今天小編分享的汽車經驗：汽車智能化進入賽點：城市NOA落地競速，戰至最後一公裡，歡迎閱讀。
城市 NOA 的競争正在加速進入落地階段，6 月即将結束，理想汽車計劃在剩餘幾天内，在北京和上海開啟城市輔助智能駕駛功能内測，并在下半年推出通勤智能駕駛功能。
其應用方法是，車主可用在日常使用中，基于智能化車輛的配置進行自主訓練，令車輛熟悉上下班通勤的固定路線，進而在這一場景實現輔助智能駕駛。
同一時間段，特斯拉被曝其輔助駕駛系統 FSD Beta 的代碼中，已隐藏有 L3 級别自動駕駛功能，可以在時速得到限制的情況下脫離駕駛員的手腳操作。此前，中國工信部和美國幾個州管理部門均已表示支持 L3 級及更高級别的自動駕駛功能商業化應用，并加速推動法規層面的責任劃分。
城市，因其復雜的交通環境和可能出現的突發狀況，無疑是所有智能駕駛場景中最難攻克的一關。但又因其用戶使用頻率和品牌感知價值，成為車企的兵家必争之地。理想汽車智能駕駛副總裁郎鹹朋此前就表示，行業的最大痛點，就是 " 消費者對智能駕駛的價值沒有直觀感知 "。
地平線創始人、CEO 餘凱在今年 4 月初舉行的中國電動汽車百人會論壇 ( 2023 ) 指出：" 什麼是用戶價值，當前用戶對駕駛的需求真的是無人駕駛嗎？我們的調查數據顯示，87% 的用戶真正要的是駕駛過程中那種輕松感、消除緊張和疲勞。" 而這正是在城市場景落地輔助智能駕駛的最大意義。
顯然，如此重要的場景注定會遭遇車企的一擁而上。理想甚至已經算是後來者，從毫末智行等技術供應商，到小鵬汽車等主打智能化賣點的車企，城市 NOA 的競速，早已變成 " 卷王 " 的戰場。賽點已現，勝點又在哪裡？
城市 NOA，" 卷王 " 扛大旗
理想汽車目前已面向 L 系列的 7 個車型推送了相關更新，但在試圖加入城市 NOA 的大軍面前，這只能算達到了參戰标準。據不完全統計，車企的城市 NOA 落地競速大致始于去年 9 月，至今已有多家車企拿出成果。
例如去年 9 月，毫末智行宣布城市 NOH（ Navigation On HPilot，領航輔助駕駛）即将量產，搭載于魏牌摩卡 DHT-PHEV 并成為 " 國内首個量產上車的城市輔助駕駛系統 "。而在今年 4 月上海車展期間，小鵬、華為、騰訊等紛紛公布了關于城市 NOA 的方案或落地進展。除了自研，合作也是一條道路。例如智己汽車與 Momenta 合作，為旗下 L7 和 LS7 車型配備了 NOA 功能。
NOA 是智能化最直接的表現亮點之一，而智能化和電動化又是新能源車彎道超車燃油車的關鍵途徑——通過再造一個體系，實現不同标準下的錯位競争。所以，這引發了從傳統車企到新銳車企的共同争搶。長城汽車依靠的是子公司毫末智行，而吉利也推出了自己的高階智駕領航系統，比亞迪則與百度、Momenta、地平線等開展了廣泛合作。
早期，車企還抱着試探的态度，如今 NOA 成為了產品力的一部分，車企才給予了更大力度的押注。5 月中旬，工信部放出消息稱《智能網聯汽車标準體系指南》即将正式發布，其中涵蓋了對 L3 級别自動駕駛商業化的相關規定。中信證券認為，這有望為行業後續發展掃清障礙。
導致轉折的另一大關鍵點，是數據積累的奇點已至。早期智能車受限于軟硬體水平、應用規模等，能從現實中獲取的數據信息十分有限，難以根據這些要素迭代出成果。但經過長期發展，越來越多的車企構建了自己的智能駕駛大模型——值得一提的是，車企推動數據應用具有天然優勢，例如按裡程數據看，滴滴是世界上唯一擁有千億公裡數據的自動駕駛公司，但要讓這些數據轉化為智能駕駛的養料，則有明顯的難度。
交通運輸部數據顯示，中國公路總裡程目前超過 535 萬公裡。按結構看，其中僅有不到 20 萬公裡歸屬于高速公路場景，其餘場景中，尤其是車主日常行駛最多的，正是城市場景。大部分車企的車主，預估有八成以上的行駛裡程是在城市場景内，并以日常通勤為主。
因此，對已經積累了足夠道路和行駛數據的車企而言，開放用戶訓練的權限順理成章。
例如，理想汽車的自動駕駛訓練裡程已突破 6 億公裡，用戶可以基于自己設定的固定通勤路線，在每次通勤過程中對 NPN（神經先驗網絡，使用大模型構建城市路口等場景的信息模型，當信息被采集後，其他搭載城市 NOA 系統的車輛将可以利用這一雲端信息與車端 BEV 感知，輸出合理的預測）特征進行日常訓練。1-3 周後，相應路線即成為一條成熟的 NOA 通勤路線。
這給予了終端車輛和車主極大的自由度，也讓自動駕駛真正成為日常使用可感知的存在。
值得一提的是，理想的城市 NOA 也成為了自動駕駛抛棄高精地圖的代表案例，轉而為大模型 " 吸粉 " 甚多。理想前自動駕駛首席科學家王轶輪在微博發文表示："NPN 特征由神經網絡生成，經過了 NN 編碼、加密後，它不具備人類可以看懂的道路信息，且與實車 BEV 融合還原出非常棒的感知結果。但 NPN 必須基于大規模車隊才有意義，可以高頻率地更新。"
" 國内很多路口極復雜，我認為 NPN 加強會是無圖化的必要過程。" 他指出。這也給争奪城市 NOA 的車企提了個醒，随着現有路線落地越來越多，需要迭代解決的問題也會更多、更復雜。
背後供應鏈應勢而變，智能化改寫市場格局
6 月 16 日，華為智能汽車解決方案 BU 的 CEO 餘承東在 2023 未來汽車先行者大會上表示：" 未來五年、十年，能活下來的主力車廠是少數，因為走向智能化時代，投資規模非常大，成為巨頭才能支撐未來持續發展。"
智能駕駛正是典型的投入規模大、回報周期長的領網域，要獲得收益并不容易。其原因不僅僅在于需要時間積累，背後的整體供應鏈投入也不容忽視。僅僅一個硬體成本，就讓很多玩家不得不抛棄高精地圖路線，轉向對感知的利用。而在感知側的配置上，昂貴的激光雷達逐漸被替換為便宜的產品，甚至也一點點被抛棄。
在激光雷達從六七位數的天價售價降價到幾千元的過程中，仍有很多車企考慮不使用這個硬體。就連全球車載激光雷達銷量冠軍禾賽科技，也不得不承認在現實問題面前，有些車企别無選擇（禾賽科技本身是理想汽車的供應商）。
禾賽科技 CEO 李一帆在接受騰訊深網采訪時指出："（激光雷達）對于車而言幾千人民币其實是非常非常大的一筆錢。一個車上願意花幾千人民币買的部件一般是一個能顯著被感知的。比如更新皮座最多也就幾千塊錢，你買了它就有，沒買就沒有。"
而他也提到了車企在應用時的真正痛點，即如果選用了供應鏈上更高成本的方案，那麼售價增加後，車企實際要思考的是到底能提供給消費者什麼產品，令他們願意買單——在消費者這一側，單純的技術渲染是不起作用的。問題則在于，智能駕駛本身還處于相對早期的開發階段，要讓這些軟硬體合力展示出那種想象中動人心魄的成果，暫時難以實現。
除了這點，智能駕駛的算力投入需求也不容小觑。理想汽車官宣的自動駕駛訓練集群算力達到了 1200 PFLOPS，對外宣稱為國内第一。特斯拉今年一季度部署完成的超級計算群組 Dojo ExaPOD，總算力可達 1.1EFLOPS。小鵬汽車将其雲端超級計算機總算力規劃為 0.6EFLOPS。這些都屬于餘承東所說的投入的一部分，當車企卷到自建超算群組，門檻之高可見一斑。
另一方面，供應鏈正在成為車企博弈智能駕駛的另一種 " 賽點 "。例如對比亞迪這樣的全能型車企而言，采用供應商的產品可以快速達成提升智能化水平的目标，但比亞迪有充足的自研自產實力，将包括網域控制器在内的產品逐步實現自主開發和生產。
不過，大多數車企仍将依賴于供應鏈完成自己的智能駕駛躍升之路。其原因在于，智能駕駛供應鏈的復雜度過高，單一個芯片就涉及許多層級的供應商。
所以，今天的智能駕駛供應鏈不僅僅依賴于生產力的變化而變化，生產關系也在革新。早年汽車行業通行的 Tier 1（一級供應商，其餘數字以此類推）-Tier 2-Tier 3 的逐層管理結構——一級管二級，二級管三級，不越級管理——正在趨于打破，車企為了保持供應鏈穩定，可能不得不加入到最普通的供應商的管理。
但往好處看，這也間接培育着中國汽車供應鏈的底層實力。一批中國公司，如東軟睿馳、地平線、黑芝麻智能、德賽西威、中科創達、知行科技等等，無論體量大小、垂直領網域，均在奮力抓住趨勢的價值，收獲時代的紅利。
所以，盡管城市 NOA 落地或許僅僅是這兩年智能駕駛邁上的一個小台階，但它背後所講述的中國汽車智能化故事，卻将繼續書寫下去。
文 | 松果财經（ID:songguocaijing1）
