AI大模型“上车”，又一个狼来了？

AI浪潮下，大模型上车的竞赛也悄然打响。

近日，在电动汽车百人会论坛上，小鹏汽车董事长何小鹏表示，今年第二季度，小鹏汽车将实现AI大模型上车，“更接近人类的真实驾驶，可以很大程度提升智驾拟人感和开发效率。”

此前，AI大模型上车的例子不在少数，比如理想汽车的大模型算法MindGPT；百度Apollo和长城汽车、亿咖通科技合作，探索文心大模型智舱应用等。

“AI+汽车”也是当下最主流的探索方向，AI大模型除了在智能座舱领域有成功的应用外，在自动驾驶领域也有广阔的应用前景。

中国自动驾驶开发平台的底层技术原理是什么？哪些关键技术是促进自动驾驶开发平台成型的核心因素？

01 自动驾驶开发平台行业综述

自动驾驶开发平台为企业提供云端开发工具集，目的是高效、低成本地加速技术研发、部署与运营，集成数据管理与高级仿真功能，确保系统性能与安全。

自动驾驶开发的核心链路包括：首先，传感器采集的路测数据上传云端；接着，使用这些数据训练自动驾驶算法；最后，进行场景仿真以测试和确保算法在各种环境下的性能和安全性。

自动驾驶技术经历了从概念孕育到实验性研究的阶段，并逐步引入了人工智能技术实现自主导航。目前，自动驾驶技术由于其复杂性和规模性进入开发平台发展期，通过整合工具链助力自动驾驶应用的扩展。

2022年，中国自动驾驶开发平台市场规模达到5.2亿元。随着自动驾驶技术的普及率显著增长，自动驾驶开发平台成为提升研发效率和安全性的关键工具，市场规模将会以52%的年复合增速进入高速增长期。

02 自动驾驶开发平台产业链洞察  

自动驾驶开发平台产业链上游由云计算服务、数据服务、高精度地图服务、仿真服务以及算法生态相关各类企业组成；中游为各类自动驾驶开发平台开发厂商；下游为自动驾驶开发平台服务的各类企业。

感知、计算和决策执行构成了自动驾驶的三个主要工作流程。这些过程产生的核心数据对于系统的持续优化至关重要。对这些数据准确地实现数据提起、转换以及加载是实现自动驾驶数据向技术转变的关键。

自动驾驶数据分为感知数据、测试与仿真数据、决策与控制数据以及用户个人数据四个类别，同时具备数据多样性、数据规模性、数据非结构性、数据流动性以及数据涉密性的五大显著特点。

自动驾驶的感知层算法主要涉及车身定位和识别。信息收集主要通过激光雷达、相机或二者的组合实现。激光雷达因高精度被用于建图，而相机辅助定位以降低成本，虽然其精确度和可靠性略逊于激光雷达。

自动驾驶的决策层算法可以分为道路规划决策和车辆运行规划决策。前者规定车辆从起点到终点的最优路径，后者则是制定短期内车辆如何安全地在道路上移动。两者协同实现地点A至B的车辆自动驾驶。

传统的道路测试车队在应对复杂场景和开发需求时，面临着高昂的人力和财力成本问题。通过仿真测试得以显著降低，使开发者能在实际路测前有效评估车辆在多样交通状况下的性能。

在自动驾驶系统开发中，仿真测试从模型级到整车级逐步扩展，遵循模型、软件、硬件在环的顺序，覆盖关键技术组件，并以驾驶员在环和车辆在环的集成测试作为最终验证步骤。

自动驾驶的仿真场景可分为自然驾驶、危险工况、标准法规测试以及参数重组四大类，每一类都从抽象概念逐步发展到具体应用，所需的场景数据也在不断增加以满足从设计到实施的各个阶段的测试需求。

自动驾驶开发平台的核心参与者主要由具备云计算基础能力的科技互联网企业组成。这类企业凭借其云计算基础设施能力和丰富自动驾驶资源，为自动驾驶企业提供灵活高效的全链路自动驾驶开发场景。

自动驾驶开发平台服务于各类对自动驾驶技术开发有需求的企业。从对开发需求以及对计算存储服务的依赖度归纳，可将自动驾驶企业分为四个梯队。整车厂以及造车新势力对平台的依赖度最高。

03 自动驾驶开发平台发展探析 

中国正积极推进自动驾驶政策的发展，强化车辆生产准入管理，确保测绘地理信息的合规采集和使用，为自动驾驶车辆的运输服务和数据治理设立指南与细则。促进智能网联汽车产业的有序发展和技术进步。

自动驾驶开发平台的未来主要聚焦于五大核心趋势，包括数据采集智能化、数据标注高性价比化、云端并行仿真测试、工具链端到端整合，以及开发工具链模块解耦。