当前位置: 华文星空 > 汽车

百人会秘书长张永伟:汽车智能化的变革速度太快超出业内预期

2024-10-03汽车

本报记者 尹丽梅 张硕 合肥报道

汽车产业技术高地以及车企的战略竞争支点,正在向AI(人工智能)驱动的智能化快速迁移。过去的竞争力已经很难支撑车企下一步的发展,未来的发展必须建立在以AI驱动的智能化发展上,通过AI去实现战略迁移,只有这样车企才能赢得未来。反之,如果在智能化领域的变革中跟不上步伐,或是没有引起足够的重视,那么许多企业将失去未来。

9月29日,在中国电动汽车百人会举办的全球智能汽车产业大会(2024GIV)上,中国电动汽车百人会副理事长兼秘书长张永伟作出上述表述。并且,他指出,汽车智能化的发展速度太快,超出了业内预判。

智能化转型需要巨大的研发投入。【中国经营报】记者注意到,按照官方口径,2024年特斯拉FSD(Full-Self Driving,全自动驾驶)累积研发投入将超100亿美元。截至2023年年底,华为车BU(华为智能汽车解决方案事业部)在智能化软件、硬件方面的投入也已经达到300亿元。比亚迪亦提出要在智能化领域投入1000亿元。

张永伟认为,到目前这个阶段,在智能化方面各个企业比拼的不仅仅是认识和速度,还是实力的较量,智能化发展的门槛已经越来越高。

AI已成驱动汽车变革决定性因素

「汽车产业变化周期越来越短,甚至出现了变化叠加的特征:过去的变革还没有完成,新的变革又要开始,这种叠加的发展成为汽车产业发展的新常态,百年汽车产业在继续演进,最新的驱动因素是人工智能。」张永伟表示,以大算力、大数据、大模型为主要代表的人工智能开始与汽车融合,人工智能时代给汽车行业带来的最大变化是AI成为驱动汽车变革的新的决定性因素。

在这种情境下,中国汽车产业如何适应新的变化做出新的调整,成为一道必答题。张永伟给出的解题思路是,中国智能网联汽车的发展需要聚焦AI技术与数据价值去塑造产业新竞争力。即一方面发挥数据作为生产要素的价值,构建数据竞争力,另一方面利用好AI模型能力,促进汽车智能化水平跃升。

数据是智能驾驶技术迭代的关键要素。我国在智能化方面并不具备数据优势,大部分企业手里拥有的算力资源非常有限。

以自动驾驶Clips(有效视频片段)数据作为对比,国内企业不足百万个有效视频片段,而特斯拉已经拥有超过1000万个有效视频片段数据。特斯拉拥有的算力水平已经达到100 EFLOPS,是所有车企所拥有的算力的总和。目前华为的算力水平也只有7.5 EFLOPS,与特斯拉相比差距明显。

记者了解到,国内车企的绝大部分数据分布在密集的几个场景,「头部效应」明显。与此同时,不同车型传感器配置不一,采集的数据存在差异,数据复用性差。此外,车企在数据梳理、价值挖掘方面能力积累和沉淀不足。

张永伟认为,国内企业要从数据的角度出发,去解决好两大核心问题:第一,要让数据成为企业核心的资产和要素,让数据创造价值,改变汽车企业对数据挖掘能力不足、对数据价值利用不利的现状,要让数据变成资产,让资产产生价值。

第二,在数据领域要解决好数据的协同效应问题。张永伟表示:「在训练软件、系统方面,我们很难做到像特斯拉一样拥有大量的数据,对我们而言靠单一车企的数据量是不够的。在AI时代,竞争力都是靠数据堆叠出来的,因此就必须去解决规模化数据的问题,这就需要创造我们的机制,促进数据汇聚,让大家能够按照市场化原则为平台投入数据以及使用数据,解决数据目前规模不大的问题。」

智能算力存在结构性短缺成为主要矛盾

在解决好数据不足的问题后,对于国内企业而言,还要去解决大模型的问题。

今年大模型颇为火爆,汽车行业距离大模型大面积地落地应用,还面临着一系列挑战,这些挑战涉及模型、数据、算力几个方面。

张永伟建议,汽车企业当下要去研发大模型,利用大模型。在他看来,在智能化方面打造竞争力要去解决汽车「新五域」:一是利用人工智能解决汽车电子电气架构的设计问题,二是利用人工智能融合解决动力的问题,三是智能驾驶,四是智能座舱,五是汽车底盘。因为汽车「新五域」均与人工智能、大模型深度融合。

「我们需要用人工智能的逻辑去做研发,形成新的架构和解决方案。我们既要去解决通用和垂类模型,也要去解决汽车企业用模型,在新的发展领域形成自己的AI竞争力。」张永伟说道。

在信息时代,算力就是生产力。在智能汽车下半场,各大企业之间比拼的就是AI和算力。可以说,芯片算力一定程度上决定了智能汽车的智能化极限,算力越高,汽车智能水平潜力越大。

随着汽车与AI深度融合,端到端智能驾驶、座舱大模型等加速上车,汽车产业对智能算力的需求快速增长。然而,目前国内汽车智能算力仍存在结构性短缺,软件生态完善的「成熟」算力缺口较大。

张永伟建议,要建设汽车智算基础设施,加强算力共建共享。「在人工智能时代,汽车企业缺的不是产能,当下汽车行业最缺的是智算基础设施,国内汽车行业的主要矛盾是智能算力存在结构性短缺。」

张永伟称,要完成端到端智能驾驶的研发和训练,智能算力的需求至少要达到1 EFLOPS,目前车企的平均算力是3 EFLOPS,理想算力是100 EFLOPS。我们要在算力方面投入巨资,而且要持续投入,围绕数据、算力、算法形成规模化效应。

根据公开数据,累积到2024年年底,三大运营商规划的算力资源总量是53 EFLOPS,然而就一个端到端大模型而言,一个企业需要的算力就达到100 EFLOPS。

「现阶段,如何解决智能驾驶、人工智能对算力的需求是当务之急。我们要做到既要保障有算力可用,又要追求可用的算力成本较低,甚至还要去解决本土算力由不成熟走向成熟化发展的问题。」张永伟解释称,英伟达所具备的「有芯片、有软件生态」的算力我们称之为成熟的算力,「有芯片、缺软件」的算力即为不成熟的算力。「我们的任务是要加快解决国内算力不成熟的问题,通过丰富软件和生态,打造成熟的算力,减少算力在硬件上未来被‘卡脖子’的问题。」

在智能网联时代,智能驾驶的技术发展正从单一的技术路线向融合单车智能和车路云的中国特色智能驾驶发展路线转变。张永伟在大会上表示,我国要致力于走通智能驾驶融合发展路线,即融合单车FSD和车路云的智能驾驶新方案(C-FSD)。

在张永伟看来,过去行业普遍认为单车智能、车路云为两条技术路线,但随着Al大模型技术、AI训练芯片及数据闭环能力的快速发展,单车智能技术上限大幅提升,可应对绝大多数场景,单车FSD和车路云实际上已成为走向自动驾驶目标的两个支撑性力量,两者正快速融合成为一条技术路线,单车FSD为「基础分」,而车路云为「加分项」。

张永伟认为,基于C-FSD的智能驾驶新方案可以实现数据共享、算力统筹、模型共建,降低企业研发门槛,一定程度解决技术、资源、市场分布不均的现状,实现创新平权,释放初创企业的创新活力。