本报记者陈茂利上海报道

    “我们知道要设计出一款高性能，适合市场和应用场景的芯片，不光要有芯片设计的know-how（专有技术），更重要的是要有对软件更深刻的理解，对先进算法更深刻的理解。（同时）一定要从场景中来，到场景中去。我们一定要知道芯片应用的场景有哪些挑战，这样可以帮助我们在下一代芯片的设计中设计出更优的架构和更先进的整体解决方案。”

    由高速NOA进入城市NOA，如何解决更复杂场景带来的技术挑战？ 打造一款高性能芯片要遵循哪些原则？ 汽车“新四化”下半场，全行业都在努力共建多元协同的软件定义汽车新生态，地平线在这方面扮演了怎样的角色？ 就上述问题，地平线总裁陈黎明在第13届中国汽车论坛上接受了《中国经营报》记者的专访。

    记者关注到，2023年是地平线成立8周年，8年时间，地平线成长为行业知名智能驾驶计算方案供应商，征程芯片出货量超过300万片，定点车型达到120多款，这些成绩与地平线坚持“长期主义”价值观密不可分。

    “地平线一直坚持长期路线，在产品开发当中遵循‘以人为本’的渐进式技术路线。”陈黎明表示，“我们的使命就是赋能机器，让人类生活更安全、更美好。我们的文化价值观是‘成就客户，耐得寂寞’。我们的初心和使命驱动我们作出正确选择，也支持我们公司发展到了今天，得到了广大主机厂的认可。”

    谈到地平线在行业中扮演的角色，陈黎明给地平线的定位是“赋能者”：“我们的定位是Tier2的赋能者，通过芯片、开发工具、训练平台和一些解决方案，来赋能整个产业链上的生态伙伴。”

    用户对高级辅助驾驶接受度提高

    “过去这一年时间里，从很多调查数据可以看到，对于买车用户和已经使用过智能驾驶功能的用户来讲，智能驾驶的最基本价值主要是驾驶安全、放心、轻松、缓解疲劳，这是目前智能驾驶最朴实、最迫切的需求。”陈黎明表示，“从智能产品价值来看，智能驾驶已成为用户购买智能汽车的TOP3影响因素，对于购买电动车的用户而言，智能驾驶的先进性已经成为影响其决策的TOP2要素。在整个市场上，大众越来越接受智能化，对于高级驾驶辅助系统（ADAS）的接受度、认可度也越来越高。”

    虽然智能驾驶越来越被消费者接受，但陈黎明发现，目前市场上智能汽车的实际性能仍然参差不齐，有一些让大众感到体验不好的地方。

    “一个是接管的频率还相对比较高，使用范围还相对比较有限。去年是高速NOA元年，在高速上变道、超车等慢慢都开始实现了，之前更多是在单车道上的一些辅助驾驶，整个自动驾驶的操控感并不那么平顺，包括启动、刹车、转向等，表现不如老司机。再一个性价比还是不够高，大家花的钱跟得到的感觉有时候不成正比。”陈黎明介绍。

    就当前智能驾驶体验不够好，陈黎明总结了几点原因：“一是现有的算法不足以支撑复杂场景的功能和性能；二是现有硬件的有效算力和其带宽不足以支撑最先进的算法和大模型；三是现有软件架构，不足以支撑高度自动化的快速迭代，使得整个开发成本高，开发周期长。”

    “对自动驾驶的技术发展和产品落地，我们看到在向两个方向发展。一是高级辅助驾驶更多地探索在经济型车上安装。二是技术进一步向上探索，去年是高速NOA的元年，今年大家会在城市NOA投入更多的研发，也会有更多的车型量产上路。”陈黎明称。

    大模型应用带来自动驾驶性能提升

    “技术发展应该是一个渐进的过程，逐步去逼近用户体验的上限。现阶段最主要的，是不断进行ODD（运行设计域）的扩展。从单车道到多车道，从高速到城区，从简单场景到复杂场景。当ODD扩展到全场景后，下一个阶段的重点才是如何提升百万公里接管次数的极限。”陈黎明表示。

    记者了解到，数据驱动的软件迭代正在提升自动驾驶的性能和开发效率。目前，软件高速迭代和性能持续提升的诉求推动了开发范式从SW1.0（基于规则）到SW2.0（数据驱动）的转变，越来越多的软件模块开始使用数据驱动的设计。

    同时，智能驾驶模型的不断变化也带来了自动驾驶体验的提升。陈黎明谈道：“从2018年的ResNet到2022年的EfficientNet，再到现在的Transformer大模型，大模型的应用带来了性能和体验的提升，（比如）提高自动驾驶系统的自适应性、稳定性、准确性和持续进化能力。”

    记者从陈黎明处了解到，今年在世界顶级计算机视觉会议CVPR会议上，地平线学者作为第一作者的论文拿到了best paper。地平线在论文中提出“感知决策一体化”的自动驾驶通用大模型UniAD。

    值得关注的是，UniAD模型第一次将检测、跟踪、建图、轨迹预测，占据栅格预测以及规划，整合到一个基于Transformer的端到端网络框架下，并将各项任务通过token的形式在特征层面，按照感知—预测—决策的流程进行深度融合，实现了自动驾驶系统算法性能的全面提升。

    “跟此前神经网络比较，它更加安全，更可控，更可解释。通过端到端这个大模型、Transformer大模型和BEV的组合使用，能够对道路的要素进行更好的关联和解释。”陈黎明表示，“比如左转时，左转路线跟左转过去的几个车道之间的相互关系会进行相应关联，使得整个规划过程中，对道路要素有更好的理解和关联，也为‘重感知+轻地图’技术路线提供了一个技术底座，来支持朝这个技术方向发展。”