版權聲明：本文版權爲本站汽車所有，轉載請註明出處。
本站汽車11月8日報道
11月3日，2023中國汽車軟件大會在上海嘉定舉辦。本屆大會以“聚軟件之力，創數智未來”爲主題，緊扣新時代汽車產業高質量發展和汽車軟件發展要求，旨在打造汽車軟件領域開放、高端、權威的交流與溝通平臺。
在下午舉辦的“智能重塑生態，軟件賦能轉型”主題論壇上，同濟大學汽車學院教授朱西產發表了主題演講。
Sailor Fuku Tanya-chan no Hanashi 短篇
以下爲嘉賓演講實錄：
電動化之後我們在談智能化，智能化所有的功能幾乎都要靠軟件實現，軟件裡有一個分支是AI，是用人工智能的，是訓練出來的，不一定是程序員編出來的。那麼我們來看看AI賦能下智能汽車的趨勢。汽車我們說在當前經濟下變得更靚麗了，比原來兩個超萬億的產業現在來看汽車產業比房地產產業健康得多，也賦予了新經濟更好的趨勢。
從上面看以爲汽車日子很好過，但是也不好過，也面臨着轉型痛點，“關停並轉”也是行業面臨的一種行業態勢，但是至少希望是有的，向電動化和智能化革命兩個大方向發展。
電動化的好處是我們已經成功走出了一條中國之路，電動化之後怎麼走好智能化，在今天電動化和智能化革命的時候難點，我找到這樣一本書提到“跨越鴻溝”，我們開車爲什麼要開電動車，我們曾經糾結過，現在還糾結嗎？好像不糾結了，電動已經跨過了鴻溝，因爲這些技術非常炫酷，但是其實已經超出了用戶的基本需求，在產品的初期還是存在很多糾結的，那麼過去的5年我們一直在糾結，用戶真的會接受一臺不好用，又貴又不好用的電動車嗎，那電動車我們說終於跨過鴻溝了。
那麼在今天我們又問用戶真的會接受自動駕駛汽車嗎，今年大量第一代的這種L2+的車落地了，其實賣的並不算太好，又出現了一個鴻溝，大家要知道的是到底用戶能接受自動化程度到什麼程度的一輛車，對一輛智能汽車，尤其以自動駕駛爲賣點的一輛智能汽車又出現在鴻溝這裡，有沒有人能接受，這個鴻溝對於這些超出用戶基本需求的高科技產品的話，在這本書裡提到有這樣的鴻溝的。要到16%的市佔率才能跨過鴻溝，而且這個鴻溝是要主機廠自己想辦法跨越的，左邊的用戶影響不了右邊的用戶，因爲左邊的用戶被右邊的用戶認爲是“燒包”，右邊的用戶認爲左邊的用戶是“土老冒”，鴻溝兩邊的用戶沒有辦法對話的，對話就會吵起來的，所以汽車廠家一手託兩家，又要照顧這幫“燒包”，又要把這幫“土老冒”拉過來享受自己的新技術。
所以電動車可以看到，最早特斯拉出來的時候用零百破三炫酷嗎？炫酷！但是零百破三真的有用嗎，其實沒有用。你仔細看看百公里加速時間在5-6秒的車開起來是比較好的，零百破三一腳油門下去1.9秒到100公里的車，反正我的胃踩三腳下去就吐了，有的人能力稍微強點五腳也吐了，其實吃不消，所以其實零百破三不是很好的體驗。傳統的內燃機汽車零百在9秒10秒，動力差一點的車零百到11秒、12秒，這些車的確很差，給我感覺零百在5-6秒是比較好的，所以零百破三很炫，的確很炫，特斯拉用很酷炫的，加速能力強作爲最好的亮點，這羣燒包的人會使用。
這張圖最左邊的那批人被割了韭菜的，最早的2.5是燒包裡的韭菜包，這批人影響不了右邊，所以汽車廠推新技術的時候不僅要找到這幫“燒包”的用戶，還要想辦法找到相對比較保守的用戶，按照這張圖來看16%左右會是一個跨越點，現在電動汽車我們可以看到用零百破三的炫酷能力獲得了第一批用戶，這羣燒包用戶有了，現在用造型時尚，動力好，續駛里程，現在的電池技術續駛里程達到500，600可以了，快充五六百公里使用起來也很好了，也開始打動了這羣用戶，去年中國市場達到了26%，16%大概是這批鴻溝的跨越點，今年中國熱銷，電動車和新能源車處於熱點。也許電動汽車會迎來全球的熱銷，這是有可能存在的，從統計規律上是有可能存在的。
第二塊看看智能，在智能賦能下汽車有可能呈現製造業和IT業的雙重屬性，IT業是市值排名，前三家是特斯拉，豐田，比亞迪，銷量排名第一的豐田現在的市值排名在第二，去年銷量排在15的特斯拉市值在第一，比亞迪去年銷量排名13，市值第3，呈現了雙重屬性。這裡IT的部分，高科技的部分現在主要看它的智能化能力，智能化能力從用戶角度來說智能座艙和智能生活空間，智能駕駛三個領域。
談到智能重要的事情你可以說軟件定義汽車，這是一個詞，第二個軟件裡有非常大的一塊東西是AI軟件，AI在智能汽車裡所佔的比例越來越重，我們看到目前在車端使用的應該預測是AI模型，今年在卷大模型，我們說生成式AI，生成式AI現在在車端算力平臺還是轉不動的，還是在雲端，但是大模型也開始賦能智能駕駛這塊，但是什麼時候到車端這塊還是要看車端算力的提升情況，所以我們說AI已經發展到預測式AI模型，專業模型和生成式AI模型的大模型兩塊。
我們來看看汽車行業的智能汽車的大發展趨勢，看看特斯拉的顛覆到底會把這輛車變成什麼，當然特斯拉現在Modle3和ModleY是上量的汽車，車身結構也有巨大的變化。從商業模式可以看到特斯拉充電是它的很大的一塊盈利方向，從車之外去年開始其實在做儲能，因爲做不好儲能充電業務的盈利會受到一定影響，所以他靠充電掙錢。第二個靠賣軟件掙錢，FSD成爲它主要的來源。特斯拉也靠賣保險掙錢，保險費用一高在美國車賣不好，在國內鋁車身的車（22：50）。做下來在FSD下明顯賠錢的保險也被他做盈利的，靠保險賣錢也是一個趨勢。下一步最大的可能性保險是主機長自己營銷的。
所以從特斯拉對汽車產業的顛覆來看，從賣車掙錢，後面會靠數據和軟件掙錢，商業模式也在向這個方向轉，特斯拉現在已經非常明顯看到是這樣的趨勢，賣車也掙錢，靠保險也掙錢，靠FSD也掙錢，盈利模式也會發生改變。靠賣軟件掙錢做到什麼樣的軟件用戶會掏錢買，FSD在美國已經有接近40萬人的用戶，就是FSD做到這個程度，當然這樣的能力我相信華爲系的車也能做到，問界也應該能做到，小鵬的車應該也能做到，在高速上未來理想的車應該也能做到，但是在國內這樣的視頻發不出來的，我們的網管比較嚴，雙手完全脫離方向盤，這樣的視頻根本發不出來，這樣的視頻發出來警察會找上門，這樣的駕駛能力是盈利模式，他的能力的確很強。這個東西是不是L3，現在主機廠不願意用這個名字，還叫L2，或者是叫L2+，這樣的功能接管率已經從傳統的L2百公里20多次降到近千公里只有一次左右，這是很強的，也可以看到它的能力的確非常強，無論從顯示還是它實際的表現，做到現在能不能叫自動駕駛，這個介於L2和L3之間的狀態，這是智能駕駛達到的程度。
存在的問題是FSD11版本今年2月份也被召回一次，在封閉道路沒有問題，在城市道路還有一定難度。智能駕駛難就難在這裡，還有安全的長尾難題，位置的不安全場景，這個位置的不安全場景現在預測式AI標籤問題導致的，我們能不能做出來一個完備的標籤，這是一個難題。現在裝車的AI軟件部分，AI模型基本上預測式AI，預測式AI強烈依賴標籤，標籤缺失就會有問題，標籤識別錯誤也會有問題，這部分感知部分是AI模型，這兩個東西都依賴標籤，一旦標籤錯誤就會出問題，這是典型的標籤匹配錯誤而導致，這個車長這樣子以後，沒能認出來，這是典型的匹配錯誤導致的，這個輕軌不知道被他標記成什麼東西了，導致目標物的運動預測的錯誤而導致運動規劃的錯誤，剛剛叫做自動駕駛發生左轉是會發生碰撞的，所以這樣的問題還是存在的。
在AI的加持下，智能駕駛下L2+的這些車接管次數從百公里20+，已經降到千公里1次2次，但是恐怖谷，100公里才需要1次介入，用戶就會放鬆警惕，會把它當自動駕駛使用，就會分心，就會玩手機，甚至躺下睡着了，這是最危險的時候，所以L2+其實自動駕駛的能力大大提升了，但是就是一瓶子不滿，半瓶子晃盪的時候纔是最容易發生事情的。智能駕駛這塊到L2+的時候還是很糾結的，今年其實這些高算力的裝了英偉達，非常貴的英偉達芯片的車賣的並不好，但是這樣的自動駕駛我們肯定有需求，這裡AI部分是要用數據驅動的，要做數據閉環，現在我們可以看到基本上各個企業都在建場景庫，數據集，大概採到100萬公里，100萬公里再採集下去這個要求太高了，對彌補漏洞問題不大，AI就是要用數據驅動，這個數據閉環現在基本上企業開發採集100萬公里左右的數據，然後用影子駕駛把這個車賣出去，從用戶那邊採集數據，有了足夠量用戶以後，特斯拉一個季度可以刷到1.5億左右。
自動駕駛的鴻溝現在還沒有跨過去，如果跨過這個鴻溝靠炫酷是不夠的，重要的是要實用，電動汽車已經跨過了鴻溝，去年電動汽車我們說新能源汽車的市佔率高達26%，今年應該超過30%是沒有問題的，像上海、深圳、廣州這種可能是新能源汽車在新車銷量裡是半壁江山，超過60%幾的市佔率了。L2+或者是自動駕駛這個市佔率什麼時候上來，跨越鴻溝的時間要吸引右邊的比較務實的用戶靠炫酷不行的，一個城市的NOA非常有用，第二個怎麼解決安全問題，L3認證，L3高等級自動駕駛的認證工作正在推進中，不遠的將來國內也會發布，現在國檢中心在做這方面的工作，對自動駕駛進行測評。
現在企業的開發三支柱裡雖然仿真也在做，試驗場也在做，道路也在做，雖然看上去三支柱都在做但是有點脫節，離開試驗場有這個難題，無法實現全覆蓋，一是危險程度無法全覆蓋，第二個遮擋程度無法全覆蓋，第三個是目標物的種類無法全覆蓋，第四是惡劣天氣無法全覆蓋。第二個數據閉環不走用戶數據閉環採集的費用很高，尤其是數據標記的費用很高，所以近期在學會這邊組織怎麼能夠完成自動駕駛汽車的認可認證，其中場景庫是一個共識，怎麼建造一個能夠支持自動汽車駕駛的場景庫。如何用場景庫的數據打通三支柱，這是近期由學會的戰略規劃部組織，怎麼做好自動駕駛，它的認可認證，其中場景庫這塊是我做了一個引導，做過幾次研討會，我們提出來一個場景庫的數據應該從數據上來體現三支柱，數據驅動，這個數據除了道路採集以外，試車場能不能成爲數據平臺，仿真能不能成爲數據仿真平臺。
道路採集數據標記成本居高不下，怎麼降低成本。第二個實驗場的測試怎麼提高保真度，第三個是仿真平臺怎麼提升自信度，這是我們近期做得工作，做好三支柱裡用數據怎麼打通三支柱。
第一是降低道路採集數據標準場景，這是必須要做的，AI大模型現在正在發揮着重要的作用。第二個，有了這個以後，通過數據測試說明試車場測試的仿真。仿真形式，剛剛做自動駕駛的時候，招了大量的遊戲的團隊這些場景，尤其是前面提到的四類場景，這些邊緣場景在道路上很少碰到，能不能像玩遊戲，像動畫一樣把它做出來，遊戲團隊做的這個方式一開始寄予厚望，後來慢慢這個熱情降下來了，發現不行。
隨着大模型的出現，又重新燃起了希望，近期有很多做大模型的來生產場景。這是7月21號華爲在烏蘭察布爲汽車行業，華爲云爲汽車行業做的數據中心開業的時候他們的報告，盤古大模型來做場景生成，當時這個報告在介紹的時候由毫末智行做背書，盤古大模型繪出來的這個圖現在來做AI試行是有幫助的，所以我們希望這個新的場景在道路上如果很難採集到這些場景，能不能用AI大模型畫出來，這也是在嘗試。
數據是智能化的核心，它的數據驅動的，現在來看，智能駕駛汽車今年面臨着幾個變革，一個攝像頭從200萬像素到800萬像素，200萬像素的攝像頭搞不定道路上的一些東西，今年大概可以看到新出來的800萬像素。800萬像素的攝像頭現在缺少數據集，激光雷達大家還是覺得它貴，所以今年大家關注的是800萬像素的攝像頭加4D毫米波雷達是不是可以承擔起自動駕駛汽車的環境感知，所以今年我們幾家聯合起來做了這樣的事情，用800萬的攝像頭和4D毫米波雷達和激光雷達，在長沙做了數據採集，這樣形成了數據集，做AI沒有數據集什麼都做不成，現在200萬像素的攝像頭，傳統超聲波雷達和激光雷達這樣的數據集我們已經做得非常好了，但是800萬像素的攝像頭4D毫米波雷達加激光雷達，這樣的數據集。
後面有人談操作系統，我們試圖用操作系統解決軟硬解耦問題，但是不幸的是，現在的AI還做不到軟硬解耦，200萬像素攝像頭數據集到800萬像素的攝像頭和傳統毫米波雷達和4D毫米波雷達，互相之間還是有一定的功用性。所以既然新一代自動駕駛汽車的環境感知，傳統汽車發生改變，爲了AI就需要新的數據集，這是今年我們在做這一塊，有了數據集AI大模型才能做下去。所以這是近期由戰略規劃部組織討論L3的認證到底需要打通哪些環節，這裡面對場景接下來我們會做一個閉門會，形成的共識需要AI算法探索開放式數據集。
現在新的突出表現是800萬像素和3D毫米波雷達，當然激光雷達作爲一個標準傳感器是需要這樣一個沉浸類和開放式的。第二個是兩個創新方法，除了道路採集數據以外，試車場的數據怎麼樣，仿真平臺的數據怎麼樣，對每類場景我們既有道路採集數據，又有試車場採集數據，又有仿真平臺數據，來看道路採集數據，試車場保真度怎麼樣，仿真平臺自信度如何，這樣纔有可能打通三支柱。
第三個要關注接管，L3跟L4不一樣，L3駕駛員在車上允許接管，做好接管，一個ODD邊界接管現在做得蠻好，關鍵是這兩個危險場地，一個是安全度怎麼獲取或者風險接管是怎麼做到的，再一個是環境感自信度不足的位置，位置沒顯示，你搞不定，你覺得是自信度不夠高，你不妨把駕駛員喊過來，因爲L2加L3的價值還是在的，所以接管是L3重要的一環。
第二個FFD，特斯拉的12版本在技術路線上也引起了全行業振動，它是AI端到端。AI端到端到底是不是全模型，現在來說不是。從特斯拉的一些情況來看，特斯拉顯然是在做端到端的大模型，用大模型的確可以做到端到端，這方面國內我看華爲發明的GOD應該就是這樣的，所以在這塊國內跟特斯拉在很多技術路線上沒有什麼大的變化。
從歐洲的建設來看，特斯拉顯然在做大模型，大模型是可以真正做到甩脫這個標籤，我們說邊緣場景其實就是標籤選擇，你沒法保證標籤是搭配的，如果能甩脫標籤的話，這個邊緣場景可能能夠解除。從特斯拉算力建設來看，它到後面就要幹到100億，這個算力顯然不是現在的預測式AI所需要的，預測式AI有幾百個P，甚至1000P是足夠的，用不着這麼高的算力，從它做這個算力來看，特斯拉應該在做大模型，特斯拉是一家在做，我們如果每個汽車廠都去做，每個企業都去對特斯拉，當特斯拉做成大模型的時候，我相信國內任何一個汽車廠獨立做，做不出來。
因爲像剛纔看，特斯拉明年10月份是100億的算力，100億的算力是什麼概念？我查了一下我們的規劃，計算規劃我們到2025年全國的算力也就是300億，特斯拉到明年做100億，所以我們每個汽車長都要建這樣的算力，都要做大模型才行，我們還是要發揮團結的作用纔有可能。
新能源革命中國已經走到了世界前沿，我們做得非常好，接下來5年內以L3爲標誌的智能化革命即將到來，《不顛覆就會被淘汰》這本書看完也是很有感觸的，我們的盛況即將到來，所以現在看來也是很有感觸的，我們打勝了第一仗，接下來馬上要打第二仗——智能化戰爭。
謝謝大家！