在近期举行的新京报“智造未来”2024第十九届超级汽车论坛上，清华大学苏州汽车研究院助理院长、智能网联中心主任戴一凡就AI技术在自动驾驶领域的应用进行了深入探讨。他指出，随着全球汽车行业的革新升级，自动驾驶已成为行业关注的焦点，而AI的快速发展则为自动驾驶带来了前所未有的推进力，同时也带来了全新的挑战。
戴一凡强调，AI的核心驱动力在于数据、算力和算法。在自动驾驶的应用场景中，算力不仅涉及模型训练期间的计算需求，还包括在车辆实际应用场景中的实时推理能力。自动驾驶的训练过程通常在云端或机房完成，而推理则需要在车端实时进行。
他进一步分析了AI在自动驾驶领域的四大应用方向。首先，基于深度学习技术的自动驾驶感知技术，通过摄像头、雷达等传感器识别行驶环境，使自动驾驶车辆能够直观判断周围环境。其次，基于深度强化学习的决策规划技术，用于对未来行驶路径及行为进行决策，如选择路线、换道、加速或减速等。第三，基于BEV（鸟瞰视角）的自动驾驶新范式，这是一种基于全局视角的自动驾驶模式。最后，基于大模型的端到端自动驾驶应用，这是当前多家车企正在重点布局的领域。
戴一凡特别提到了大模型在自动驾驶领域中的典型应用——端到端自动驾驶解决方案。他指出，传统自动驾驶方案中的各个模块是独立的，从传感器输入感知信号到识别环境，再到决策和规划行驶轨迹，最后控制执行机构，如方向盘、刹车和油门等。而端到端自动驾驶解决方案则将这些模块进行了整合，利用一个模型实现多种模块的功能，降低了多模型的联级误差，整体提升了系统性能，使系统更加简洁。
戴一凡解释，端到端自动驾驶解决方案具有两大明显优势。首先，大模型的强大泛化能力使该方案能够提升智能驾驶的上限。面对不同的自动驾驶场景，尤其是边缘和罕见场景，传统自动驾驶方案需要工程师不断修改代码，而端到端方案则通过数据迭代实现多应用场景的适配，解决了智能化能力的上限问题。其次，该方案通过数据的隐式表达避免了信息的损失。传统算法中各模块之间通过定义接口进行信息的显式传递，会产生明显的信息损失，而端到端方案则通过隐式表达特征进行信息传递，将信息“无损”地传递给下位模块，整体上模拟了人类的思考。
戴一凡还提到，AI技术的发展将导致传统的研发模式被颠覆。随着算法驱动逐渐转变为数据驱动，数据的重要性迅速上升，而工程师代码经验的重要性则相对下降。因此，他建议所有企业都要做好应对这一变革的准备。
大模型和端到端自动驾驶解决方案将推动自动驾驶技术实现阶跃式发展。通过数据的训练和泛化能力，自动驾驶技术将快速发展。传统规则驱动的算法将被新的技术取代，行业面临新一轮的洗牌。技术头部企业的集聚效应将愈发突出，先入局者的优势将越来越明显，而后入局者的追赶难度将越来越大。
