4月23日，首次參加上海車展的Nullmax，展出了MaxDrive系列輔助駕駛解決方案。

該方案主打靈活、普適——它不僅包括了從SAE L2主動安全功能到采用端到端技術架構的城區輔助駕駛系統，還能適配國內外主流芯片平臺、不同類型和數量的傳感器，以及各類級別車型。同時，這些方案還可以滿足國內、國外不同的法律法規。

據介紹，這一系列方案包括：MaxDrive Basic智能前視一體機方案、MaxDrive Standard行泊一體域控方案、MaxDrive Standard_Hyperlink艙駕一體域控方案，以及MaxDrive Plus城區輔助駕駛方案。

在車展現場，Nullmax的多位高層參加了訪談環節，針對行業熱門事件、產品特點等問題給出了自己的觀點。受訪嘉賓包括：

Nullmax的創始人/CEO/CTO ：徐雷

Nullmax COO ： 沈隆

Nullmax首席科學家 ： 成二康

Nullmax量產工程部高級總監 ： 張帆

以下為QA內容的整理摘要：

Q：如何理解Nullmax的「普適價值」以及技術特點？

徐雷：我們的方案需要能夠以快速、高效、低成本的方式，在車型之間移植。就像手機一樣，有一些低端手機，也有一些旗艦手機，我們能夠更快速地把方案移植到不同的平臺上。

相較于市面上一些同質化的方案來說，我們首先是基于多款芯片打造功能，而且會針對國內外不同的細分市場去打造不同的產品方案，包括了一體機的國產方案和海外方案，還有行泊一體域控及艙駕一體域控方案。

在Nullmax全棧自研的基礎上，我們視覺感知的實時性非常強，做到了接近30frame/幀，比激光的10 frame/幀要高很多。

另外，我們打造了整套的數據閉環系統，包括從數據的采集、標注、訓練到部署、驗證到量產的打磨，基礎設施的能力也是非常強的。

成二康：這次車展上，我們展示了不同芯片算力的域控，包括不同的行車和泊車的場景。

我們有一套平臺化的軟件技術架構。這套架構具備平臺化的感知方案，可以覆蓋動態場景識別、靜態場景識別，也包含時序場景識別，和更復雜的拓撲識別。

同時，這些感知方案可以適配到不同的算力，比如說一套平臺化架構可以下探到2T算力，向上升級到32T、100T、200T以及更高算力。

除此之外，平臺化的集成方案 MaxOS可以使平臺化軟件的stack快速移植到不同的芯片上去，快速地為不同的客戶服務。

Q：什么樣的數據才是高質量的數據？

成二康：其實，除了數據外，架構設計也很重要，二者是強相關的。我們現在做的數據主要有兩種：一種是實測數據，二是虛擬數據——根據一個軌跡，把交通場景重建出來。

有的宣傳說某些數據或者人類駕駛數據是沒用的，我覺得這些數據可以倒推到端到端的設計中。

大家目前所做的端到端設計，基本上都是基于Decoder技術架構的設計，除了Decoder本身的設計外，還有Query，Planning Query的設計。

我們現在在做的Planning Query設計，可以兼容不同駕駛的風格，這樣就可以更好地將不同的駕駛習慣及風格設計上去。

在驗證過程中，我們也能發現更好的Planning Query的設計，尤其是能夠把不同駕駛風格的Query融合在設計中，這樣就可以處理不同的駕駛行為數據。這是我們兼容不同人類駕駛習慣數據的使用方法。

Q：DeepSeek的意外火爆，催生了一種論調：在大語言模型領域，算力的需求沒有像之前大家預估的那么高；那么，在自動駕駛領域，對于云端和車端的算力需求是否也有降低的趨勢？

成二康：我可以介紹一下我們端到端設計的思路，剛好與此問題相關：

現在比較火的VLM+端到端，或者VLA，本質上都是借用了語言的架構設計。從ChatGPT火起來之后，語言模型已經過渡到以Decoder-only為主的技術架構設計。

既然如此，在自動駕駛領域是否能夠存在自己的Decoder-only的技術架構設計？這是我們目前端到端設計的重點。

這里面有一個核驗證的結論：在自動駕駛中，如果能夠很好地設計Decoder-only的技術架構，比如將參數量從9000萬下降到3000萬，也可以同樣等價于1B、7B VLM或者是VLA同樣的效果。

在自動駕駛中，當然可以借鑒VLA、VLM這樣已有的技術架構和參數，用更高的算力實現目標。但如果在中高階算力，比如說100Tops左右的車端稠密算力上，更好地設計Decoder，它也可以實現和類似大語言結構一樣的效果。Decoder-only的技術架構在純自動駕駛形態里面是可以被設計出來的。

Q：全民智駕之下，供應鏈能不能跟得上？除了攝像頭和芯片，其他的零部件有沒有可能出現缺貨？

張帆：是有可能的，這是不可避免的。比如前視8Max攝像頭是未來城市場景使用的必須配置，不管是30度還是120度的，它可以幫助我看得更遠、更寬。周視和后視可以用2Max或者3Max的， 這些傳感器都會有需求量增大的趨勢。

徐雷：這有可能是階段性的挑戰，但是以中國的供應鏈和生產制造能力，這不是不可逾越的挑戰，我相信供應鏈跟進的速度會更快。

張帆：每次往上躍級，中國智駕從供應鏈到下游的算法，到芯片供應商，到算法供應商，到Tier1都會整體邁上一個臺階，這是必然的趨勢。

Q：現在海外市場對輔助駕駛的標準要求比較嚴，我們如何進行匹配？

徐雷：海外更多的是法律法規驅動的市場，特別是對前向視覺感知的能力要求比較高，我們的方案性能表現都很出色，因此也正在與海外的Tier1共同推進項目合作落地。

另外，除了一體機市場法律法規驅動以外，高速NOA今年在歐洲那邊也會有法律法規出來，我們基于不同芯片打造的方案也可以落地海外市場。

Q：工信部對于智駕做了規范，Nullmax如何看待這一改變？

徐雷：我們是非常支持工信部的規定的。其實，在工信部規定出來之前，我們所有的宣傳就都是以客觀事實為基礎的，并沒有出現「全國都能開、有馬路都能開」這類宣傳語，因為我們現在的組合輔助駕駛技術沒有達到這個程度。

我們一直在與合作伙伴、用戶討論系統邊界的問題。提高系統效率，也需要是在安全基礎之上，所以我們所有的方案，都需要讓用戶知道這個系統的邊界在哪里。

Q：請預估一下L3在我國真正落地會在什么節點？這個時間節點上，Nullmax大概在什么位置？

徐雷：我們做的事情，是在漸進式路線里通過量產積累里程。

L3高速NOA到來的時間點，大概是2027年左右。現在，L2級的ODD正在逐漸變大，然后經過數據的積累，我們會把ODD變小，回到高速，但是級別會往上走。然后再開始擴大L3的ODD，往城市里走。

Q：今年的百人會論壇上，出現了很多「車企不要自研」的聲音，我們怎樣看待自研和依賴第三方供應商的？

徐雷：這個問題從我們成立這家公司開始，大家就一直在討論。車企是否要自研，本質上還是取決于不同車企的類型和發展路線。

至少在我們看來，不同的車企有不同的選擇。從實際結果來看，現在好像選擇第三方方案的車企越來越多。

Q：您認為未來的智駕方案是否有可能成為一個標準化的方案？

徐雷：智駕是AI在具身智能方面的重要應用場景，我們覺得不管是智駕還是大模型，遠遠還沒有達到殊途同歸的方式。

即使是實現同樣的功能，每家選擇用什么樣的數據，怎么訓練，采用什么架構，如何驗證，還都是非常不一樣的。

Q：咱們的本土化經驗和特斯拉FSD相比，是否有差異化的優勢？

徐雷：我們確實不了解特斯拉的技術細節，但是從公開的技術評測可以看到，特斯拉對中國的法律法規，也缺少實際道路數據的訓練：有一些在海外是可以壓的單黃線、單實線，在中國法規是不可以的。

但是FSD的一些基礎能力，比如說跟其他車的交互博弈的能力，還是非常強的，這也是為什么我們比較堅定地走以視覺為主的路線。這件事情肯定要比激光難很多，但是最終實現的天花板會更高。