[汽车之家 资讯] 4月25日，2024北京国际汽车展览会正式开幕。本届车展以“新时代 新汽车”为主题方向，在引领汽车消费前沿风向、连接汽车品牌和消费者方面，提供全新的思路。在本届车展中，我们受邀参加极越汽车高层群访，与极越智能软件副总裁 潘云鹏展开深入交流。
谈到未来的自动驾驶发展方式是什么样的，据 潘云鹏表示：“这个行业里观点越来越类似，有几个关健词，一个是去图化，一个是激光雷达，还有一个端到端，大家聊的比较多一点，可能在相当长的一段时间都会有。总体而言，一定是每家公司根据自己的特点选择的最合适的路线。”
以下为对话实录：
主持人：感谢各位老师下午的时间，我们今天邀请到了智能软件副总裁潘云鹏先生为我们聊一下关于极越整个AI智能化，以及关于智驾的部分，我们大概分为两部分，第一部分请云鹏总分享一下现在AI的能力，第二部分是QA环节。
潘云鹏：感谢大家抽出时间来到极越展台，我今天想分享一下极越在产品上的一些思考。首先讲智能化，这个世界上有两种智能的形态，第一种是类似于之前通过逻辑推理，通过推导演绎进行的智能活动，跟大家举个例子，我们在学校上学的时候，比如之前在大学有一门课程叫物理光学，一开始是四个方程组推导出来相关光学的所有的定律，完全是通过推导演绎的过程完成智能行为。
第二个是通过生物的启发，我们在讲神经网络之前，大家知道思考的过程是大脑里神经网络传递信号的过程，我们虽然没有能力推导未知的事物，但是可以通过大量的学习和观测，发现其中的规律，或者产生感觉。比如当你做题的时候做不出来，老师说你并不需要理解它是怎么推导的，但是要把它背下来，就像做英文，我不知道它的语法，但是题见多了，文章背多了就有语感，这就是非常典型的基于生物启发式的学习，跟之前讲的经过数学公式的推导有非常大的不一样，这也是动作大模型训练熟能生巧变成的直觉。
为什么讲这种智能的形态，这恰巧是所有汽车在软件里智能演化的方向，我们之前一直在聊软件定义汽车，在五年前一直是非常火热的话题，那个时候讲关键的技术是SOA，软硬解耦，包括这里提供的是高算力SOC，那个时候是高通的平台，英伟达的平台。包括后面聊到组织架构的改变，大家突然发现软件硬件管理起来是不同的两波人，他们也开始强调软硬解耦，这是我们当时的SDV最基本的思路。
现在我们发现是AI定义汽车，如果之前讲的是基于逻辑的推理，之前软件定义汽车的年代是推理，我们现在更多的是AI定义汽车，需要的东西不一样，我们需要见多识广，需要背更多的英文题，这里需要高算力，包括高质量的数据和大量的参数模型。scaling Laws，主要讲的是在算力一定的情况下，更多的数据更高的参数，往往会带来更好的效果，还是遵循这个Scaling Laws往前发展，中文翻译是大力出奇迹，更多的数据，更多的算力往往有更好的性能。
我们在开发智能化的时候，就是以AI定义产品形态，定义汽车机器人的基础和能力，就像李彦宏提到的未来机器人的形态有可能是一辆车。我们当时定义汽车机器人所具备的三大基础能力，包括自然交流、自由移动、自我成长。自然交流，就像现在你一言我一语非常自然的沟通；自由移动是高阶智能驾驶的能力。自我成长是通过数据，统一用户的反馈，把这个产品做的越来越好，有更好的语感，这是自我成长的能力。
这个是我们之前讲到的，整个极越01在打造产品的时候最基本的AI核心，简单的产品架构，我们分三个部分，红色紫色和蓝色的，红色的部分是自然交流的部分，我们最底层的AI核心能力是全端侧的语音，大家知道我们的8295在中国少量量产，后面越来越多的车也搭载了8295，我们这个8295使用了完整的两个NPU的配置，高配中的高配。允许我们把一些大模型经过智能（NPU）的方法，Push到车端，这是全端侧的语义。
它具备几个特点，第一，多模态，大家看到打开那扇窗，有摄像头的数据，能解决在高速开窗，噪音比较大的时候的识别率。第二，全端侧，算力高，可以达到500毫秒的极速响应，它不需要云端交互，可以很快给出一条执行的指令。第三，因为它的全端侧，所以隐私上有天然的保护，对用户的隐私保护意识也比较友好。
自然交流有几个场景，第一，车外的语音泊车，这是中国第一款通过车外语音泊车的产品；第二，可见即可说，只要你想执行一个指令，不管通过什么语义或者语言表达出来，它都能执行，我们过去在语音开发中必须得一板一眼的说“打开窗户”，可能多一个字少一个字识别都有影响，我们通过这个语音的能力，泛化做的特别好，前段时间有用户说“摇下那扇窗户”，这种相对没有那么高频的表达方式也能做到比较好的泛化，这是可见即可说。第三是离线语音，没有网络的时候，刚才提过了，这个更多是在没有网络的时候，比如我们在火焰山做路测的时候，能够特别好执行车辆所有的车控指令的能力。第四，文心一言原生的支持，本质上来讲，文心一言给了整个车机，给了Simo认知上大的迭代，我们在支持文心一言之后遇到一个甜蜜的烦恼，经常在后座有人，或者副驾驶有人的时候Simo会插话，你跟副驾聊天，聊一下今天的天气，或者聊一下比赛，如果你开启了免唤醒，它可以反应，跟你对聊，它认为你在跟它发指令，它会识别这些指令。因为认知能力提升之后，不像过去整个认知有车控类，娱乐类，介入一些CPSP，有一些信息的获取，但是现在文心一言的认知能力大大提升。
我们现在发现在副驾驶有人或者后驾有人的时候，文心一言娱乐的能力大大提升了，认知能力大大增强了。再来说自由移动，主要是我们车位到车位的PPA功能，有两个比较大的特征，第一，行泊一体，行车功能，泊车功能感知，包括飞控、基础组件都是基于视觉基础模型的。第二，纯视觉，我们现在是全中国唯一，全世界唯二纯视觉高阶辅助驾驶的方案。
今年，我们的PPA将实现全国都能开，具体来讲，我们将先开放了一百个城市，主要是用户最多的一些地方，我们在未来的一到两个月逐步开放到300至360城的范围。然后是车位到车位，行泊一体，足以满足从家里的地下车位到公司地下车位比较好的衔接。再来看自动转向灯和屏幕换挡，它还是用到我们纯视觉的能力，我们在1.4版本的时候，通过车的角度判断是否有变道的意图，把转向灯打上，包括屏幕换挡，我们很快还有自动换挡的功能，通过视觉的能力，知道你想前进还是后退，总体来讲对整个视觉做了一个比较丰富的应用。
接着说下自我成长。所有的智能体都要具备自我复盘或者自我迭代的能力，这里要强调两个方面，第一，基于Simo的学习功能，现在很多同学已经在使用Simo，将用车过程当中遇到问题通过Simo反馈回来，包括产品建议，帮助我们解决一些场景，或者给我们的产品提供更丰富的建议。
第二方面，关于数据闭环，无论是语音数据，还是智驾的数据，都可以通过数据闭环完成对模型高频的迭代，这个模型在去年给到320多款升级，基础模型也能做到10天左右新版本的迭代，数据飞轮跑起来以后就是快速成长的过程。极越01在过去5个月，OTA升级了5次，马上即将发布V1.5.0版，如此高频，和模型迭代效率之高都有关系。
这是最近CEO和李彦宏的一段直播，给大家看一下我们语音的能力是怎么改变人车的交互方式。刚才演示视频里所有的语音交互都是全端侧的，比较直观的感受就是反应快，我们在全端侧部署了文心一言模型，所以整个人车的交互发生了如此大的变化，这也解释了为什么现在每辆极越01的智能语音日均交互达到63次，因为一来一回像乒乓球一样，很容易就把迭代的交互次数变多了，你会发现它的整个回应，包括它的整个执行都是符合预期，非常稳定的预期。另外谈一下纯视觉，现在很多厂商推出了没有激光雷达的方案。
那什么是纯视觉， 我们认为，第一，不依赖激光雷达，第二，全国都能开，这不只是高速高架，城市道路也必须能开，城市道路是大部分的出行场景。第三，要安全、安心、好用，安全是所有的基础。安心，是尽量减少不安心接管的次数，最后是好用，开起来像老司机一样，给人驾驶更安全，体验更好，定位上是纯视觉智能驾驶。我们在开发极越01的时候，一开始也是接有激光雷达的，在保险杠灯下面的位置。后来，我们决定要去掉激光雷达，为什么决定去掉，有几个方面，第一，从人类驾驶的模式来看，头顶上也没顶一个主动光传感器，基本还是通过视觉，人脑手脚配合形成一个动作。我们车上的摄像头包括毫米波雷达的覆盖范围比人类广，它完全可以替代掉额外的激光雷达，完成驾驶的动作。第二，激光雷达现在成本下降比较快，甚至已经来到了千元时代，但比起摄像头依然有比较大的成本的差别，激光雷达作为一个比较精益的光学传感器，它在使用的过程当中，也会对环境比较敏感，售后的维修成本自然也会水涨船高，总体有前后成本的差别。第三，也是比较容易理解的，当激光雷达给的结果，和其它感知的结果不一致的时候，就会非常纠结，而且激光得满足光学基本的物理属性，在一些有金属表面反射比较强的场景之下，必须得消除伪影和鬼影，这些东西的整个长尾效应比较明显，需要导入大量的成本。第四，激光雷达的布置，站的高，看的远，往往喜欢把它放在头顶上，这个对设计提出一些挑战。
我们在极越01开发量产的时候，并不是从0-1，而是有整个百度近十年的智驾积累，意味着我们并不是冷启动的公司。然后，我们在积累了一亿公里的数据以后，在2023年发现有没有激光雷达，整个性能没有什么差别，甚至在某些场景，摄像头表现的更好。这意味着我们已经发现了一个拐点的到来。总体来讲，我们发现有没有激光雷达对用户的体验，特别是安全方面，没有任何的变化。我们后来决定资源聚焦，先把帽子扔到墙里，所以我们做了这么一个比较坚决的决定。这是一张比较经典的图，可以看右边的照片，里面有很多摄像头的信息，这里面有衣服的颜色，甚至可以推导出他的职业，还有红绿灯的朝向，大家走在人行横道上，这些都可以判断出，这个信息非常丰富。左侧的照片是激光点源信息，它对于物体的轮廓，包括深度信息确实非常方便，但是依然会发现，除了距离信息以外，它能提供的语义信息，比起图像有明显的差别，如果同样的两张图片，给大家做一个看图说话，可能左边图片写50字差不多了，右边图片，三四百字都非常的自然，所以它的整个效果或者上限也是更高的。
左边一些比较重要的数据，跟右边的信息是一致的，因为分辨率的不同，采样率的不同，我们整个语义信息为什么会表现的不太一样，也有一定的数据支撑。在视觉信息里最大的挑战还是深度，它的深度信息天然缺失，整个计算机视觉领域也是花了大量的时间做2D到3D的转换问题，基于大量的数据，虽然视觉上限很高，但是下限也很低，特别是在没有数据的情况下。我们在2023年的时候判断2024年是一个拐点。从去年10月27号发布这款车1.1版本，到现在的1.4版本，以及即将推出的1.5版本，每一个版本都会发现它的视觉性能，包括智驾的体验都极大提升，这也印证了我们当年对视觉路线的判断，一旦拐点到来之后，它的迭代周期频率更敏捷。大家看紫色的线是我们纯视觉的方案，切线会更抖，上升的更快。我们发现2024年是拐点到来，也是“涌现”的一年，这里既表示性能上的涌现，也是玩家上的“涌现”，最近大家发现头部玩家和其他厂商也陆续发布了自己纯视觉的方案，我们发现玩家越来越多，赛道也越来越拥挤的现象。
我想说几个点，第一，在智驾里把之前的小模型汇集成更大的大模型。大家可能会看到各个功能，每个功能都有自己的感知模型，都有自己的控制模型，预测模型。我们在极越01上对这些模型做了重构，意味着我们有一个比较大的基础模型，合并之后，这个基础模型具备几个能力，第一，具备在线绘图的能力，是帮助我们去泛化，去开城，主要是应对地图数据没有那么完善，信息没有那么准确的时候，它可能做一些实时线图，这是为什么我们可以很快开放全国的原因之一。
第二，目标监测和持续跟踪，我们对于行人进入视野，到被遮挡再出来，整个过程中，可以对行人的目标轨迹，或者对行人的识别，可以做到持续的追踪，持续的预测，这样会让车有一些预处理的能力，而不是突然变成鬼探头的场景。第三，OCC的占用网络。之前的感知必须得先认识它是个什么样的障碍物。而极越是避开这个逻辑，不需要识别它是什么样的障碍物，可以直接看到在目前的行驶区域或者行驶路径被遮挡，它能够自然绕开，它能极大的提升障碍物检测和安全性能。最后是场景理解，基于所有基础能力的加持，可以对每帧视频的数据做出最准确的判断，跟看图说话类似，可以帮助智驾在预测和沟通的过程中，做出更好的判断。我们在合并一些模型之后，发现它的性能有很大的提升，另外整个算力要求在减小，因为我们之前小模型的数量比较多，而且得益于数据训练之后，所有的行车和泊车场景都有收益，这也是感知和基础的大模型带来自动驾驶泛化能力和性能提升的例子。在自我成长上，极越01量产以来，我们收到4万条Simo的反馈，大家在用车过程中，只要说：Simo我有几个问题，或者是：Simo我要吐槽，SIMO就可以把用户当时描述的场景或者当时的问题反馈回来。我们在处理这些问题的方法上也有比较大的创新，之前传统的做法是用户找到4S店，或者找到经销商，吐槽一下，问一个问题，经过筛选，最终回到OEM里进行问题的解释和解决。但有时候可能筛着筛着问题就没了。但SIMO不会，比如用户说我这个导航不工作，或者红绿灯倒计时不准，SIMO通过对语义的分析，会自动分析这是一个智舱的问题或者自动驾驶的问题，直接反映给我们的后台工程师。我们对不同的子模块有不同的工程师解决问题，从面做到了通过AI原生的能力做问题的分发和诊断。
现在我们发现通过AI的能力，分类越来越准，我们现在对问题分类能力的准确率，部分已经到了98%以上。最早我们还有点担心工程师玻璃心，怕收到这个反馈没有时间处理，也有用户过于直接导致工程师难以接受，但是我们发现完全不用担心，用户比较直接的直白的言语，还能刺激到工程师的同理心，帮助用户解决用车场景的问题。我们也会对车的数据进行上报，对车的数据诊断和修复。我们以1.4为例，共修复了5500多个反馈，在每一次用户反馈的同时，修复的同时，用户的满意度也在提高，产品质量越来越好，这也是整个Simo问题闭环的逻辑。这是PPA开通之后整个的渗透率，我们整体的PPA的日均渗透率到了50%左右，超越了几个超一线城市或者一线城市。这只是平均数据，我自己大概在60%，我们有一些同学早上上班的时候，甚至达到99.1%。这个图是我们PPA开城的节奏，马上发布的1.5版本里涵盖了这个能力，在5月中旬发布之后将覆盖一百城，后续很快拓到300城，到2024年，所有的乡间道路都能开，这是我们几段开城的视频。请欣赏。
主持人：谢谢潘云鹏老师的分享，我们开始QA环节。
媒体：想问一下，纯视觉方案在AEB方面的表现，跟激光雷达有多少差距还是没有差距？
潘云鹏：我们对于AEB的测试过程中发现，激光雷达对刹停的距离和时间影响并不大，更多的还是在一些转弯场景，包括急速场景上，把AEB的上限拉很大。我们也在不断的提升AEB的上限。
媒体：想问一下您，在两年前可以被称为激光雷达的元年，这两年又去高清地图化，发表了纯视觉的路线，您认为抛除这三项态势，未来的自动驾驶发展方式是什么样的，需要走哪条路线，或者两种都搭载？
潘云鹏：这个行业里观点越来越类似，有几个关健词，一个是去图化，一个是激光雷达，还有一个端到端，大家聊的比较多一点，可能在相当长的一段时间都会有。今年纯视觉的玩家越来越多，但激光雷达也会存在，我相信很长一段时间里都是并存的状态，每一家公司的数据积累不一样，每个公司的生态也不一样，我相信一定是多套方案。相同的场景并不一定谁比谁更好，比如纯视觉方案，大家聊激光雷达会聊成本和可靠性，我们的纯视觉把售后成本压低，但是研发成本是提高的，对数据量提升，对算力的要求越来越大，我们尽力把整个算力扩大到2.21。总体而言一定是每家公司根据自己的特点选择的最合适的路线。
第二，大家现在体验到很多无图的版本或者精图的版本，都能发现一个问题，就是经验信息越多的地方，智驾的体验会更好，更安心，特别在一些路口场景，一些路口特别复杂，如果完全没有经验信息，可能会出问题。我们依然觉得有没有经验信息对现阶段用户体验影响非常直接，所以大家现在聊到很多的无图方案本质上来讲也是混合方案，有的地方是无图有的地方是有图，有图指的是高精地图。
第三，每家公司的生态不一样，百度是具备车道极地图的，手大家应该都用过百度的车道级导航，对我们而言，这是先发优势。虽然我们也是无图，但是总体来讲，我们天然的在地图里会具备一些比起一般的地图更多的信息，所以我们的智驾体验和安心感比较好，在上周的中国智驾大赛，极越01在北京站获得了第一名的成绩，当时参赛选手有极狐、问界、小鹏和蔚来，我们是95分，第二名是93分。
关于有图无图这件事，一定是循序渐进的过程，即使是开发了无图方案，也不可能把已有的有图方案全部撤掉，整个行业在这点上判断是一致的。最后说端对端。它分两种，但总体来讲，背后的基础逻辑都要有大量高质量的数据。当前实现端到端还有点早，还是需要大量高质量的数据来积累。大家还在探索的过程，当然这也是极越下一步重点的方向。
媒体：我问一个关于语音的问题，您说它是识别对象的，但是现在很多免唤醒语音装置，在跟车机说完话之后，如果跟隔壁乘客说话，它也会误识别，我们可以做到识别对话的对象吗？
潘云鹏：解决这个问题还是挺难的，要求对语义和上下文有更好的理解，也需要通过数据的积累。比如两个人在聊天，Simo开始说话，用户说Simo退下或者停下，通过对语义的理解，对场景的分析，慢慢减少这些场景，总体而言也是数据闭环和数据驱动的思路，很难通过规则一棒子打死。
媒体：有三个问题，第一个，作为一个用户现在很多企业都有智驾，也都开在城区，我们该如何判断它这个智驾好用还是不好用？好坏的评判标准，作为一个普通人来说怎么评判？第二个问题，以后全国都能开了之后就不需要我开车了，如果不是非常注重驾驶质感，不是一个驾驶爱好者，对于车的底盘要求不那么高，从开发的角度来说，一个好的底盘对智驾的提升有帮助吗？第三，有些企业说全国都能开了，就全部都开了，为什么我们一百座五十座，有一个数据量的累计，是这样开的？
潘云鹏：我先回答第二个问题。每个人的需求不一样，有些人在意驾驶质感，有些人不在意，一个好的底盘对个智驾的体验一定是有帮助的，包括它的刹车响应和提速的响应，百分之百有帮助。如果对于一个响应迅速，包括调教的更加柔和的底盘，在智驾和人驾的场景一定不一样，这个相对来讲比较容易判断。
不光智驾的底盘，包括电机，电驱动，对客户的反映是直接的，在安全角度来讲，制动率，制动响应时间延迟，速度越高，每一秒影响都非常大。第一个问题和第三个问题放在一起说，为什么大家说无图都能开，全国都能开，我们还一步一步的走，这和我们的安全判断标准有关。第一，我们认为它安全，开放一小段，对用户的体验没有任何帮助；第二，你开了，天天被迫接管，对你的口碑也不太好，特别是比较新的品牌，这个时候把用户惊吓几次，如果不幸的话发生几起事故，对品牌的伤害比较大。我们对于整个开车的标准要求还是很严格的，这个大家可以放心。
我们主要是服务用户，我们并不是慢慢营销导向的公司，我们还是选取了用户量最大的城市，我们在这些城市里会做到比较完整的测试，我们因为百度的加持，我们的地图经验信息很丰富，我们会把地图不太准确的地方挑出来，还是保证安全安心的标准上逐步的开城，总体开城的逻辑是这样。一百城两百城三百城，本质上是数据迭代的过程，有了更多的数据，在95%的场景能非常好的覆盖的基础上，可能还要花500%的精力去覆盖剩下的5%的场景，这个时候要花的时间更长，开城也是遵循这个标准的逻辑，满足工程研发的规律，数据逐步迭代。
媒体：之前体验过一些NOA的产品，咱们友商的，他可能在场景处理上还OK，但是它的起步停车非常容易让人晕车，咱们在舒适度层面，规控逻辑上是怎么处理的？
潘云鹏：这是一个非常好的工程问题，我们也碰到了，很多用户关于主观体感上的问题特别多，有的用户觉得刹车太急会点头，不舒服，有的用户觉得起步太慢，丢失了先机，特别生气，还有用户，我们发现早上的时候他想跟的近一点，晚上的刹车太急，又觉得不安全，这是一个非常众口难调的问题。首先对于点头这件事，肯定可以解决，就是刹车是否做到柔和，包括自动驻车的逻辑和办法。在其他那几个问题，还是通过数据的算法，学习本人的行为，只能通过这种方式，克服很多主观的场景。
媒体：我们开一百城的速度很快，想问一下开一百城的标准是怎么样的，什么样的标准，比如覆盖率？
潘云鹏：我们之前开放了北京、上海、杭州、深圳、广州主要的城市道路，可能95%覆盖的道路都覆盖了，这个标准没有变过，因为百度地图会通过高频的行驶区域，会把这些区域做一个开通，每个城市的大小不太一样，纯地面道路几千公里的覆盖是必须的，这是大城市。
媒体：现在双orin的算力利用率大概在什么水平，昨天官宣了后面用Simo，包括后续的规划控制，可能更多用模型来做，后面再切换到端到端，整个占用性还是比较高的。
潘云鹏：Simo的整个算力会有一个升级，现在只能说够用，是比较科学的在使用这两个芯片，刚才讲的把众多的小模型合并，让它有更好的性能，同时有更低的算力的要求。此外，我们也会有更多的端到端的算法，具体从哪个端到哪个端，每个车企不完全一样，对算力的要求可能会越来越高。
媒体：极越目前纯视觉的智驾路线是如何实现实时的环境感知和准确决策的制定？现在在纯视觉的智驾方案这一块，很多车企开始布局我们，包括小鹏这些车企，面对市场的竞争，您是如何看待的？再有一个，文心一言和Simo的打通，文心一言的覆盖率是否在车机的领域够用，未来会有哪些方向成为核心的竞争力？
潘云鹏：先说视觉，总体来讲，感知分为两部分，一部分是对周边环境，所谓的道路结构的感知，刚才讲到百度地图天生就有经验信息的优势，知道的更多。第二，我们最开始是BEV，后面开始做OCC，也是为了在没有办法识别所有奇形怪状的障碍物时，做一个避障或者避撞的行为。第一次发布OCC的时候，有一个媒体把那个装矿泉水的塑料袋扔在车前，极越01就绕过去了，这是很有难度的。因为它是透明的，颜色千奇百怪，形状千奇百怪，但我们还是通过升级OCC的算法，完成了这个感知的迭代。
我们的视觉感知的大模型VTA，有三款形式，分别像狙击枪、手枪和匕首，从远到近，帧率从高到低，分辨率从低到高。最低的分辨率可以做到5个厘米，5个厘米基本上是超声波雷达的一个精度要求，非常近。在精度问题上，我们通过大量数据训练，通过1550的激光雷达，进行大量的数据训练和标注，完成它的精度需求。而且，在摄像头之外，我们还是会有毫米波雷达，有多重的保障，保证感知的高精度。
SIMO与文心一言的融合，现在还只是开始，因为百度对AI投入越来越多，文心一言大模型会越来越好，像一个智能体，未来想象力是无限的。从而也会让SIMO的认知能力得到提升，表达一定也会更加顺畅，做的内容会越来越多。玩家越来越多，电车越来越多，本质上并不是要拼的你死我活，技术越有多样性，对用户来讲是个好事，最后还是用户体验来说话，用数据来说话。最终应该是百花齐放，纯视觉、非纯视觉、5颗激光雷达，8颗激光雷达，这都不重要，只要用户的成本是可接受的，体验是安全舒心的，这都是挺好的。
主持人：那我们今天就这样，我们下次再见，谢谢大家！
加载中
