潇湘雨林sp智能驾驶正在加速走向商业化落地。今年5月5日，《汽车整车信息安全技术要求》《智能网联汽车自动驾驶数据记录系统》等四项强制性国家标准的制修订，从国家层面巩固了智能汽车行业标准体系；市场端，城市NOA加速落地，车辆感知决策一体化能力加强，消费者兴趣日益浓厚；供给端，特斯拉FSD有望年内入华，各大厂商均将智驾能力作为产品核心竞争力。三重推动，预示着智能汽车大发展的时代即将到来。

　　然而，从实验室走向落地，从规模化量产到具体场景落地，智能驾驶商业化将面对怎样的机遇和挑战？8月底， 21财经、21世纪新汽车研究院联合腾讯智慧出行共同推出「行者有云」主题沙龙，邀请车企、智能驾驶方案提供商、云服务商等产业链不同环节的企业以及学界知名教授，从技术、市场和行业多个维度探讨兼顾成本和效率的有效路径和实践经验，共同寻找智能驾驶大规模商业化的中国方案。

　　随着智能驾驶技术的日益成熟，商业化落地和实际场景应用面临多重挑战。尤其是进入2023年以来，价格战挤压上游供应链，智能驾驶也从高性能走向性价比，如何让消费者为智能驾驶配置买单也是留给车企甚至供应链企业的命题。

　　在实际应用场景下，智能化驾驶必须应对以下三个核心挑战：政策法规对自动驾驶的数据安全和合规性提出更高的要求；城市级地图数据的鲜活度要求不断提高，需要不断更新地图数据服务和技术方式，以满足城市级地图的需求；此外，大规模的云端平台研发和自动化数据标注训练对云端资源需求激增，如何确保这方面的成本可控成为亟待解决的关键问题。腾讯智慧出行副总裁钟学丹指出，应对这些挑战，需要在产业协同的框架下积极寻求解决方案，怎么确保这方面的成本可控，是非常关键的问题。

　　中国的场景路况较为复杂，无论是哪个级别的智能驾驶，都要应对复杂的场景和路况。小马智行副总裁、卡车业务负责人李衡宇也表示，应对这样的挑战，必须去做的事情是收集到足够多的场景数据来保证技术能够取得进步和突破。

　　据报道，特斯拉正在中国组建一个20人左右的本地运营团队，以推动自动驾驶解决方案FSD(FullSelf-Drive，完全自动驾驶)在中国市场落地。

　　面对特斯拉FSD即将进入中国市场的消息，长安汽车智能化研究院副总经理梁锋华认为，这对智能驾驶产业既是挑战也是加速促进的机会。一方面，这会促进整个汽车行业调整架构并不断优化；另外一方面，产业围绕中国用户所面对的一些场景提供针对性的解决方案，加快挖掘用户场景需求的速度和力度，从而给用户提供更加精细和更深入的服务，让智能驾驶产业的价值持续扩大。

　　智慧互通人工智能科学家、清华大学人工智能研究院视觉智能研究中心主任邓志东也参考苹果手机进入中国带动本土智能手机产业的发展的行业案例，认为FSD的到来可以完善本土的整体供应链，促进中国的新能源汽车产业的蓬勃发展，甚至推动智能化水平的升级换代。

　　在智能驾驶面前，整体汽车行业面临的价格战，已经或多或少、或迟或早地传导到产业链的各个环节。整个市场竞争加剧，整车成本也在智能化路途中增加压力，要搭载包括计算平台、传感器、软硬件和云端等这些服务，避免不了巨大的成本支出。车端涉及传感器、执行系统；执行系统又包括制动、转向、动力等方面，其它关联系统会增加传感器或者增加中央计算单元等；云端则涉及超算中心和数据标注。数据的生产、采集、标注、训练等各个环节都会产生成本。

　　与此同时，智能驾驶汽车需要的功能越高级，越需要更多的传感器，硬件成本随着用户需求越具体会变得越高。相应的，如果功能越丰富越复杂，要应对的场景越多，研发成本也会越大。

　　钟学丹表示，腾讯能做的事情，就是帮助大家用更好的算力平台提升计算效率并降低数据存储成本，让合作伙伴实现从端的智能化到云的智能化过程中，用更简单和更低成本的配置和算法的灵活应用，节省单车的算力成本的投入。

　　邓志东认为，最终还是要靠技术创新来解决问题，也需要好好掌控优化本身具有的基础优势，比如新能源汽车产业链上有自己的电池，那成本就能控制住。

　　李衡宇认为，降本增效则需要产业协同。比如说流量，数据收集所需要的流量会越来越多，如何通过协同的方式把流量成本降低到合适状态，需要全产业链的思考。应对降本的需求一个比较好的方法就是上量，无论是硬件还是软件，一旦实现大规模的应用，成本就会降低。

　　车端带来技术性硬件升级，云端进行大模型算力优化，在产业协同大环境需求之下，云计算越来越看做是实现自动驾驶的关键决胜条件，“车云一体化”的概念不断被提出，它是否能成为智能驾驶产业转型的良方，还需要更多探讨和构想。

　　随着一体化的深度不断加深，智能驾驶行业通过远程诊断、远程控制，通过云的方式，不断提升用户体验；同时通过云端来构建算力中心，为数据的存储，数据的训练、模型的构建提供非常关键的基础设施。随着云端发挥的作用不断加深，“车云一体化”在开发端发挥的作用也会不断提升，从服务到工具再到开发平台，会推动产业合作从车云扩展到车路云。梁锋华表示，“车云一体化”不是趋势而是一种形态。

　　从技术的演进上来讲，单车智能带来的代价是车上需要更强的算力平台和感知的设备和能力，智能驾驶对计算和数据的要求，单车很难直接解决，所以必然要借助云端的能力。

　　大模型在算力方面亦带来巨量可观的提升，钟学丹提到腾讯发布的HCC的超算计算集群，在集群通讯的带宽方面做到当前业界最高，达到了3.2Tbps的带宽的水平；同时算力性能比原来提升了三倍。针对大规模和不同性质的数据发布了向量数据库，带来十倍以上的性能提升，而且成本也会有数量级的下降，同时在训练效率等方面都有比较大的性能提升。钟学丹表示这些目前只是起步，还在不断演进，特别是应用到智能驾驶的场景和需求上比其它一些通用的或者垂类大模型的挑战和难度会更高，还需要跟产业的各个环节共创。

　　随着大模型不断优化和应用，从汽车领域来看，除了语音交互，通过大模型对汽车行业的知识学习，提升汽车生产制造、研发，包括在自动驾驶领域、智能客服等方面均发挥重要作用。

　　梁锋华表示，大模型有可能围绕着智能交互等项目马上落地，体验度会有非常大的提升；在智能驾驶方面，通过模型来解决自动化标注、在仿真场景生成Conner case；在智能驾驶的算法架构方面，让智能驾驶和人的驾驶能力更接近。

　　随着新技术的应用，行业正在用感知能力结合轻量化地图来解决问题。譬如在2022年腾讯将SD地图，ADAS地图和HD地图实现三图合一，把车端实时感知回来的数据跟云端地图的数据做融合，让地图的储备和生产数据变得更加轻量化。

　　但是面对主流的“轻地图重感知”趋势，梁锋华则表示，地图和感知之间的关系并不绝对。地图的优势是提供一些先验性的数据，不能简单把地图做轻，需要对地图的形态重新审视和定义。如何提升地图的鲜度，如何让地图的成本大幅度降低，同时还能给用户提供更好的体验，是需要思考的问题。

　　李衡宇则认为，大规模、低成本的获取高精度地图在事实上几乎不可能，所以产品上就要降低对地图的依赖。随着感知能力的发展可以再次降低对高精地图的需求。所以轻地图也好，重地图也好，会随着时间的变化而变化，依然还是要从应用场景和用户的需求出发。

　　从“车云一体化”到大模型，智能驾驶大规模商业化的中国方案仍需更多探讨。面对硬件与软件高速发展的当下，深度挖掘细化中国场景的独特之处，才能够更好地解决中国用户的真实需求，也是中国方案的机会。

　　智能驾驶商业化的中国方案，对于用户来说要用得起、用的好；对于企业来讲，需要获得合理的商业回报。这需要一个产业链和生态共同推进，以及需要法规和政策的支持，包括开放的一些城市试验场景。钟学丹认为这必然不是某个企业的一个方案就能解决所有的商业化路径问题，商业化本身是需要找到一条合理的验证路径。

　　1、新的技术机会，大模型就是一个非常好的技术机会，如果能在发展过程中占据制高点，那就是中国方案，而且是一个可以面向全世界的中国方案。

　　3、新的中国场景。中国的场景有很多特别之处，梁锋华认为，中国人能够更好的解决我们中国的场景，也是中国方案的重要机会。

　　不难看出，在未来智能驾驶落地过程中，产业链、生态与政策将共同推进国内智驾产业大规模商业化，并有望帮助中国企业在全球竞争中取得领先优势。这一过程中，产业协作是成功关键，技术端不断优化大模型算法和实际应用、场景端细化中国特色需求，车辆硬件端降本增效匹配更优秀的智能化应用，这三方面需要自动驾驶公司、主机厂和市场三方合力；法律法规和政策也亟待新的突破，三方的努力和政策法规的推动，产业的共同的进步，才有可能实智能驾驶大规模的应用和商业化的实现。