云圖一體，高階智駕落地的加速器

作者｜于宗申

直播智駕，是汽車品牌一把手在 2024 年的新工作。

自雷軍帶著小米 SU7 在車圈掀起了一波營銷巨浪之后，汽車老將們紛紛喊出了「要向余承東學習，向雷軍學習」的口號。

4 月 14 日，尹同躍發(fā)起了直播，測試星紀元 ET 的高速 NOA。

4 月 15 日，長城汽車魏建軍第一次走進了直播間，實測長城汽車全場景 NOA。同一天，極越 CEO 和百度董事長李彥宏也開啟了直播，展示極越 01 的純視覺智駕能力。甚至在最為忙碌的車展當天，也有不少車企 CEO 一大早便開啟了直播。

在多家車企的直播中，智能駕駛一直是宣傳重點。

在智能化角逐激烈的當下，智駕作為最能體現車企實力的技術之一，輸了智駕就相當于輸了品牌。

此前對智駕不夠重視的傳統(tǒng)車企，更是加快了追趕步伐，奇瑞未來 5 年預計在智駕方面投入 200 億，比亞迪更是宣布砸下 1000 億補足智能化短板。

但是想實現智駕的彎道超車，只投入資金還遠遠不夠。

如何讓花出去的錢物超所值，才是關鍵。

這就繞不開數字基建——只有合理利用好行業(yè)內的數字基建，才能避免重復造輪子，將有限的資源投入到前沿技術的開發(fā)中去。

在智駕領域，地圖和云端算力是最核心的基建。

尤其是特斯拉將 Transformer 架構引入智駕之后，車端算力滿足不了大模型的訓練，云端算力成為各車企和供應商的角逐關鍵。

車企在開發(fā)智駕方案時，離不開云端和地圖數據的支持，而進一步的云圖一體化，是推動車企智駕方案迭代的重要基礎能力。

在 2024 年騰訊智慧出行開放日上，騰訊智慧出行副總裁鐘學丹提到了騰訊在汽車行業(yè)的定位——作為數字化基礎設施建設的助力者，通過在云計算、地圖和人工智能等領域的技術優(yōu)勢，打造云圖為基、車云一體的開發(fā)模式，幫助車企構建更強大的基礎設施能力，以此幫助車企在研發(fā)、生產和供應鏈實現降本增效。

01、算力和數據，二者缺一不可

自特斯拉將大模型引入智能駕駛之后，算法、算力和數據成了車企和智駕企業(yè)繞不過去的坎。

在 2024 年騰訊智慧出行技術開放日上，騰訊智慧出行副總裁鐘學丹就提到智能駕駛大模型在開發(fā)過程中會面臨的三大挑戰(zhàn)：一是算力挑戰(zhàn)；二是數據挑戰(zhàn)；三是軟件開發(fā)平臺、數據存儲、合規(guī)管理等方面的挑戰(zhàn)。

騰訊合作伙伴 NVIDIA 全球副總裁吳新宙也表達了類似觀點：

「進入 AI 定義汽車時代之后，汽車智駕的開發(fā)模式發(fā)生了變化，形成了云端+車端的開發(fā)閉環(huán)——智駕模型在擁有大算力的云端進行訓練和驗證，隨后部署到車端，完成應用和數據收集回傳，促進云端的模型訓練?！?/p>

簡而言之，算法相當于智駕系統(tǒng)的天賦，算力相當于智駕系統(tǒng)的學習效率，數據量則相當于智駕系統(tǒng)刷的題庫。天賦越強，學習效率越高，刷的題庫越多，智駕系統(tǒng)的能力也就越強。

拿開啟智駕大模型時代的特斯拉來說，2023 年初，FSD V12 便落地了端到端的大模型算法。

在云端算力方面，特斯拉已經提升至 10 EFLOPS，并計劃通過自研 DOJO 超算的方式將算力逐漸提升至 100 EFLOPS。

在數據方面，FSD V12 訓練之初，特斯拉便投入了 1000 萬個特斯拉車主的駕駛視頻，并且通過影子模式，特斯拉每天可以訪問車主的 1600 億幀視頻。

在這三點中，算法是車企和智駕企業(yè)的核心競爭力，沒有捷徑可走。

而算力和數據，定位則更像是數字基建，雖然重要，但是并不需要自研，與供應商合作是更好的選擇。

以算力為例，特斯拉在 2024 年 Q1 購買了 9 萬塊英偉達 H100，預計投入 30 億美元，而在 2024 年剩下幾個月，特斯拉還將投入 100 億美元購買算力，如此龐大的資金投入對于車企和智駕企業(yè)來說是巨大的負擔。

資金壓力之外，搭建一套可用于自動駕駛大模型訓練的私有云，技術難度絲毫不亞于造車。

在資金和技術的雙重壓力之下，目前國內車企普遍采取了和云服務商合作的方式。

背靠百度云的極越，訓練大模型的百度陽泉智算中心擁有 4 EFLOPS 的算力；鴻蒙智行旗下的問界、智界等品牌，獲得了華為云 3.5 EFLOPS 算力的支持；小鵬、毫末智行、蔚來等企業(yè)也分別與阿里云、火山引擎和騰訊云等云服務商合建了超算中心，用于智駕大模型的訓練。

為了更好地支持車企與智駕企業(yè)的大模型訓練，騰訊推出了首個專為智能駕駛打造的一站式云——騰訊智能汽車云。

在最核心的算力方面，騰訊智能汽車云融合了騰訊云的 HCC 高性能計算集群和騰訊自研的星脈高性能計算網絡，帶來了業(yè)界最高的 3.2Tbps 帶寬，算力性能提升 3 倍，通信性能提升 10 倍，GPU 利用率提升 40% 以上。

同時，騰訊在華東和華北開設了兩個云專區(qū)，除了保障全棧數據物理隔離、全流程數據合規(guī)之外，還能夠靈活支持遠程容災，基于異地雙活的配置，能夠為智能駕駛的業(yè)務連續(xù)性提供基礎支撐。

除了最基礎的算力以外，騰訊智能汽車云還可以為車企的智駕訓練提供包括數據存儲、算法訓練、合規(guī)管理等全棧式服務，讓車企可以專注上層功能的開發(fā)。

在數據存儲和檢索方面，騰訊云不僅可以降低車企的數據存儲成本，還能為其提升數據檢索調用能力。

用騰訊云原生數據庫替換自建數據庫，可按需彈性擴容，綜合降本 20% 以上；騰訊 wedata 作為數據開發(fā)治理的平臺，通過存算分離和冷熱數據分層能力，綜合降本可達 30%；騰訊 CLS 和云監(jiān)控服務替換自建服務，實際案例中可降低成本 30% 以上。

自動駕駛數據絕大部分是視頻、圖片等非結構化數據，它們不像結構化數據那樣易于進行自動化處理和分析。

騰訊全球首個云原生的向量數據庫，可以高效處理車端回傳的海量視頻、點云等非結構化數據，支持 10 億級向量檢索規(guī)模，百萬級查詢 (QPS) 能力，讓智駕數據處理效率較傳統(tǒng)數據庫提升 10 倍。

假設在 10 億張圖片里找 1 張卡車運輸共享單車的圖片，騰訊云向量數據庫可并發(fā)支持 100 萬個請求，在 10 億規(guī)模圖片里進行搜索，只需要百毫秒就能輕松地找到這條記錄。

在算法訓練方面，全新升級太極 Angle 訓練加速框架，性能方面可以比常見方案提升 30% 以上。該框架在 Llama2 系列大模型中，訓練加速比提高 1.4 倍，推理加速比提高 1.77 倍。

至于車企和智駕企業(yè)頭疼的數據問題，騰訊也通過「仿真訓練」給出了解決方案。

騰訊將游戲領域的技術積累遷移到了自動駕駛領域，打造出了自動駕駛虛擬仿真引擎 TAD Sim，可提供 1000 多個不同道路特征的海量真實高精地圖庫，以及 2000 多個邏輯場景庫，為客戶提供便捷高效、即時可用的解決方案。

不僅能通過海量仿真數據提升車輛在 corner case 下的博弈能力，還可以通過仿真場景去驗證算法的可靠性，加快車企開發(fā)流程。

劉澍泉向汽車之心透露，在目前的一些實踐項目中，搭配使用騰訊智能汽車云可以為車企和智駕企業(yè)節(jié)省 30% 左右的開發(fā)成本。

在智駕大模型開發(fā)過程中最重要的算力和數據方面，騰訊智能汽車云充分發(fā)揮了數字基建的功能，避免了車企重復造輪子式的低效投入。

02、智駕地圖，進入云端時代

限制車企城市 NOA 普及的另一大數字基建，是智駕地圖。

在 4 月 25 日的車展上，多家車企強調了地圖對智駕開城的重要性：智己 L6 強調全系具備無高精地圖的城市 NOA 能力，爭取年內覆蓋全國；極越更是表示要在年底之前，做到百度地圖能到的地方，智駕都能用。

地圖作為感知部分中最重要的一環(huán)，解決了智駕中「在哪」和「去哪」的底層問題。精確到厘米的高精地圖，更是一度成為了智能駕駛方案的必備配置。

然而隨著智能駕駛從高速 NOA 向城市 NOA 發(fā)展，高精地圖已經無法滿足車企和智駕公司的需求。

一方面，高精地圖繪測效率低。

一輛繪測車一天僅能繪測 100 公里的厘米級地圖，低效率導致高精地圖的覆蓋面積小和地圖鮮度低，無法滿足更長、更多變的城市道路。

另一方面，高精地圖繪測成本過高。

厘米級繪測成本可達每公里千元，一輛繪測車的成本也在百萬元級別，圖商昂貴的繪測成本最終會轉移到車企身上，不符合價格戰(zhàn)下車企降本增效的要求。

城市 NOA 要想普及，必須有成本更低、覆蓋面積更廣以及鮮度更高的地圖。而特斯拉提出的 Transformer+BEV+OCC 架構，大幅提升了智駕的感知能力，讓「去高精地圖」成為了可能。

在這樣的趨勢下，車企和智駕公司紛紛轉向了「輕地圖重感知」的路線。

所謂輕地圖，就是精度介于普通 SD 導航地圖和高精 HD 地圖之間的一種智駕地圖，由于精度比高精地圖更輕，所以可以做到更快、更便宜地覆蓋更大面積。

不過在實際使用中，輕高精地圖依舊存在問題。

雖然比高精地圖更輕，但是輕高精地圖的覆蓋面積和鮮度依舊比不上導航地圖，因此在大多數車企智駕方案中，后臺要同時運行高精地圖、輕高精地圖和導航地圖三份地圖。

在有高精地圖、輕高精地圖的路段，車輛可以使用 NOA 功能；在沒有高精地圖、輕高精地圖的路段，車輛則降級至基于導航地圖的 LCC 功能。

對車企而言，同時運行三張地圖不僅造成了資源重復投入，還出力不討好——由于各種地圖之間數據不匹配，以及多種地圖更新頻率難以統(tǒng)一等原因，車企還要花費額外的精力協調各種地圖的信息。

對消費者來說，行車過程中需要的信息分散在多個地圖內，查看體驗非常糟糕。比如在某頭部新勢力車型中，使用智駕功能時，想要查看導航信息必須退出智駕地圖，切入導航地圖。

為了解決這一問題，騰訊率先推出了「一張圖」的地圖生產模式——天然融合標準地圖（SD Map）、輔助駕駛地圖（ADAS Map)、高精地圖（HD Map) 等不同精度等級的地圖數據集成到一張地圖中，做到數據同源、質量同級。

基于一張圖的生產模式，騰訊打造出了專為城市 NOA 場景設計的 HD Air 輕高精地圖。

在地圖信息方面，HD Air 地圖實現了「輕而全」。

HD Air 可以保證米級精度，滿足城市 NOA 的需求。此外，HD Air 的地圖要素也更加豐富精細，除了道路精細化呈現，對于座艙應用需要的 POI（興趣點）、環(huán)境、建筑物等要素實現了更精致的表達。

通過信息的取舍，HD Air 地圖在數據存儲方面基本能減少至原來的 10%。

在地圖鮮度方面，HD Air 地圖采用了多源更新的方式，將地圖鮮度從高精地圖時代的季度更新降低到了周級更新。

在多圖合一的基礎上，騰訊實現了自動駕駛地圖數據全面云化，打造出了智駕云圖。

簡單來說，就是將車端地圖與云端地圖結合起來，車端會不斷地將收集到的地圖要素（包括車信、限速牌、電子眼、車道線、地面交通標識牌等）回傳到云端，經過云端處理后再整合進智駕地圖，實現更快的地圖更新。

除此之外，車端感知到的實時路況信息（交通事件、惡劣天氣、自然災害等）同樣會實時回傳云端，隨后通過 ODD 服務在車端實現分鐘級、車道級的實時更新，讓智駕擁有「預知」前方路況的超能力。

為了滿足車企多樣化的需求，騰訊將智駕云圖分成了多個圖層，包含基礎地圖圖層、更新要素圖層、ODD 動態(tài)圖層、駕駛經驗圖層、運營圖層等，車企可以根據自身需求靈活配置并管理圖層，并與車企自身數據圖層結合，搭建更獨特的地圖系統(tǒng)。

比如在騰訊導航級地圖的助力下，元戎啟行打造出業(yè)內首個僅利用導航地圖實現城區(qū)高階智能駕駛的量產智駕方案，在大幅提升覆蓋面積的同時大幅降低了地圖的成本。

騰訊智駕云圖的另一個護城河，在于開放的生態(tài)。

騰訊與車企進行地圖合作時，車企的車輛收集到的地圖信息整合到智駕云圖之后，會率先在該車企的車輛中進行落地。

通過該方式，各車企在地圖數據上既實現了階段性的領先，完美兼顧了獨家領先和社會效益最大化。

騰訊智慧出行副總裁劉澍泉也補充道：

「騰訊在與車企合作開發(fā)的過程中采取了非常開放的態(tài)度，騰訊并不會包攬一切，而是和車企深度合作，達成一種既是商業(yè)合作又是技術合作的關系?！?/p>

在和某頭部新勢力合作時，騰訊針對該車企在補能方面的需求，基于云圖模式構建出了停車場數據地圖，通過車企的車端數據，打造出了非常精細化的停車場地圖，甚至包括了充電樁、停車位、電梯間等數據。

憑借著在地圖、云服務以及生態(tài)三方面的積累，騰訊為車企和供應商提供了更適合城市 NOA 的地圖服務，解決了智駕的又一道基建難題，助力車企降本增效。

03、重復內卷，不如高水平共贏

汽車作為人類最復雜的工業(yè)制成品之一，即使是在非常成熟的燃油車領域也要高度分工，沒有一家企業(yè)可以做到所謂的全棧自研。

但是到了智能電動汽車市場，不少企業(yè)將「智駕」看作車企的靈魂，認為只有全棧自研才能把靈魂控制在自己手中，不至于成為一具空殼。

然而在技術快速迭代的智駕領域，一家車企既沒必要也不可能做到全棧自研，積極融入產業(yè)鏈才是最佳選擇。

對于整個行業(yè)而言，各個企業(yè)分別在地圖、算力等方面反復進行大規(guī)模投入，更像是一種低水平的內卷，對于行業(yè)而言無疑是一種資源浪費。

騰訊作為國內 19 家擁有甲導測繪資質（智駕地圖必備資質）的圖商之一，騰訊云又是中國首家、全球第五家運營服務器超過百萬臺的公司——目前，騰訊云為 9000+合作伙伴提供領先的云服務，騰訊全網運行的服務器超過 100 萬臺。

騰訊天然具備地圖和云服務兩方面的基建優(yōu)勢，不僅能通過資源復用的方式降低車企的成本，還能通過聚合資源的方式帶給所有車企更好的體驗。

對于車企而言，重復的內卷，不如高水平的共贏，只有利用好產業(yè)鏈已有數字基建的車企，才能率先將自己從重復造輪子之中解脫出來，將精力和資源投入到前沿技術開發(fā)之中，以此實現彎道超車。