知嘹汽車/Jasper

不只在央視上表現(xiàn)領(lǐng)先，更有170萬人使用，兩個月，0 事故。

除了特斯拉，沒有一家車企的自動駕駛能夠做到這個水平。而這項成績也意味著特斯拉的自動駕駛水平已經(jīng)到了完全自動駕駛的L5級別的水準(zhǔn)，車型機器人也能夠順利落地。

而我們的自動駕駛，距離差的還很遠。

先不說技術(shù)路線的差異，單是一個超算中心的算力，特斯拉就已經(jīng)超越了近乎所有的車企。

根據(jù)2024年的數(shù)據(jù)顯示，特斯拉的DOJO智算中心，算力已經(jīng)達到了100EFLOPS。

而去年的華為鴻蒙智行，算力只有5EFLOPS，今年的吉利，就算喊出了“中國車企第一”的口號，但算力也只有23.5 EFLOPS。

單是特斯拉一家，就已經(jīng)幾乎達到了我們所有車企算力的總和。

自動駕駛需要識別道路上的所有信息，需要訓(xùn)練復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)，如果算力不夠，這將會直接影響模型的精度和系統(tǒng)的研發(fā)周期。

并且自動駕駛還需要用仿真平臺來模擬各種交通場景、天氣路況，超算中心的算力與運行仿真任務(wù)的速度、驗證周期有著深度的關(guān)系。

換句話說，因為在算力上的差異，我們的自動駕駛在模型精度、模型算法、研發(fā)周期上與特斯拉只會越來越遠。當(dāng)人家都已經(jīng)在處理新的采集信息并更新算法時，我們的算力甚至連庫存都沒有辦法學(xué)習(xí)完。

而除了超算中心在算力上的差異之外，我們在訓(xùn)練模型的成本上也有很大的距離。

特斯拉自己造出了專用的芯片，再加上分布式的訓(xùn)練架構(gòu)。而我們大多數(shù)車企采用的則仍然是GPU集群，從成本造價上來看，我們超算中心的單位算力基本上是特斯拉的3-5倍。

不光算力不足，甚至成本還高。這么一比，特斯拉每增加一點算力，我們的成本都會成指數(shù)型上升，可能現(xiàn)在還撐得住，但從長遠看只會被“拖垮”。

而最后，則是仍然在技術(shù)路線上的差異。

特斯拉采用的純視覺路線已經(jīng)成功，但我們的部分車企仍然在用協(xié)同融合模式。

純視覺不行，那就加個激光雷達，再不行就再加一些攝像頭，這樣一來不光本身的造車成本增加，算力負擔(dān)增加，用車電耗也在增加。

而且特斯拉的端到端采用的是一段式技術(shù)，識別直接到做出決策。而我們很多的車企仍然在用兩段式技術(shù)。

兩段式的技術(shù)不能一棒子打死就說不好，但是中間多出的分析階段會在很多時候影響決策速度、增加算力壓力。對于自動駕駛來說，技術(shù)路線追求的就應(yīng)該是用更少的工程來處理更多的數(shù)據(jù)，而兩段式在這里就有著天然的劣勢。

但這也不代表著我們中國在自動駕駛上全是劣勢。

我們新能源的覆蓋率逐漸增大，而且人口用車數(shù)據(jù)有著天然的優(yōu)勢，我們能有更多的數(shù)據(jù)來讓神經(jīng)系統(tǒng)進行學(xué)習(xí)。

從長遠來看我們的數(shù)據(jù)庫足夠豐富，能夠達成的上限也就更高，但前提是我們要先解決算力、超算中心成本以及技術(shù)上的劣勢。

以目前的水平來看，我們的差距還有很遠。

知嘹汽車原創(chuàng)文章，如需轉(zhuǎn)載請聯(lián)系我們

*圖片來源于網(wǎng)絡(luò)，如侵權(quán)請聯(lián)系作者刪除*