自從ChatGPT橫空出世，似乎一瞬間，萬物皆可AI。眼下與智能化綁定頗深的新能源汽車，當(dāng)然也不會錯過這個風(fēng)口。在昨日（5月20日）的小鵬AI智駕發(fā)布會上，小鵬汽車就宣布，將在明年一季度之前，在旗下所有車型上完成AI系統(tǒng)的推送。但在高大上的AI概念背后，小鵬的AI系統(tǒng)對智能駕駛到底能帶來怎樣的效果，才是用戶更關(guān)心的部分。

結(jié)果對了就是好AI，那過程呢？

首先，AI并不是一個新概念。只是“人工智能”在近年來，在逐漸展露出自主學(xué)習(xí)能力上的天賦。落在汽車智能駕駛概念上，我們一般將其稱為端到端的運(yùn)行邏輯。在小鵬汽車的發(fā)布會上，也將其AI智駕描述為“端到端大模型量產(chǎn)上車”。不過在解釋端到端的邏輯與效果之前，我們得復(fù)盤一下模塊化架構(gòu)。因?yàn)楹笳卟攀侵悄荞{駛領(lǐng)域現(xiàn)階段的主流邏輯，包括華為、百度等，在智駕方面都是采用該搭建方式。

 

模塊化，即將整個智能駕駛過程，拆分成多個組成部分。比如感知、追蹤、預(yù)測、判斷等等。然后每個部分由不同的模塊來處理，整套邏輯也就類似流水線效果。如果再類比一下，就像汽車的ECU模塊，然后通過總線連接在一起。只不過，智能駕駛的信息，除了感知，還有辨識、預(yù)測、計算等過程。在模塊化流水線邏輯下，上游的數(shù)據(jù)吸收與信號輸出如果有誤差，那么下游根據(jù)該結(jié)果得出的結(jié)論，也會有偏差。而最終得出結(jié)論的決策部分，本質(zhì)上是得不到“一手資料”的存在。這便是智能駕駛模塊化邏輯的局限性。

 

而端到端的邏輯，就等于從感知到?jīng)Q策，全部揉在一個模型中。當(dāng)系統(tǒng)輸入圖像、速度等信息后，將會直接得到諸如轉(zhuǎn)向、剎車或加速等執(zhí)行結(jié)果。因此，研發(fā)工作只需要圍繞這一個模型進(jìn)行訓(xùn)練和優(yōu)化，資源集中度更高，系統(tǒng)的理論上限也更高。相對而言，模塊化邏輯伴隨需要增加的模塊越來越多，研發(fā)調(diào)試的壓力也會越來越大。這點(diǎn)與之前聊過的汽車ECU不斷累積，最終導(dǎo)致信號傳遞效率被局限的邏輯，是類似的。

 

看起來端到端有其先進(jìn)性，但它并非眼下的主流邏輯，也就意味著肯定有無法克服的短板存在。簡單來說，輸入?yún)?shù)，得到結(jié)果，那么端到端的過程在哪？答案其實(shí)是，沒有過程。整套邏輯就是一套“黑盒”，它不僅沒法傳授給其它汽車產(chǎn)品（除非將智能駕駛部分完全剝離，也就是“出賣靈魂”）。甚至對小鵬汽車本身而言，也沒辦法做到解釋清楚。

 

也就是說，即便系統(tǒng)做出了正確的判斷。但你不知道它到底是如何計算出來的，以至于在下次遭遇類似的環(huán)境下，或者改變一定參數(shù)后，系統(tǒng)是否還能得出正確的結(jié)論，也是未知。這就好像做數(shù)學(xué)選擇題，答案填對了，但并沒有解答題一樣清晰地解題過程。于是老師并不能完全判斷，在更改題干信息之后，學(xué)生是否還能選出正確答案。然而對于ChatGPT這種語言信息類AI，即便是出錯了，大概率也就是博人一笑，成為茶余飯后的談資。但對高階駕駛輔助功能而言，這就是安全隱患。

只拿來上下班，效果就是最好的？

當(dāng)然，小鵬AI不可能放任這一隱患。但想要為這套系統(tǒng)打補(bǔ)丁，就至少要做到兩點(diǎn)。第一，便是海量的學(xué)習(xí)過程。這個海量，既有對同一道路信息的不斷學(xué)習(xí)，又有對不同時期，同一道路的信息采集。其次，則是學(xué)習(xí)信息的限制。比如駕駛員過于激進(jìn)，甚至違反法規(guī)的操作，都會被剔除出采樣目標(biāo)。前者可以等同于“刷題”，雖然改卷老師不知道學(xué)生是否弄懂了一道題的底層邏輯，但通過對同類問題的海量的解答，老師最終可以默認(rèn)學(xué)生的解題過程是完全正確的。后者則是對安全性的客觀鎖死，避免AI系統(tǒng)跟著駕駛員“學(xué)壞”，進(jìn)而“青出于藍(lán)而勝于藍(lán)”。

 

但這套補(bǔ)丁的局限性也是顯而易見的。結(jié)合網(wǎng)絡(luò)上曝光的部分駕駛信息，小鵬AI往往需要對同一道路進(jìn)行多次學(xué)習(xí)，也就是車主駕駛，AI像學(xué)員一樣記錄分析，才能逐漸迭代為可用效果。而在遭遇環(huán)境變化時，比如環(huán)境車輛沒有按照法規(guī)行駛（未打轉(zhuǎn)向燈、加塞等），小鵬AI則會進(jìn)入保守駕駛風(fēng)格，直至下一計算周期（一定路程或時間后）。而在跳脫出日常駕駛路線后，整套學(xué)習(xí)流程便需要重新開始。也就是說，常走的固定線路，與不常走，甚至初次行駛的道路之間，小鵬AI的駕駛輔助效果，會出現(xiàn)較大的差距。

 

在此基礎(chǔ)上，我們再參考一下華為現(xiàn)階段的ADS 2.0系統(tǒng)。兩者理論上都可以脫離高精地圖，但導(dǎo)航路況信息依舊是必需品。華為在依托基礎(chǔ)導(dǎo)航信息的路線規(guī)劃上，再依靠自身攝像頭、雷達(dá)等感知信息，憑借較強(qiáng)的算力以及算法模型，對路況做出精確判斷，從而下達(dá)執(zhí)行指令。結(jié)合具體情況來說，比如在下一路口需要左轉(zhuǎn)彎的情況下，華為智駕可以提前觀察路況，適時并入左側(cè)車道，做到流暢安全行駛。但在擁有多條左轉(zhuǎn)彎道路的情況下，它依舊會選擇默認(rèn)進(jìn)入最左側(cè)車道。即便車主自己駕駛時，會根據(jù)排隊(duì)車輛的多少，選擇更有利的車道。

 

簡單來說，這個學(xué)習(xí)過程，必須經(jīng)過工程師積累，然后納入算法模型中，才能為華為智駕系統(tǒng)所用。而小鵬AI自身就具備一定學(xué)習(xí)能力。那么結(jié)論就很清楚了。如果是在長期反復(fù)行駛的路況條件下，比如上下班、接送小孩等場景下，小鵬AI的體驗(yàn)效果大概率會優(yōu)于現(xiàn)階段的華為智駕。因?yàn)榍罢咛幱诓粩嗟校曳像{駛員自身的駕駛習(xí)慣。但在較陌生道路，甚至陌生城市環(huán)境中，華為智駕積累的普適性算法模型，以及對自身算力的靈活應(yīng)用，使其更具有廣泛適用的基礎(chǔ)。同時，華為智駕的邏輯一致性，使得駕駛員在“合作”后，很容易拿捏其尺度。