今天小編分享的财經經驗：AI汽車呼嘯而來，行業亟待破局，歡迎閲讀。
進入 2024 年以來，我國自動駕駛行業迎來諸多利好消息。日前，工業和信息化部等四部門發布，我國首批确定由 9 個汽車生產企業和 9 個使用主體組成的聯合體，将在北京、上海、廣州等 7 個城市展開智能網聯汽車準入和上路通行試點。
另據公安部發布的數據顯示，截至今年 8 月底，公安機關已累計發放自動駕駛汽車測試号牌 1.6 萬張，開放公共測試道路 3.2 萬公裏，有力支撐自動駕駛技術驗證和迭代更新。
業内普遍認為，汽車產業新能源是上半場，智能化是下半場，以自動駕駛為核心的 AI 汽車則是終極目标。在自動駕駛到來之前，AI 汽車為人們的生活帶來了切實的安全性和便利性。
為此，中國電動汽車百人會日前發布了研報《人工智能賦能新能源智能汽車發展》，對此進行了剖析，并提出了一系列建議。
今年的《政府工作報告》指出，要大力推進現代化產業體系建設，加快發展新質生產力；充分發揮創新主導作用，以科技創新推動產業創新，加快推進新型工業化，提高全要素生產率，不斷塑造發展新動能新優勢，促進社會生產力實現新的躍升。
在清華大學計算機科學與技術系教授鄧志東看來，自動駕駛無疑屬于創新驅動發展先進生產力的典型代表，是建設交通強國、加速發展人工智能新質生產力的關鍵驅動。
鄧志東解釋道，自動駕駛作為一項颠覆性的重大前沿技術，具有原創性、高效能與高質量的内涵特征，能夠帶來交通與出行方式的重大變革，也會帶來出行服務質量、安全性與整體交通運輸效率的大幅度躍升，同時符合綠色、低碳、共享等新發展理念。
Momenta CEO 曹旭東也表示，自動駕駛是人工智能上的感知智能和認知智能的結合，對于 AI 能力是非常好的應用，并且會牽引着技術進一步的提升，無疑是新質生產力的代表。" 新質生產力對技術的牽引，以及由此帶來的技術更新，能夠給消費者和社會創造價值。"
有從業人員認為，目前 L2+ 級自動駕駛對自己的吸引力不大，因為功能不夠完善，在城市通行過程中肯定不會把車輛的控制權完全交給它，只是偶爾使用能夠節省一定精力；但如果到了 L3 級别能實現點到點的完全操控，将會有很大的吸引力。
雖然，AI 汽車整個產業鏈都在突飛猛進的發展，但不可否認的是，制約因素仍然很大。
中國電動汽車百人會研報《人工智能賦能新能源智能汽車發展》顯示，智能算力基礎設施的不足，是智能網聯汽車加速發展的主要制約因素。汽車與 AI 深度融合，端到端智能駕駛、座艙大模型等加速上車，對智能算力的需求快速增長。智能駕駛端到端技術路線所需算力為 1 EFLOPS 起，理想算力需達 100 EFLOPS 以上；座艙基礎 AI 大模型訓練需 10 EFLOPS 算力以上，垂類模型訓練及微調需數百到數千 PFLOPS。
算力供給方面，我國車企算力平均僅為 3 EFOLPS 左右，相較于特斯拉的 100 EFLOPS 差距巨大；移動、電信、聯通三大運營商規劃算力也僅為 53 EFLOPS（至 2024 年底）。智能算力供給不足将制約我國汽車智能化算法的快速迭代。
" 成熟 " 算力難增長，新增算力 " 不成熟 "。" 成熟 " 算力指英偉達的 " 有芯片、有軟體生态 " 智能算力，但受美國出口管制影響，我國只能使用存量芯片進行 AI 計算，" 成熟 " 算力總量受限。
" 不成熟 " 算力指華為昇騰、寒武紀、海光、摩爾線程等的 " 有芯片、缺軟體生态 " 的智能算力，此類芯片已初步形成供應能力，但各家硬體架構不一，軟體生态覆蓋、兼容算法尚不完善，軟體開發人員使用困難導致算力基礎設施拓展緩慢，算力應用效率偏低。需豐富 " 不成熟 " 算力軟體、生态，減少算力硬體 " 卡脖子 " 的問題。
那麼，該如何破解這些制約因素呢？
中國電動汽車百人會研報《人工智能賦能新能源智能汽車發展》建議：
1. 加強人工智能賦能汽車產業的政策支持，構建開放包容的監管環境
當前，汽車產業的競争戰略正在從電動、智能為主的競争向 AI 領網域快速轉移，過去電動化領網域的支持政策已不适應 AI 發展的需求。
在基礎技術方面，應盡快出台支持汽車產業與 AI 深度融合發展的政策，加強對基礎大模型、AI 訓練芯片及工具鏈生态、萬卡及以上算力集群、數據閉環工具、AI 原生作業系統等底層基礎技術的研發突破瓶頸，構建自主技術體系。
在監管環境方面，AI 大模型與汽車產業融合仍處于初期，應堅持以鼓勵應用、安全底線的原則，适當放寬對新技術的容忍度，可充分借鑑歐美關于信息安全、數據安全的法規标準認證制度，鼓勵 AI 更好發展。
2. 推動智能算力共建共享
随着大模型的快速發展與應用，行業對智能算力的需求快速增長。國際上，基礎大模型科技巨頭智算能力已達到百萬塊 GPU（以 A100 為部門）的能力，而國内巨頭智能能力僅達到數萬到數十萬塊 GPU，與國際上存在數量級差距。基于此，應推動政府和行業機構牽頭，推動國内存量英偉達 GPU 等 " 成熟 " 算力資源集中共享，保障基礎大模型的訓練迭代速度，減少重復建設帶來的資源浪費。
針對使用華為昇騰、寒武紀、壁仞科技、摩爾線程等國產 AI 訓練芯片的 " 不成熟 " 算力共建，通過實際應用迭代工具鏈和生态，加速國產 AI 訓練芯片的成熟與規模化應用。
3. 提升高質量數據供給能力
AI 大模型上車應用對高質量數據要求很高，尤其是端到端智能駕駛領網域，數據量和質量已成為決定智駕體驗最主要的因素。國内車企獨立采集數據、獨立訓練的模式很難和特斯拉等國際巨頭競争。在端到端訓練數據方面，國内車企智能駕駛訓練數據僅在百萬 Clips 級别，遠低于特斯拉超 1000 萬 Clips 的數據量。因此，國内應盡快統一汽車數據采集、标注、傳輸及加密标準規範，加快制定數據定價、權責劃分、流通交易等制度，為構建數據共享平台奠定基礎。建議地方政府先行先試，探索敏感數據合法合規流通路徑，構建開源智能駕駛數據集共建平台，以形成場景覆蓋全面、采集成本最低的數據供給體系。
4. 堅定跨界融合發展戰略，加速賦能車企智能化、AI 化轉型發展
汽車進入智能化、AI 化發展階段，底層技術、研發模式、人才結構等相比電動化階段發生巨大變化，傳統車企單純依靠自身力量很難實現轉型。要堅定跨界融合發展的戰略路線，鼓勵車企和芯片、作業系統、智能駕駛解決方案等供應商深度合作，如投資入股、成立合資公司、共研核心技術等方式，構建車企具備主導能力的產業生态。加快構建跨界創新平台，制定跨界產品上車應用的產品及技術标準、檢測認證體系等，解決新技術上車 " 最後一公裏 " 的問題。
5. 完善大模型标準及評價體系
大模型在智能座艙領網域的應用呈現加速态勢，人機互動體驗顯著提升，但同時，大模型在訓練數據合規性與可靠性、數據傳輸階段的泄露等數據安全方面，在生成内容存在的偏見、幻覺、虛假信息等内容可控方面，在對語言的理解能力、邏輯推理、信息歸納等場景應對能力等方面仍存在隐患。
下一步要盡快建立大模型上車與評價标準體系，一是針對人機互動、車輛控制等強需求領網域，基于差異化場景制定大模型上車标準；二是加強大模型基礎理論研究，不斷拓展大模型與汽車產業融合應用的标準體系，加快明确大模型透明度和可解釋性；三是明确大模型數據安全、模型訓練、模型使用等環節的安全要求，完善大模型安全評估的流程、方法、工具。
本文來自微信公眾号 " 車百智庫 "，作者：車百智庫，36 氪經授權發布。
