家基本上都已形成共识。高阶智驾落地：既要拉高上限，更要兜底下限NBD：现在不少系统为了安全会变得“过于保守”，反而影响用户体验。从商业化角度看，这个平衡点应该如何拿捏？小米汽车陈龙：从模型的角度看，我们肯定是希望把所有的“安全兜底”都去掉，让模型能力直接暴露出来，这样我们就可以发现更多问题、得到更多反馈，然后再进一步完成迭代。但从商业的角度来说，这不太可能。毕竟智驾是提供给用户的真实产品，肯定需要规避很多事故的发生，所以我们不可避免地就会有很多“兜底”系统。事实上，我觉得大模型都需要“安全兜底”的系统。当然，这个平衡点确实是比较难掌握。特别是在辅助驾驶这样一个物理世界AI的应用上面，更难做到平衡。特别是辅助驾驶系统，它存在一个“不可能的三角”——安全、舒适、效率，这三点确实非常难达到很好的平衡。车企普遍会更注重安全和舒适，这不可避免地导致在有些情况下，我们会做一些“减速”的操作导致系统效率降低。NBD：目前行业正从高速NOA向城区NOA过渡，但若想真正实现大规模、低成本、可复制的高阶智驾落地，当下需要突破哪些核心瓶颈？小米汽车陈龙：第一，模型能力要质变。城区场景远比高速复杂，道路结构和交通参与者都不可控，模型必须具备极强的泛化能力来处理突发状况。第二，体验要可用。效率太低，用户就不愿用，数据就回不来，迭代就会停滞。所以不仅要拉高上限，更要兜底下限，做到“全国都能开、场景都能用”，才能激活用户意愿，跑通数据循环。NBD：作为芯片供应商，黑芝麻智能如何配合主机厂实现高阶智驾普惠化落地？黑芝麻智能杨宇欣：这个过程是有清晰演进规律的——先实现功能，再做系统优化。回顾高速NOA的发展，最初需要500TOPS以上的算力，场景收敛成熟后几十TOPS即可应对。现在城区NOA和VLA看似需要上千TOPS，但随着技术和产品的收敛，系统级优化将成为降本关键。我们一方面要预判时间点，根据模型优化的不同阶段，灵活匹配场景需求；另一方面是架构级创新。大模型运行对带宽依赖极高，传统架构成本压力大。我们的第三代NPU（神经网络处理器）采用了大量近存计算设计，从架构底层降低对带宽的依赖，从而在保证性能的同时提升性价比。NBD：目前行业仍处于投入期，从供应商角度看，高阶智驾的商业化路径是否已经跑通，还是仍处于探索阶段？黑芝麻智能杨宇欣：我认为不同等级的情况不同。L3及以下的商业路径已非常清晰。L3本质
=*=*=*=*=*=
当前为第3/5页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页