「特斯拉端到端智駕方案到底是怎么做的？」

在一次端到端智能體研討會(huì)上，有人向一眾端到端專家學(xué)者們拋出疑問。

現(xiàn)場(chǎng)包括趙行（清華交叉信息研究院助理教授）、許春景（華為車 BU 智駕 AI 首席科學(xué)家）、王乃巖（小米智駕杰出科學(xué)家）、賈鵬（理想算法研發(fā)副總裁）這些學(xué)界、業(yè)界人士在內(nèi)，沒人能給出確切回答。

沒有人清楚，特斯拉 FSD V12 具體模型架構(gòu)是怎樣的，但特斯拉就是憑一己之力，攪動(dòng)了端到端的潮水。

我們?cè)噲D從馬斯克發(fā)言和特斯拉動(dòng)態(tài)中拼湊出特斯拉端到端的大致體征：從感知到?jīng)Q策由統(tǒng)一神經(jīng)網(wǎng)絡(luò)控制，很大可能基于生成式 AI，在原有 Occupancy 模型基礎(chǔ)上構(gòu)建世界模型。

但從中捕捉的確定性是，端到端方案對(duì)于云端算力的需求來到一個(gè)新高潮。

正如馬斯克多次表示：「FSD V12 端到端模型迭代主要受到云端算力資源的掣肘。」

于是，特斯拉選擇重金堆算力，計(jì)劃 2024 年底前對(duì) DOJO 超算中心投資超 10 億美元，目標(biāo)是總算力提升至 10 萬 PFLOPS。

如果說算力是端到端的必要條件，那這意味著，端到端正在掀起新一輪軍備競賽，贏家往往是大力出奇跡者。

同時(shí)，正如無人知曉特斯拉端到端具體如何實(shí)現(xiàn)一樣，大家只是瞄準(zhǔn)了潮水涌動(dòng)的方向，一股腦向那涌去。

于是，忽如一夜春風(fēng)來，端到端方案遍地開，誰都跟緊節(jié)奏，不想因此出局。

01、端到端智駕，大「力」才能出奇跡

端到端智駕，基于 AI 模型化的主路徑，對(duì)其訓(xùn)練算力資源的超大需求，勢(shì)必助長了算力燃燒的火焰。

智算中心進(jìn)入了跑馬圈地時(shí)代，一場(chǎng)關(guān)乎算力的競賽就此展開。

這邊，特斯拉、長安、吉利等車企都不遺余力地籌備智算中心，或選擇自建，或選擇與第三方合作。

特斯拉的 DOJO 智算中心，預(yù)計(jì)到 2024 年 10 月，總算力將達(dá)到 100EFLOPs（10 萬 PFLOPS），相當(dāng)于約 30 萬塊英偉達(dá) A100 的算力總和。

國內(nèi)車企也在算力上奮力追趕，吉利、長安，以及新勢(shì)力「蔚小理」，都沒掉隊(duì)。

值得一提的是，蔚來與騰訊合作建立智算中心，雖然暫未公布其超算中心的具體實(shí)力，但李斌曾用「喪心病狂」一詞來形容蔚來在算力方面的布局，并稱在未來一兩年內(nèi)都還會(huì)是全球天花板。

那邊，以華為、商湯絕影、毫末智行為代表的智駕供應(yīng)商，也絲毫不占下風(fēng)。

華為車 BU 云智算中心的乾崑 ADS 3.0，在算力方面已達(dá)到 3500PFLOPS，訓(xùn)練數(shù)據(jù)量為日行 3000 萬公里，按照全球道路總長約為 6400 萬公里計(jì)算的話，2.1 天系統(tǒng)就能完全覆蓋。

而商湯科技在最新財(cái)報(bào)中顯示，其智算中心 GPU 數(shù)量達(dá)到 4.5 萬張，總體算力規(guī)模為 12000PFLOPS，相較于 2023 年初提高了一倍。以及毫末智行聯(lián)合火山引擎推出的智算中心「雪湖·綠洲」，算力高達(dá) 670PFLOPS。

顯然，智算中心的建設(shè)已成為端到端自動(dòng)駕駛的標(biāo)配，對(duì)于算力的需求正在以一種倍極速率瘋狂增長。

「沒有智算中心的端到端智駕企業(yè)是不合格的。」毫末智行一位專家直言，算力越多，對(duì)模型的迭代效率、迭代方式速度，以及各種情況的修復(fù)效率，均有大幅提升。

商湯絕影智能駕駛副總裁石建萍也表示，高算力，意味著它所容納的應(yīng)用空間是廣泛的，它允許更多的嘗試、試錯(cuò)發(fā)生，那么就更有可能研發(fā)出性能更強(qiáng)的端到端模型。

那這是否意味著實(shí)現(xiàn)端到端智駕，必須大力才能出奇跡？

有意思的是，針對(duì)這個(gè)答案，行業(yè)呈現(xiàn)了兩種發(fā)展路徑：

• 一面是傾向于重投算力的「暴力計(jì)算」；

• 另一面是深耕算法的「工匠主義」。

誠然，行業(yè)對(duì)于智駕三要素（算法、數(shù)據(jù)、算力）的共識(shí)是三者相輔相成，任何一個(gè)出現(xiàn)短板，都會(huì)引發(fā)水桶效應(yīng)。

但在此基礎(chǔ)上，三個(gè)長板，哪方面現(xiàn)在需要重點(diǎn)強(qiáng)化，則出現(xiàn)了一些分歧。

暴力計(jì)算者認(rèn)為，現(xiàn)在各家算法其實(shí)沒有本質(zhì)區(qū)別，核心點(diǎn)在于把數(shù)據(jù)在超算中心中如何高效訓(xùn)練起來。

一位行業(yè)人士就指出，在學(xué)界已經(jīng)公開了可行的端到端算法架構(gòu)，甚至不斷更新前沿進(jìn)展的情形下，業(yè)界完全可以參照學(xué)界的研究成果進(jìn)行量產(chǎn)、落地實(shí)驗(yàn)，那么這就要求其現(xiàn)階段在算力基礎(chǔ)、數(shù)據(jù)規(guī)模上積攢足夠?qū)嵙Α?/span>

但也有另一種聲音夾雜在其中。他們認(rèn)為，實(shí)現(xiàn)端到端智駕，深耕算法是當(dāng)前更為緊迫的突破方式。

元戎啟行就對(duì)汽車之心表示，算力中心比拼只是一方面，但現(xiàn)階段更重要的是打造一套滿足 Scalling law 的網(wǎng)絡(luò)模型。

Scalling law 即規(guī)模定律，隨著模型規(guī)模的增加（包括參數(shù)數(shù)量、數(shù)據(jù)規(guī)模和計(jì)算資源），模型的性能也會(huì)相應(yīng)提高。

也就是說，想要規(guī)模定律生效，需要先謀定的是模型優(yōu)化問題，這才是后續(xù)大力出奇跡的發(fā)力點(diǎn)所在。

說到底，兩種路徑無關(guān)絕對(duì)優(yōu)劣之分，畢竟各家的端到端戰(zhàn)略規(guī)劃、資本實(shí)力各不相同。

但從特斯拉、華為等頭部車企都重投超算中心的動(dòng)作評(píng)判，算力愈高，端到端智駕效果的天花板的確會(huì)隨之抬高，也就是上限會(huì)有所提升。

那么，超算中心到底多大的算力能夠支撐起端到端智駕？

在辰韜資本發(fā)布的《端到端自動(dòng)駕駛行業(yè)研究報(bào)告》（以下簡稱「報(bào)告」）中顯示，大部分公司表示 100 張大算力 GPU 可以支持一次端到端模型的訓(xùn)練，但這大概率支撐不了方案走到量產(chǎn)階段。

毫末智行認(rèn)為，基于算法需要不斷迭代，端到端起步需要 1000 張 GPU。

但至于上限如何衡量，卻沒有定論。

行業(yè)一致認(rèn)為，量力而行。畢竟巨頭特斯拉橫亙?cè)诒姸噙x手面前。

據(jù)悉，特斯拉今年計(jì)劃將英偉達(dá) GPU H100 增加至 85000 張以上，達(dá)到和谷歌、亞馬遜同一量級(jí)，這是國內(nèi)企業(yè)望塵莫及的程度。

畢竟，一張 H100 目前售價(jià)在 2.5 萬-4 萬美元之間，相當(dāng)于特斯拉今年至少要投超 20 億美元。

沒有雄厚家底，這不是誰都「玩」的起的。因?yàn)樘厮估氖姑谟诰呱碇悄艿娜蚧淠繕?biāo)還包括 Robotaxi、智能機(jī)器人等，解決問題的難度涉及到一個(gè)新的階層。

因此，特斯拉這般大動(dòng)作，是基于財(cái)力、目標(biāo)、數(shù)據(jù)規(guī)模的適配，其它企業(yè)沒必要向它看齊，追求一味的超高算力。

對(duì)于國內(nèi)智駕企業(yè)而言，眼下目標(biāo)是解決城市 NOA 量產(chǎn)落地，實(shí)現(xiàn)高階自動(dòng)駕駛。

毫末智行表示，要實(shí)現(xiàn)全國都能開，2000-5000 張 GPU 已經(jīng)足夠。

但隨著目標(biāo)的不斷進(jìn)階，從 L2 到 L3、L4，甚至 L5，算力需求將會(huì)繼續(xù)水漲船高。

無論如何，端到端的浪潮，的確推動(dòng)了一場(chǎng)新的洗牌運(yùn)動(dòng)，無論是數(shù)據(jù)規(guī)模、算法結(jié)構(gòu)還是算力要求，都將掌握技術(shù)核心的企業(yè)洗到了最前面。

02、端到端迷局：誰才是真端到端？

端到端熱潮正在造就新一場(chǎng)網(wǎng)絡(luò)迷因。

誰都想搭上端到端的快車，就算技術(shù)沒跟上，宣傳高地也必須占領(lǐng)。

有意思的是，在「你也是端到端，我也是端到端」的情形下，很難把真?zhèn)蔚呐菽疗啤?/span>

究其根本在于，端到端實(shí)現(xiàn)路徑尚未統(tǒng)一，各家都有發(fā)言權(quán)。

現(xiàn)在對(duì)于端到端的定義可以區(qū)分為廣義與狹義。

廣義強(qiáng)調(diào)端到端是信息無損傳遞，不因人為定義接口產(chǎn)生信息損耗，可以實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的整體優(yōu)化。

而狹義的端到端只強(qiáng)調(diào)從傳感器輸入到規(guī)劃、控制輸出的單一神經(jīng)網(wǎng)絡(luò)模型。

也就是說，只要滿足廣義標(biāo)準(zhǔn)，都能稱之為端到端，因此能看到各家端到端智駕企業(yè)，從輸入到輸出的實(shí)現(xiàn)形式具有差異化，現(xiàn)在主流方案有以下三種：

一是感知認(rèn)知模型化。將大模型拆分為感知與認(rèn)知（預(yù)測(cè)決策規(guī)劃）兩個(gè)階段，串聯(lián)二者做訓(xùn)練。以華為乾崑 ADS 3.0 為代表，其感知部分采用 GOD 大感知網(wǎng)絡(luò)，認(rèn)知部分采用 PDP 網(wǎng)絡(luò)實(shí)現(xiàn)端到端一張網(wǎng)。

二是模塊化端到端。將智駕的所有模型串聯(lián)在一起，用高端的方式統(tǒng)一訓(xùn)練。以 OpenDriveLab 的 UniAD（2023）為代表，通過跨模塊（感知預(yù)測(cè)規(guī)劃）的梯度傳導(dǎo)完成全局優(yōu)化。

三是單一神經(jīng)網(wǎng)絡(luò)。也就是狹義端到端概念。用一整個(gè)囊括輸入到輸出端的大模型，直接進(jìn)行訓(xùn)練。以 Wayve 為代表，其生成式世界模型 GAIA-1、視覺-語言-動(dòng)作模型 LINGO-2 可能是未來 One Model 端到端的重要基礎(chǔ)。

值得一提的是，要跟緊端到端潮流的轉(zhuǎn)向，站在傳統(tǒng)規(guī)則算法之上的企業(yè)一時(shí)無法推翻重來，于是他們遵循了一條遞進(jìn)式的技術(shù)路徑。

報(bào)告中也明確標(biāo)明了自動(dòng)駕駛架構(gòu)演進(jìn)的四個(gè)階段：感知「端到端」、決策規(guī)劃模型化、模塊化端到端、單一模型（One Model) 端到端。

圖源：辰韜資本《端到端自動(dòng)駕駛行業(yè)研究報(bào)告》

也就是說，從感知端模型上車，再進(jìn)行規(guī)劃模型化，最后串聯(lián)起來做端到端訓(xùn)練。這是一種相對(duì)平滑的過渡形式。

蔚來智能駕駛研發(fā)副總裁任少卿同樣認(rèn)為，自動(dòng)駕駛的大模型需要拆解成若干個(gè)層級(jí)，第一步是模型化，行業(yè)基本完成了感知模型化，但是規(guī)控模型化方面頭部公司也沒有完全做好，第二步是端到端，去掉不同模塊間人為定義的接口，第三步是大模型。

當(dāng)然，通往端到端的路徑既可以平滑過渡，也可以推倒重來。

小鵬就在 AI DAY 上就強(qiáng)調(diào)自己卸下包袱，落地端到端大模型。

毫末也提到，「如果具備足夠勇氣和決心去重構(gòu)一套系統(tǒng)，效率可能會(huì)更高一些。」

所以選擇何種路徑，何種方式，全憑自家結(jié)合實(shí)際條件考量。

但綜上來看，由于各家實(shí)現(xiàn)路徑、實(shí)現(xiàn)進(jìn)度、宣傳力度均不一致，的確造就了端到端眾說紛紜的迷局。

一個(gè)尷尬點(diǎn)是，當(dāng)嘗試從一些明顯特征判別真?zhèn)味说蕉藭r(shí)，會(huì)發(fā)現(xiàn)都行不通。

比如 BEV+Transformer 架構(gòu)，很多企業(yè)將其視為感知模型化的標(biāo)配，但這不代表一種綁定關(guān)系。只能說，這是當(dāng)下在感知模型上一種較好的實(shí)現(xiàn)方式。

以及特斯拉的純視覺路線，與華為的激光雷達(dá)融合路線，都可以稱為端到端，這僅是不同企業(yè)的路線選擇。

盡管有企業(yè)強(qiáng)調(diào)，不擺脫高精地圖，無法做端到端模型。

但更多聲音還是更傾向于二者之間沒有絕對(duì)聯(lián)系。

石建萍強(qiáng)調(diào)，去高精地圖，不是端到端的一個(gè)前提條件。盡管現(xiàn)在商湯做到了「無圖」，但為了交互更友好，也準(zhǔn)備把導(dǎo)航地圖加進(jìn)去。

尤其，結(jié)合模型訓(xùn)練復(fù)雜性、量產(chǎn)落地的安全性、端到端方案成本等多因素考量，純視覺還是激光雷達(dá)路線，都是各家企業(yè)的技術(shù)選擇。

而這些無法論證端到端的根源在于，端到端智駕強(qiáng)調(diào)的是結(jié)構(gòu)上的梯度可傳導(dǎo)以及全局優(yōu)化，這僅是一種訓(xùn)練方式。

它會(huì)經(jīng)常和另一個(gè)詞「大模型」混淆在一起。

行業(yè)人士都一致指明，這是兩個(gè)不同維度的概念，大模型關(guān)注的是模型的參數(shù)數(shù)量以及涌現(xiàn)能力。目前大模型為端到端實(shí)現(xiàn)提供了解決方案，但端到端并非必然基于大模型實(shí)現(xiàn)。

那么，回歸到最初的疑問，真假端到端到底怎么看？

答案是，要么扒代碼，要么看體驗(yàn)。

前者看它代碼到底怎么編寫，是否完成了從輸入到輸出的信息無損傳遞。顯然，這不太現(xiàn)實(shí)。

后者則是到落地驗(yàn)證階段，判斷其智駕水平是不是像「老司機(jī)」，能處理各種 Corner case。這是唯一可靠的辨別方式。

有行業(yè)人士表示，「端到端方案做出來后，自動(dòng)駕駛水平會(huì)有明顯飛躍，如果效果差不多，那說明端到端方案是假的。」

03、端到端不一定是最終解，但是現(xiàn)今最優(yōu)解

從上海人工智能實(shí)驗(yàn)室發(fā)表的 UniAD 獲得 CVPR 2023 最佳論文，到特斯拉 FSD V12 的問世，再到智駕企業(yè) Wayve 獲 10 億美元融資，在學(xué)界、業(yè)界、資本的「共謀」下，端到端智駕開啟了新一輪產(chǎn)業(yè)革命。

英偉達(dá)汽車事業(yè)部副總裁吳新宙認(rèn)為，端到端正是智駕三部曲的最終曲。

小鵬 CEO 何小鵬也直言，端到端將對(duì)智駕帶來顛覆性變革。

不過，在端到端智能體研討會(huì)關(guān)于端到端 VS 傳統(tǒng)模塊化的圓桌辯論中，最后結(jié)論卻是端到端設(shè)計(jì)并未完全碾壓傳統(tǒng)模塊化設(shè)計(jì)，這其中依然存在關(guān)于驗(yàn)證、落地、量產(chǎn)的冷思考。

所以只能說，端到端不一定是靠近智駕終局的最終解，但目前來看是最優(yōu)解，它能夠處理傳統(tǒng)路徑難以解決的極端案例，并且代表了一種減少人工編碼依賴，更高效的思路。

基于這個(gè)路徑，或許能夠通往智駕的更高階段。

現(xiàn)在，包括學(xué)界、車企、智駕供應(yīng)商在內(nèi)，所有人都朝向端到端這個(gè)方向奔去。

從主體細(xì)分，三者在端到端智駕發(fā)展路徑中的側(cè)重點(diǎn)與分工角色還不太一樣。

學(xué)界側(cè)重算法架構(gòu)和技術(shù)路徑的探索，正如上海人工智能實(shí)驗(yàn)室開源的 BEVFormer 架構(gòu)，是當(dāng)下通用的視覺感知算法結(jié)構(gòu)；以及清華 MARS Lab 最早發(fā)表了「無圖」自動(dòng)駕駛方案，實(shí)現(xiàn)了自動(dòng)駕駛地圖的記憶、更新、感知一體化。

學(xué)術(shù)思想的迸發(fā)被投射到業(yè)界，進(jìn)而推動(dòng)了技術(shù)的落地與發(fā)展方向。比如清華 MARS Lab 的 BEV 檢測(cè)算法、BEV 跟蹤算法等，就在理想汽車的產(chǎn)品中廣泛應(yīng)用落地。

不過鏈接商業(yè)端的智駕供應(yīng)商與車企，考慮更多的除了方案的系統(tǒng)性、落地可行性，更重要的，是在時(shí)間競賽中搶占上風(fēng)。

目前，諸多智駕供應(yīng)商于近兩年都推出了自研的端到端量產(chǎn)方案。

去年 4 月，毫末智行發(fā)布智駕生成式大模型 DriveGPT（雪湖·海若），這是實(shí)現(xiàn)端到端智駕的重要技術(shù)載體。

截至今年 5 月，搭載毫末 HPilot 智駕車輛超過 20 款，用戶輔助駕駛行駛里程突破 1.6 億公里。

小馬智行也于去年 8 月推出端到端智駕模型，已同步搭載到 L4 級(jí)自動(dòng)駕駛出租車和 L2 級(jí)輔助駕駛乘用車。

今年 4 月，元戎對(duì)外展示了即將量產(chǎn)的高階智駕平臺(tái) DeepRoute IO 以及基于 DeepRoute IO 的端到端解決方案。

同個(gè)時(shí)段，商湯絕影推出面向量產(chǎn)的 UniAD，實(shí)現(xiàn)去高精地圖，同時(shí)還發(fā)布了下一代智駕技術(shù) DriveAGI，是基于多模態(tài)大模型打造的自動(dòng)駕駛解決方案。

顯然，端到端量產(chǎn)落地，已經(jīng)箭在弦上。

尤其是在特斯拉 FSD 釋放入華信號(hào)后，車企們更是坐不住了。

小鵬在 5 月份就宣布端到端方案量產(chǎn)上車，蔚來、理想也于今年上半年加緊推動(dòng)端到端模型上車計(jì)劃。

不過，2024 年只能勉強(qiáng)稱之為端到端量產(chǎn)落地元年，真正的大范圍上車預(yù)計(jì)在 2025 年。

商湯絕影表示，端到端更合理的落地時(shí)間在明年下半年，能夠達(dá)到一個(gè)量產(chǎn)導(dǎo)入狀態(tài)。因?yàn)槎说蕉思夹g(shù)方案想要成熟上線，需要經(jīng)過大量可靠性驗(yàn)證。

一位端到端行業(yè)人士也指出，「端到端上車，說上肯定能上，但上完之后到底有什么效果是另一回事，如果想要達(dá)到特斯拉這般效果，今年之內(nèi)還是非常困難。」

但無論如何，端到端的確掀起了新一場(chǎng)檢驗(yàn)智駕實(shí)力的競賽，而現(xiàn)在競賽來到了下半場(chǎng)。

學(xué)界、業(yè)界在賽跑的同時(shí)，也在相互助力，一同探索端到端的落地階段。

目前來看，探索方向呈現(xiàn)三大趨勢(shì)，主要對(duì)應(yīng)的是端到端落地三大挑戰(zhàn)，即：

• 端到端如何控制成本？

• 端到端如何應(yīng)對(duì)黑盒問題？

• 端到端落地如何進(jìn)行標(biāo)準(zhǔn)化驗(yàn)證？

一是端到端的優(yōu)化。

端到端作為一個(gè)新技術(shù)路徑，大算力、大數(shù)據(jù)、大算法的高需求，構(gòu)建了玩家的高門檻。大多數(shù)企業(yè)難以有特斯拉的決心與實(shí)力，投入十億，甚至百億美元 All in 端到端。

更何況，考慮到新事物的試錯(cuò)成本，在算法架構(gòu)上，需要有意斟酌，如何平衡效率與成本。

據(jù) Momenta CEO 曹旭東介紹，Monmenta 的思路是把端到端架構(gòu)分為兩條支路，即一條是端到端大模型，類比人的長期記憶；另一條支路是感知、認(rèn)知階段，類比人的短期記憶。

通過短期記憶形式先驗(yàn)證方法正確性與數(shù)據(jù)有效性后，再轉(zhuǎn)移至端到端大模型的支路上，保證高效訓(xùn)練。相比直接應(yīng)用端到端模型，這種技術(shù)方式的訓(xùn)練成本能縮小 10-100 倍。

二是端到端的兜底。

端到端智駕相當(dāng)于類人駕駛，但真正到了落地，還存在黑盒子的不可解釋性問題亟待解決，尤其面對(duì)國內(nèi)復(fù)雜的城市路況，安全性難以得到完全保障。

比如理想推出了一套雙系統(tǒng)方案對(duì)端到端兜底。系統(tǒng) 1 采用端到端，對(duì)應(yīng)正常的駕駛能力；系統(tǒng) 2 承載了 VLM 模型，對(duì)應(yīng)泛化能力。

這相當(dāng)于，系統(tǒng) 1 只需處理簡單的路況問題，而對(duì)于復(fù)雜的邏輯推理、未知問題，系統(tǒng) 2 可以解決。這套體系能夠提升大模型的空間理解能力，并規(guī)避大模型的推理速度問題。

三是端到端的驗(yàn)證。

端到端方案的落地，首先要經(jīng)歷成熟的驗(yàn)證方式。但直接實(shí)車驗(yàn)證顯然成本過于高昂，而基于數(shù)據(jù)回灌的開環(huán)測(cè)試條件（離線數(shù)據(jù)回歸測(cè)試），與端到端智駕驗(yàn)證需要的可交互性并不匹配。

因此，基于模擬器實(shí)現(xiàn)模型的閉環(huán)測(cè)試驗(yàn)證，成為了當(dāng)下驗(yàn)證的可行路徑。報(bào)告指出，閉環(huán)仿真工具的研發(fā)是端到端上車的必要條件。

目前行業(yè)在積極開展閉環(huán)仿真工具的探索：

• 學(xué)術(shù)界普遍采用 CARLA 作為端到端開發(fā)的閉環(huán)仿真模擬器；

• 智駕生成式 AI 企業(yè)光輪智能結(jié)合生成式 AI，開發(fā)出針對(duì)端到端算法研發(fā)的數(shù)據(jù)與仿真全鏈路解決方案；

• 以及另一家同類型企業(yè)極佳科技，也打造出一套被稱為世界模型的多模態(tài)視覺生成大模型。

盡管端到端落地的「門前雪」還未掃凈，但行業(yè)對(duì)于端到端的信心已經(jīng)到達(dá)一個(gè)至高點(diǎn)。

畢竟，端到端的出現(xiàn)，讓人工智能領(lǐng)域從由「規(guī)則驅(qū)動(dòng)」為主導(dǎo)，跨越到以「深度學(xué)習(xí)」為引擎，這代表了一種技術(shù)鴻溝式的飛躍。

智能駕駛，毫無疑問地成為物理世界中，率先體驗(yàn)并展示這一變革的重要端口。

返回第一電動(dòng)網(wǎng)首頁 >