熱門資訊> 正文
2025-09-30 23:18
炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!
(來源:車東西)
車東西(公眾號:chedongxi)
作者 | 張睿
車東西9月30日消息,日前,AICC2025人工智能計算大會在北京中關村展示中心成功舉行。本屆大會由北京市發展改革委、北京市科委中關村管委會、北京市經信局、中關村科學城管委會共同指導,中國人工智能學會支持。旨在深入貫徹國家關於加快發展新質生產力的戰略部署,積極響應國務院「人工智能+」行動規劃,以算力核心要素為創新牽引,匯聚產學研用各界力量,共同推動人工智能產業高質量發展。
本屆大會設置1場主論壇、6場主題分論壇、3000平方米的創新科技展區,揭曉了2025年度多項人工智能創新成果。
作為2025人工智能計算大會的六場分論壇之一,智能駕駛創新與應用論壇由智一科技旗下智猩猩、車東西聯合承辦,智一科技聯合創始人、智猩猩總經理何峰主持了此次論壇,共有6位嘉賓出席本次論壇並帶來演講。
一、安全始終是產品的核心準則 但安全並不等於保守
輕舟智航技術副總裁劉成以《以規模化量產實踐,驅動智駕安全提升》為主題進行了演講。
劉成表示,隨着中高階智能輔助駕駛不斷普及,安全紅線已成為智駕發展的「生命線」。汽車行業發展了100多年,在安全上積累了大量的經驗,從安全車身、三點式安全帶、安全氣囊,到如今已經廣泛裝配的主動安全系統,汽車安全技術持續演進。
在智駕平權時代,劉成表示安全並不等於保守,而惟有以安全為基石,才能真正推動創新。關於如何降低事故發生的概率,劉成認為要先認知到智駕安全的三重本質屬性:
算法泛化性:算法要具備舉一反三的能力,具有媲美人類的認知水平,即便是沒有遇到過的Corner Case,也能通過泛化能力靈活應對、保障安全。
系統完備性:要構建失效保護機制,比如在傳感器失效或者其他系統異常狀態下,仍能導向安全可控狀態。換句話説,就是用確定性設計減小不確定性風險。
交互可靠性:要明確人機協同的確定性邊界,當人和車對場景的判斷不一致時,需通過有效的交互手段,讓系統知道用户屬於誤操作並能夠及時糾正,或者在需要接管時給用户預留足夠的反應時間,又或者是在不需要接管時讓用户放心無需干預。
輕舟智航通過不斷解決更多的長尾問題、設計完善的安全冗余來應對一些極端的安全失效情況,並通過更主動的安全交互反饋設計來實現安全性的提升。
最后,劉成再次強調輕舟智航在智駕方案上的核心理念——無論車型屬於中配、高配,安全都是頂配,安全始終是產品的核心準則。
二、智能汽車的發展路徑與智能手機相似 將進化為「整車智能體」
北汽研究總院智能輔助駕駛專業總師徐志剛以《跨界協同:AI引領艙駕融合進化之路》為主題進行了演講。
徐志剛表示,智能汽車的發展路徑與智能手機高度相似,但汽車因其安全紅線、法規約束和硬件複雜度,演進節奏更需謹慎。AI的引入,不僅是技術升級,更是對「人車關係」的重構。
AI在汽車中的應用,正從「輔助工具」向「全域智能體」躍遷。徐志剛將其劃分爲四個階段:當前以L2級組合輔助駕駛和語音座艙的「被動輔助」;未來邁向L3級自動駕駛的「場景自主決策」,實現艙駕初步融合;再到L4自動駕駛階段,座艙與底盤、車控等域深度融合,提供一體化服務;最終L5階段,將基於全域感知與實時數據調度,打造個性化智能體產品。
艙駕融合的核心在於「數據互通」和「場景延伸」。例如,智駕系統識別到擁堵路段后,可聯動座艙自動調整氛圍燈、音樂、車窗等,緩解用户情緒;用户通過語音預約會議后,系統可自動規劃出發時間、尋找停車位,實現行前-行中-行后的無縫體驗。這些探索表明,艙駕融合不僅是技術整合,更是用户體驗的重新定義。
支撐這一切的,是數據、算法與算力的協同進化。徐志剛提出了「三層架構」:底層為芯片與數據底座,中層為算法與軟件架構,上層為跨場景生態。尤其強調,智駕的「下半場」在於高質量、真實場景的數據閉環。當前行業普遍重視算法與算力,但徐志剛認為,真實駕駛員行為數據與Corner Case的精準採集,纔是決定AI迭代質量的關鍵。
面向未來,徐志剛認為智能汽車將進化為「整車智能體」:由統一AI大腦進行多模感知、任務調度與持續學習,實現自我進化。同時,通過打通數據池,構建開放協同的生態體系,推動汽車從「四個輪子上的計算機」向「移動的數字助理」乃至「流動的AI生命體」演進。
三、頭部車企整合智能化部門 模型開發基礎設施平臺成為剛需
浪潮信息汽車行業架構師Harry Pan以《自動駕駛模型開發基礎設施平臺 建設經驗分享》為主題進行了演講。
Harry在演講中提到,從去年下半年起,國內頭部車企普遍對智能化部門進行整合,核心目的是聚焦智能駕駛與具身智能的研發,而非裁員或追熱點。比亞迪、理想、奇瑞、吉利等車企紛紛合併或重組智駕團隊,優化資源配置,提升研發效率。
在智駕與具身智能研發中,模型開發基礎設施平臺成為剛需。車企需自建算力、存儲與數據閉環系統,以支撐模型訓練、仿真與驗證。算力規模、存儲容量與數據回灌性能成為衡量自研實力的關鍵指標,缺乏這些資源的企業多為外部採購方案。
Harry介紹到,自動駕駛模型開發流程包括:原始數據合規處理、存儲、預處理(標註、清洗等)、模型開發、大規模訓練及仿真評測。各環節對IT基礎設施提出不同需求,如海量低成本存儲、高性能NVMe回灌、容器化部署、融合協議支持等。
而浪潮信息基於該流程提供分級存儲、容器對接、算力集羣、並行文件系統與光模塊故障預測等解決方案,助力車企構建高效、可靠的智駕研發平臺,穿越新能源智能化競爭的「迷霧」。
四、輔助駕駛算法範式仍在加速迭代 量產與L4將並行演進
魔視智能乘用車事業部產品線副總經理張崢以《端到端智能駕駛演進》為主題進行了演講。
張崢表示,魔視智能十年來專注智能駕駛AI解決方案,已從視覺感知擴展到行泊一體全棧軟硬一體方案,服務超十幾家OEM、幾十款量產車型,並在海外開展L4級封閉區域項目。
魔視智能親歷智駕算法從CNN結構化感知、BEV前融合,到端到端、快慢系統、VLA大模型、世界模型等全周期演進。而張崢自身的體驗是:兩段式易調試但梯度斷裂、一段式性能高但黑箱重、快慢系統可解釋但延迟大,VLA語義強但算力與數據飢渴,世界模型潛力大卻端側落地難。
當前魔視採用「混合專家(MoE)+多解碼器」的端到端架構:按功能路由專家網絡,語言-視覺-車輛token嚴格對齊,可插拔解碼器同時輸出感知、軌跡、場景描述與隱式預測,既提升推理效率,又保留可解釋性與隱私保護,並支持強化學習閉環。
數據層面,公司自建採集合規、治理、預標註、4D反投、3DGS重建、場景生成與端到端仿真全鏈條工具,用VLM挖掘、圖搜圖、主動學習提升數據效率,通過合成數據與實車數據閉環,為高階算法持續喂料。
最后張崢給出判斷:智駕算法範式仍在加速迭代,魔視智能將把十年量產經驗沉澱為「混合端到端+數據閉環」的最佳實踐,繼續面向量產與L4並行演進。
五、百度Apollo開放平臺幫助開發者快速跑通功能 呼籲更多開發者參與開源共建
百度Apollo開源社區負責人蘇菲菲以《Apollo 開源生態建設與場景應用》為主題進行了演講。
蘇菲菲介紹到,百度Apollo開放平臺自2017年宣佈全球開放計劃,已發佈15個版本、匯聚22萬開發者,生態夥伴230+。豐富的硬件生態、軟件核心以及調試工具,可幫助開發者快速實現自動駕駛車輛的搭建與功能跑通。
百度Apollo開放平臺在硬件層制定了線控規範與傳感器接入標準,並聯合禾賽、速騰、星網宇達等主流傳感器商完成驅動適配,開發者按圖索驥即可完成底盤、激光雷達、計算單元等自動駕駛車輛集成,適配周期降低40%,同時基於ORIN 完成系統裁剪和性能調優,單 ORIN 上實現 CPU、內存、顯存等資源綜合使用率下降50%。軟件層將通用自動駕駛算法封裝,開發者關注的場景功能以插件形式接入,無需重寫底層算法,代碼調試量可減少80%,
同時,百度Apollo開源社區配套提供線控評測、傳感器標定、輕量化地圖採集與標註、DreamView+等調試工具,通過HMI交互式操作,可有效降低工程師在標定、建圖、調試等環節的任務量,提升研發迭代效率,蘇菲菲舉例提到,海格園區無人車從線控適配到跑通僅數周時間。
最后,同時蘇菲菲呼籲更多開發者參與開源共建,百度Apollo將繼續秉持「開放能力、共享資源、加速創新、持續共贏」的理念,推動自動駕駛生態繁榮。
六、世界模型打破傳統仿真的性能天花板 極佳科技發佈DriveDreamer系列
極佳科技駕駛世界模型算法負責人秦文康以《世界模型為中心的仿真 2.0 開啟自動駕駛和具身智能新時代》為主題進行了演講。
秦文康介紹到,世界模型用生成式方法一次性學到真實世界的2D/3D與物理先驗,可無限輸出高真實、可交互的數據,為智駕和具身智能打破傳統仿真的性能天花板。
極佳科技於2023年起發佈DriveDreamer系列:DD1/2用結構化條件diffusion生成多相機一致視頻;ReconDreamer把「重建+生成」拼在一起,一鍵補全新視角和遮擋區域,已幫理想汽車、小鵬汽車把實車評測里程壓縮90%;ReconDreamer-RL直接在重建世界里做模仿+強化學習,零實車就能讓模型學會博弈變道。
產品按「視頻-3D-可微物理-人類駕駛先驗」逐層升級,最終形成L-base world model;先雲側給智能體當「進化沙盒」,再壓縮上車。40G顯存即可跑通全流水線,單目互聯網視頻冷啟動合成corner-case,天級產出地圖級場景。即將發佈的DriveDreamer3把Carla、UE、神經渲染、強化學習交通流打包成一站式Sim2.0工具鏈,供客户合成數據、變換評測、雲端強化訓練。
極佳科技的目標是用world model把真機數據、傳統仿真、神經仿真統一,讓99%的迭代在雲端完成,實車只做最終確認,把智駕研發從「跑里程」變成「數據-模型閉環」。