“萝卜快跑”市场、算力、技术、大模型解析！

最近几年一直在网上可以看到“算力即国力”的说法，之前总觉得有些夸大其词。像AI绘画，AI大语言模型、AI视频虽然大多人已经用了长达两年，但是这东西毕竟是只能进行辅助性工作，甚至是作为娱乐存在的。

而“萝卜快跑”算是让人们在真正意义上见识了，算力是如何改变世界的。

目前，我国预计将成为全球自动驾驶出租车市场的主导地区。百度、小马智行和文远知行等中国科技巨头正积极致力于在未来 5 年内在中国主要城市实现全自动驾驶出租车的商业化。地理限制和较低的成本使中国在试点项目和自动驾驶出租车车队规模方面比北美和欧洲更具优势。

要实现自动驾驶这项技术，必不可少的就是大量的算力，而自动驾驶的算力需求也会随着自动驾驶等级的提高而增加。自动驾驶最重要的东西之一就是自动驾驶域控制器（AI域控制器）。AI域控制器是自动驾驶系统的中央计算单元，受益于汽车智能化发展和电子电气架构集中化趋势，其市场正在快速增长。

AI 域控制器功能主要由主控芯片、系统软件和应用算法协同实现。业内普遍认为以主控芯片为代表的高性能硬件会率先上车，操作系统及应用软件等会持续更新，逐步释放预埋硬件的利用率，保证汽车功能迭代升级。这需要在车辆设计之初预留硬件接口，国内很多公司基本都是这种思路，硬件做到最高端，然后软件和算法慢慢迭代，未来通过 OTA 达到 L4。

L2级别需要2个TOPS的算力，L3需要24个TOPS的算力，L4为320TOPS，L5为4000+TOPS。自动驾驶中，最耗费算力的是视觉处理，占到全部算力需求的一半以上。

已商用的自动驾驶芯片基本处于高级驾驶辅助系统阶段，可实现L1-L2级辅助驾驶，部分宣称可实现L3-L4级功能，面向L5级完全自动驾驶及全自动驾驶芯片离规模化商用仍有距离。

无人驾驶出租车技术

自动驾驶汽车由 40 多个传感器组成，包括雷达、摄像头和激光雷达，可帮助车辆高效运行。这些先进的传感器价格昂贵，其工作取决于运营活动中使用的硬件和软件类型。例如，汽车激光雷达的价格最高可达 50,000 美元，这加起来就是车辆的成本。

因此，由于零部件成本高昂，全面部署无人驾驶出租车服务需要大量投资。此外，机器人出租车的实施和集成是一个耗时且困难的过程，因为4级和5级自动驾驶汽车非常少，因为这些汽车处于开发阶段，无法进行分析和测试。此外，此类自动驾驶汽车的软件设计和开发是一个具有挑战性的问题，而5级自动驾驶汽车的广泛使用不仅需要大量资金，而且还需要遵守法规。

自动驾驶出租车需要分析大量传感器数据，这些数据几乎是目前市场上最先进车辆所需数据的 100 倍。软件的复杂性正在以指数级增长，多个深度神经网络 (DNN) 作为软件堆栈的一部分同时运行。为了在世界各地的各种环境中操作这些车辆，必须使用大量数据进行严格的 DNN 训练。由于道路上自动驾驶汽车的数量不断增加，这些数据可能会大幅增加。

“萝卜快跑”大模型

要将一座城市的自动驾驶运营经验进行快速复制，首先需要提升技术的鲁棒性，适应多变的城市复杂场景。这也是为什么萝卜快跑会引入大模型ADFM的原因。

在早期的行为决策算法，工程师想出所有可能的“if-then 规则”的组合，然后再用基于规则的技术路线对汽车的决策系统进行编程，这种方式难以穷举所有可能的情形。

所以，现在结合神经网络的混合路线是最流行的技术路线。

Apollo ADFM由多模感知大模型和多源规划大模型两个核心部分组成。

其中感知大模型通过视觉和激光雷达、毫米波雷达等多模感知融合，具备更精准的超长尾场景检测能力，和高阶场景语义理解能力。

而规划大模型，基于对大量人驾数据的训练学习，正在实现从拟人到超越人的跃升，逐步形成在强交互场景更完善的安全处理能力，以及预判和规避潜在风险的能力。随着大模型的成熟，自动驾驶的技术层面问题非常少。

无人驾驶出租车主要公司
百度（中国）
滴滴出行科技有限公司 (中国)
特斯拉公司（美国）
Waymo LLC（美国）
Aptiv（爱尔兰）
Uber Technologies Inc.（美国）
Cruise LLC（美国）
Lyft, Inc（美国）
Zoox, Inc.（美国）
AutoX, Inc（美国）

说到算力，智星云目前GPU丰富，拥有1080TI、2080TI、3060 、 A10、 A40 、 V100 、A100 、A800、H100、H800等英伟达全系列产品。

可租可买，随用随开，按小时计费，环境可以保存，huggingface，github访问速度快，同时支持镜像定制，边缘计算、量子计算、绿色计算、高性能计算和混合云计算等均可支持。