上周，輕舟智航的侯聰以「聯合創始人、總裁」的新身份亮相，為媒體介紹了這家低調的公司去年和現在都在忙些什么。同時，輕舟智航CTO李棟，也同臺展示了其最新的端到端技術方案。

（侯聰）

2024年都在忙什么？

• 2024年1-3月：緊張交付階段，同時也在研發征程6芯片方案。
• 4月：在北京車展發布基于征程6的智駕方案，從征程5移植到征程6，僅用了兩周時間。
• （相關閱讀：輕舟智航于騫：實測征程6+Transformer，模型性能明顯提升）
• 5月：基于征程5芯片的行泊全棧方案量產，一次性交付了30萬以上的用戶。
• 6月：獲得數億元融資，來自中關村科學城和翠湖基金。
• 9月：NOA交付量達到40萬臺，NOA市占率高于50%（源自高工智能汽車的統計）。
• 10月：聯合四維圖新發布了基于征程6M的城市NOA高性價比方案，能夠匹配15萬元車型。另外，完成第二輪融資，成為2024年唯一一家獲得兩輪融資的智駕企業。
• 11月：新款Robobus在金華落地，同時也將商用車運營中心落到了金華。輕舟將立足于金華，向浙江、長三角區域拓展業務。
• 12月：NOA上車量超過50萬臺，并獲得了基于征程6M的車型定點。

如今，輕舟智航（以下簡稱「輕舟」）的方案也已經向端到端迭代。“這是一個無圖方案，成本相對高一些，它可以部署在15萬元左右的車型上。”（「乘風」Air方案可部署于10萬元級別車型）

侯聰認為，輕舟現在的優勢主要體現在數據閉環上。在擁有50萬用戶后，輕舟每天都能得到大量反饋數據。

“過去在量產的方案中，輕舟的BEV模型是2億幀的數據，道路語義也是將近1億的數據量。這些數據都能夠進行自動標注，我們現在新的端到端的方案也基于這些基礎。”他說道。

輕舟端到端方案簡述

2024年，輕舟智航的研發重點逐漸轉向城市NOA的量產，也開始涉及端到端的研發工作。

李棟介紹稱，輕舟采用的是One Model的端到端模型，同時在在線模型訓練上，引入了安全對齊機制。而在離線訓練中，他們則采用了基于運動模擬的世界模型。

“整個系統的上限是端到端打出來的，而系統的下限是由時空聯合規劃算法來保障的，這樣我們能夠得到兩方面最好的結果。”

李棟展示了一個現實案例：在一輛車的繞行場景中，端到端模型給出的軌跡距離障礙物非常近；而如果運行時空規劃算法，它會根據已有的經驗，優化出一條更好的軌跡。

據他介紹，輕舟「安全對齊」的做法，是來啟發自OpenAI的大模型安全對齊方法——它是通過人類的反饋，讓模型產生一個符合人類的價值觀的答案。

「安全對齊」可以自動化評價端到端模型產生的軌跡，不斷給它Feedback，「懲罰」那些不安全的軌跡信息，通過強化學習的方法去反復迭代，這樣模型會在規避危險層面上持續進化。

李棟稱，「安全對齊」的過程，其實是離線訓練的過程，模型會在對齊過程中發生一些變化，訓出后才會部署在車上。

在訓練和測試過程中，其校驗標準大多數都是基于規則：比如發生碰撞或闖燈，這種不對的操作就會被截掉，主要是為了保證模型的下限。

另外，針對離線的端到端模型訓練，輕舟智航創新性地構建了基于運動模擬的世界模型。

該模型的訓練可被理解為兩步：第一步是運動行為的生成，也就是對車輛運動下一幀的朝向、速度、狀態、位置等變化，利用模型來自動生成；第二步是通過另一個模型，來反推傳感器應該返回什么樣的圖像。

相較于傳統的世界模型，基于運動模擬的世界模型可以批量生產大量的長尾場景和罕見的安全臨界場景，同時生成的仿真視頻更加可控，保證了時序、空間位置、物體幾何、物理規則的一致性和正確性，從而提高端到端系統的安全性。

對于目前業內推崇的VLA和VLM，李棟認為，雖然它們是接下來技術提升的關鍵工具，但其前景尚未被完全發揮出來。

“是否應用VLA，并不會影響部署城市NOA產品的節奏，因為我們看到端到端+算法設計已經能解決非常多的復雜問題了。VLA、VLM雖然能解決更多、更復雜的問題，但是當前的量產芯片可能不支持這么大的推理任務。”

他表示，先收集回來更多數據、觀察數據表現，讓整個系統效果更好，這可能是更易落地的方案。

（PS：RoboX同期發表了李棟的演講全文精華版，歡迎關注本號閱讀！）

不應完全抵觸規則

侯聰認為，安全其實不等于保守安全，而是應由創新來驅動。

例如輕舟的代碼審核機制，技術設計的流程，評測系統的搭建等等。

“我們從一開始就搭建了先進的訪問測試系統，它使得每一次修改都會經過數十萬場景的仿真驗證。”

他認為，無論是過去做BEV感知，還是最新的端到端架構，其實本質上都是通過數據驅動模型訓練，從而解決問題。但是，模型的下限問題，使得輕舟仍然不排除用規則去修問題。

“規則也有舉一反三的能力，這也結合了我們過去在L4市場的經驗。”侯聰說道。

同樣的，在安全冗余的設計上，輕舟也參考了L4的一些方法。

當然了，出于成本考慮，L2系統不可能像L4這樣用那么重的硬件去做。但是理念依然是相通的——輕舟在做系統設計的時候，也會考慮到L4會做的單傳感器失效預案，而且也會從模型上就訓練出相對解法。

例如，在做模型訓練的時候，輕舟會模擬攝像頭遇到逆光、污損，被遮擋等情況。

另外，在做無圖方案的時候，考慮到作為先驗的導航地圖也會出錯，因此輕舟不想讓模型過分依賴地圖的先驗，還會在訓練過程中刻意去喂錯誤的數據，從而讓系統學會應對地圖失效的情況。

征程6M的邊界在哪？????

“征程6P算力很高，想把這個算力用好，背后整個投入會比較大，類似于Thor，或者特斯拉AI 4.0，它背后要投入很多的算力和人力。”

在侯聰看來，目前更加務實的做法是做高性價比的方案，而不是直接去沖擊最佳性能、不計成本的方案。

他認為，如果仔細分析征程6M的算力邊界，可發現它可應對97%、98%這樣量級的城市NOA功能：“它不會是像雙Orin那樣全場景的城市NOA，當遇到特別大的路口或者速度差特別大的場景，我們會通過一些產品設計規避掉這些行為：比如需要用戶確認，才能從一個小路口拐上速度特別大的路，因為它的算力導致它的測試距離可能是有限的。”

所以輕舟是做了一個選擇——既然不像主機廠那樣，能有更多的資源投入極高算力的芯片的產品，那不如選擇做高性價比的產品，同時拉高體驗，提升市占率。

“把自己的定位想清楚了，這其實是更大的市場。我們會持續在征程6M上研發產品，它的成本遠遠低于Thor或者征程6P的相關產品。之后，我們也會持續的去走這條路…可能三年之后，還會有征程7，或者其他芯片，我們依然會把新的技術，通過保持極致性價比的理念不斷推出。”侯聰說道。

在目前極為敏感的算力問題上，侯聰表示，目前輕舟在和主機廠合作的時候，也大多會有算力層的合作。例如做一個固定項目時，就會采購一定的算力用于該項目，這相當于是共擔一些成本。

在他看來，業界對于算力規模的需求，其實已經有一些探索出來的數據：“可能需要千卡級別的量級，才可支撐起一個量產項目。”

而當被問及高性價比的城市NOA何時能被大規模普及時，侯聰認為，應該是會在2026年中段。