見摸得着的車輛終端,也真實發生在用戶視野之外的雲端。除了在車輛電子電氣架構上先進,特斯拉其實也是有史以來雲計算實力最爲強勁的車企。

至2020年,特斯拉就已累計銷售超過100萬輛車,而在賣出的每一輛特斯拉上,都搭載了Autopilot輔助駕駛功能,以及在特定條件下會收集駕駛數據的“影子模式”。依託大量車隊,特斯拉在2020年就積累了30億英里的Autopilot行駛里程,這爲算法訓練提供了充足的養料。而要處理海量的數據,必須依託雲端的超算中心。

2022年年中,特斯拉將其最大超算中心(特斯拉有三個超算中心)的規模擴充到了7360張 A100 GPU,這些GPU總算力約2 EFLOPS,使得特斯拉在當時擁有了全球第七大GPU超算集羣——僅僅是構建這些算力的硬件成本,就超過1億美元,而持續運營所產生的費用將遠超這一數目。

依靠保有量巨大的車隊與遠超同行的雲計算儲備,特斯拉最早建設起了車端雲端互通的高效數據閉環。這讓特斯拉以前所未有的速度迭代着FSD智能駕駛算法,率先在北美向用戶進行了推送,並且可能在不久後將其導入中國市場。而馬斯克一再放風:一旦進化爲高等級自動駕駛,FSD將顛覆汽車行業的商業模式。

在特斯拉之後,國內智能電動汽車企業爭先恐後地加碼城市高階智駕,理想、問界都將相關功能的投放時間從今年三、四季度提前到6月之前。

儘管站在智能電動汽車滲透率陡增的歷史機遇期,特斯拉的競爭者們實際上都危機感深重:一方面,特斯拉已經掌握當下智能電動汽車產品的定價權與話語權,完全有能力開啓一輪乃至多輪價格戰;另一方面,特斯拉的雲端基建也難有人望其項背——這很可能是智能汽車下半場的勝負手。

特斯拉這條鮎魚的強力攪動,背後其實是行業的深刻變化:智能電動汽車的競賽,正在從主要比拼車端產品的1.0階段,步入同時比拼車端、雲端實力的2.0階段。

誰能將智能電動汽車看成一個車與雲雙輪驅動的整體,對雲投入更多資源,誰才能在智能汽車的下半場中佔得先機。

02

高階智駕的新要素

當時間來到2023年,當國內車企紛紛在高端車型上佈置好高規格硬件,排出城市高階智駕量產時間表時,行業赫然發現,一朵智能汽車雲,已然成爲高階智駕競賽的新要素。

原因在於,一方面高階智駕的算法框架趨於統一,BEV+Transformer以其強大的能力征服了行業,另一方面Transformer模型本身對數據數量有着極高要求,如果數據規模較小,其性能表現可能反而不如傳統的CNN模型。

這在一定程度上改變了行業競爭的方向——數據體量與超大規模數據處理能力重要性空前提升,雲端能力不足將直接失去高階智駕的競賽資格。

然而,並非所有車企或者是供應商都有能力像特斯拉一樣建立起龐大的數據處理中心與數據處理管線,業內甚至存在一種說法,自建一套能支撐自動駕駛算法迭代的私有云,難度絲毫不亞於造車。正因如此,車企對第三方雲計算、雲存儲與雲服務需求勢必爆發。

去年8月,小鵬汽車與阿里雲合建智算中心,將其雲端算力儲備擴充至600 PFLOPS;緊隨小鵬,長城旗下毫末智行在今年與火山引擎共建了670 PFLOPS的智算中心。蔚來也在去年底宣佈和騰訊雲合作,打造智能汽車混合雲基礎設施。

不過,如果細緻地看,車企對雲的需求並不只是單純的算力要求。

一方面,高階智能駕駛車輛由於搭載大量高精度傳感器,在法規中其性質趨近於“測繪”,因而必須在數據使用的流程中保證數據合規。

另一方面,智能汽車的數據閉環有着繁多的環節,比如存儲、訓練 、驗證、部署等,因而須有先進的全套工具鏈,對各個環節予以優化,才能避免出現木桶效應,保證整個流程高效運轉。

此外,由於高階智能駕駛對雲計算、雲服務會有長期、大量的需求,車企對此也會有明確的成本訴求,希望兼顧性能與成本。

這些多層次的具體要求,最終必然要更專業的雲服務予以滿足。去年,騰訊率先對此予以響應,在上海開了業界第一個專門爲自動駕駛設立的雲專區,在其公有云、私有云、專屬雲基礎上,推出騰訊智能汽車雲平臺——一朵專爲自動駕駛服務的專用雲。

相比於將通用的雲用於自動駕駛,專雲專用的意義在於,原本看起來難以兼顧的“既要又要”需求,自動駕駛專用雲都能予以滿足,從數據接入到模型部署,全流程爲自動駕駛減負。

博世高階智駕基礎設施研發總監黃羅毅在最近一次公開演講中就表示,博世之所以選擇和騰訊合作,有兩個重要原因,其一是騰訊的自動駕駛專屬雲,能夠實現全棧物理隔離,滿足數據安全法規;其次是騰訊能夠提供一套完整的合規服務,可以讓博世專注於上層功能的開發。

針對自動駕駛算法開發、訓練時的痛點,騰訊雲自研了GooseFS緩存加速產品和TACO軟件加速器套件,能夠解決大規模模型訓練中的最大的堵點——帶寬瓶頸,爲模型訓練提速。

在模型優化、驗證環節,騰訊結合了遊戲科技和雲的能力,能提供TAD Sim虛擬仿真引擎——它擁有超過300萬個場景,可在50km x 50km的城市區域(相當於北京六環內的面積)容納超過100萬輛仿真車輛同時運行。要提升自動駕駛汽車在複雜交通流下的博弈能力、驗證算法可靠性,這種高性能仿真引擎不可或缺。

騰訊能夠提供TAD Sim虛擬仿真引擎

而應對成本需求,騰訊的智能汽車雲平臺則對各環節予以降本提效,通過雲上-雲下一體化,軟件-硬件相結合的自研存儲方案,可以實現50%降本;在騰訊智能汽車雲提供的一站式算法開發、訓練框架方案中,數據接入工作量會減少8成,標註成本能降低7成,最終算法開發TCO(總擁有成本)也降低了50%以上。

正是看到了這些特性的價值,蔚來、博世、奔馳、英偉達等大型企業相繼與騰訊智能汽車雲達成合作。顯然,一朵受人青睞的智能汽車雲,既要有全棧能力,也要有性價比優勢。

03

基礎設施的新挑戰

在智能汽車的競賽中,車企們近兩年紛紛患上算力飢渴症,不遺餘力地在車輛上堆砌大算力芯片,一輛汽車的算力可以達到數百乃至上千TOPS。強大的車上算力彷彿是智能汽車“智商”排名的衡量標準。

實際情況並非如此。如今的智能汽車其實是一個“車雲一體”的智能終端,車端負責數據收集、服務觸達以及一部分本地實時運算,雲端則是一個更復雜的後勤部門,負責大規模數據存儲、計算與算法訓練,並將完善的算法或服務下發到車輛。

無論是車企還是雲計算廠商,都擁有這樣的共識——一個足夠強大的雲端,可以讓車端“輕裝上陣”,減少對實時算力的需求。

事實上,高精地圖(HD Map)正是在這樣的需求下誕生的。它通過雲端獲取的上帝視野,幫助智能汽車更好地感知環境、作出正確的駕駛決策,實現更可靠的智能駕駛。但由於法規、成本等問題,此前高精地圖鮮度不夠,通常是以季度爲單位,更新速度趕不上車企高階智駕進城的需求,行業紛紛轉向“重感知輕地圖”的技術路線。

而在“輕地圖”的呼聲中,其實還分化出了完全不用高精地圖和使用輕量級高精地圖的陣營。

前者主要包括特斯拉及其一部分追隨者,他們認爲人類無需高精地圖就能開車,自動駕駛汽車也應該做到。不過完全不用高精地圖也有代價,即車輛必須擁有更強的感知算法、更能爲不可靠感知兜底的規控算法以及算法背後足夠強力的硬件尤其是芯片。

後者則主要是認爲對待自動駕駛應該更加審慎的大廠,在他們眼中高精地圖的上帝視野與對道路元素的精細呈現,能夠多一層冗餘,更好地保障高階智駕的安全。只不過高精地圖的支持者們也認爲,高精地圖這種重資產,在當下要做適當的減法。

長安汽車地圖開發總工程師顏凱就表達過這樣的觀點:“未來城區智駕地圖面臨的最大挑戰在於城區地圖的覆蓋與鮮度,巨大的城市道路里程基數加上日新月異的城市道路建設與百餘輛專業高精采集車採集能力之間存在明顯的鴻溝。”

這種鴻溝不僅讓車企自己的軟件團隊要打足雞血、小步快跑,其實也對雲商和圖商都提出了新的挑戰:

作爲一種重資產的基礎設施,雲商和圖商要如何跟上智能汽車快速變化的風向?要如何既能提供輕量、易用的雲圖服務幫車端減負,也實現自身的商業閉環?

這些挑戰往往需要進技術、產品、商業模式的創新。

今年以來,面對智能駕駛“重感知輕地圖”趨勢,圖商紛紛開始推出“輕量級高精地圖”。比如百度表示將推出輕量級高精地圖,高德的同類產品也在規劃中。

騰訊的思考是,雲的能力,是將高精地圖做輕的有效途徑。

在地圖生產工藝上,騰訊率先實現了“一張圖”的模式。

所謂“一張圖”是指,一體化的地圖生產體系,天然融合了標準地圖(SD Map)、輔助駕駛地圖(ADAS Map)、高精地圖(HD Map)等不同精度等級的地圖數據,共用一套路網,不僅做到了數據同源、質量同級,也能更靈活的根據車企不同駕駛模式的精度要求,按需提供地圖數據服務,進一步降低成本。

在“一張圖”的生產模式之下,騰訊專門服務城市智駕的地圖產品應運而生:HD Air輕量級高精數據。

一方面,形式更輕,將地圖元素聚焦在服務智能駕駛的必要元素上,在滿足L2+需要的米級精度的同時,表達更簡潔,成本更低;另一方面,通過結合高精度點雲自採、衆源採集、影像採集等多種採集形式,將更新頻次從季度或者月級提升到周級。畢竟城市道路變化頻度更高,時刻保證地圖的“鮮度”至關重要。

交互界面,也是讓用戶直觀體驗智能駕駛的關鍵窗口,所以讓地圖更“輕”的同時,還需更精緻刻畫地圖要素。比如,騰訊HD Air對POI(興趣點)、建築、斑馬線、停止線、植被、河流、湖泊水波紋等要素進行更精緻的刻畫,可以支撐更逼真的3D地圖實時渲染效果,讓用戶身臨其境。

騰訊和Untiy在上海車展期間展示的3D實時渲染地圖

據瞭解, HD Air能夠在今年年底前擴展到全國50座城市。在騰訊雲端能力的加持下,HD Air能夠做到常用常新。

鍾學丹介紹,雲和地圖能力的緊密結合可以幫助車企構建起一張由用戶來運營的“活”地圖。實時的車端感知數據,進入雲端進行多程建圖,幫助提升諸如道路邊界信息、道路標記等元素的鮮活度,實現地圖的定製化更新。這種方式,可以幫助車企打造更符合用戶行駛習慣和熱點路線的鮮活地圖。

站在行業的角度看,輕量級高精地圖的推出降低了客戶的使用成本,提高了城市覆蓋率和更新頻率,有望推動自動駕駛滲透率進一步提高。從客戶層面來看,這種輕量級地圖的出現和普及也是車端感知和規控算法成熟之後的一種必然。

04

尾聲

近兩年肉眼可見的趨勢是,智能汽車的迭代速度正在變得越來越快。根據乘聯會數據,去年一年特斯拉進行了10次OTA,蔚小理與問界則進行了8-9次OTA。

儘管如此,相比於智能手機可能每天都在進行的軟件更新,智能汽車的更新速度仍稍顯“緩慢”。但現實的約束是,智能汽車要做到“常用常新”的代價要高得多——一款智能汽車迭代一次算法可能是百萬美金的付出,如果出現bug則可能是生命的代價。

正是因爲涉及到更高的安全要求和更敏感的成本訴求,選擇一家靠譜的雲合作伙伴,建立起強大的雲端能力,對車企來說比以往任何時刻都更重要。