自动驾驶作为人工智能技术的一个应用载体，随着智能产业化的推进自动驾驶的应用形式出现各异，行业内外对于自动驾驶的理解也不尽相同。从底层技术上分析，自动驾驶的锚点仍然是人工智能技术，也就是说不管是从哲学理论还是技术理论，自动驾驶的参考就是人工智能技术体系，尤其是Open AI的GPT的出现，让人类看到了通向AGI的一条路径，同时也掀起大模型的科技风暴。然而，随着Open AI的管理层动荡以及推出GPT Store，大模型通往AGI的道路出现波折，人工智能技术的落地也从硬件性能转变为应用效果。从人工智能技术的发展可以看出未来自动驾驶技术进化的主旋律，接下来北京交通展小编就来简单聊一聊。

其一是2024年将会是大模型的应用元年，大模型的风将吹到社会的各个角落，其中也包括自动驾驶领域。如果将自动驾驶看作是AI agent，那么根据OpenAI华人科学家翁丽莲给出的Agent配方：Agent=大模型+记忆+主动规划+工具使用。自动驾驶可以简化为大模型+四个轮子，核心问题仍然是车辆对周围环境的反馈能力，这也是自动驾驶技术最大的挑战。

无论是多传感器融合还是去高精度地图的路线，本质上都是建立机器系统和周围环境的联系，由此而衍生出各种环境认知方式方法的不同。例如特斯拉提出的世界模型，也是基于机器系统对环境认知能力的提升；

其二是自动驾驶的数据问题。数据驱动下的技术迭代最主要的依赖就是数据，那么大模型时代，数据需求量飙升而人类生产的数据速度远远落后于需求，主要体现在两个方面：

一方面是数据产生的迟延，参照Chat-GPT的使用数据是以2022年以前的，也就是没有实时的数据进行训练，更多的是以往数据的挖掘。这就体现出人类在社会运转中产生数据的速度落后于人工智能算法对训练数据需求；

另一方面数据的针对性变强了，不是所有的数据都是有效数据，随着数据的大量使用，有效数据会同步减少，出现重复造轮子的现象。例如从语言大模型到多模态大模型，本质也是数据维度的不同，引入更多维的数据进行模型训练。虽然在理论层面，大模型的智能涌现和幻觉问题尚未形成良好的解决方案，但是可以肯定的一定是和数据相关；

其三是社会智能产业的动量在变化。大模型的火热为社会的科技创新增加了新的动量，在大模型领域当前市场存在各种各样的模型类型，以数据为中心应用领域覆盖语言、图像、语音，视频等诸多领域，并且类似操作系统一样形成开源和闭源的存在局面，这也为整个社会的智能化发展提供基石。在自动驾驶领域，大模型可以辅助系统更好地理解环境，并进行反馈决策规划。所以，基础模型正在成为人工智能产业保持活力的重要驱动因素，以模型为核心的变革性技术带来新的产品应用，而自动驾驶作为大模型的一个垂直应用领域，大模型将会重构整个自动驾驶产业链中数据处理、训练、推理以及商业过程。自动驾驶的产业发展一定离不开AI的环境。同时，随着算力和模型的基础建立，AI的部署和应用门槛将会降低，数据和模型会成为专业服务，数据和模型分离，模型即服务、数据即服务。对于自动驾驶行业也是同样的商业逻辑，不管是基于模块化的算法设计还是端到端的方案，但工程实现一定是分层的逻辑组合，从下至上依次是底层基础硬件层、平台层和应用层，实现方法随着社会基础设施的变化会变化，但是对产品的核心逻辑分析是不变的。

整个社会科技的动量之变势必会影响自动驾驶的行业发展。

首先是新的技术手段将会不断应用到自动驾驶领域，从计算机视觉到自然语言处理跨领域的技术成为推动自动驾驶技术迭代的动力之源；

其次是自动驾驶技术的进化速度在加快，主要可以从几个方面来看：

第一是行业玩家淘汰加速。通过对自动驾驶公司成立时间的统计可以看出，在2014年到2017年之间可谓是自动驾驶发展的黄金时期，众多的明星企业也大多是在这期间成立，例如百度在2014年7月启动无人驾驶汽车研发项目；谷歌在2016年将Waymo独立运营；2017年文远知行的前辈景驰科技成立等等自动驾驶相关的科技公司在这个时间段扎堆出现。进入2020年以后，随着L3自动驾驶的难产，自动驾驶的商业化进程不及预期，从上游主机厂、互联网大厂开始收缩自动驾驶业务，波及到下游创业公司面临生死存亡的问题，从公开的资本市场数据来看，

2020年中国市场行业投融资规模达到397.14亿元；

2021年国内自动驾驶行业共发生144起投融资事件，融资规模为932亿元；

2022年，自动驾驶行业投融资事件约为128起，融资规模为2021年的四分之一，仅为240亿元。

进入2023年自动驾驶相关企业开始扎堆准备上市或者面临被上游车企收购，国内有16家自动驾驶及其相关产业链企业明确或计划启动上市计划。其中4家已挂牌上市，5家已经提交申请，2家完成备案，1家启动上市辅导，面对市场的变化预计其他尚未发布消息的自动驾驶企业也将上市提上经营的日程。自动驾驶企业一边面临着高估值和产业化的难题，一边面临技术和商业模式的同质化，所以上市是自动驾驶创业公司获取资金流的唯一的选择。从明星企业的开启到举步维艰自动驾驶行业的浪潮不足十年，浪潮之后有人会在沙滩上有人会乘势起飞；

第二方面是自动驾驶底层技术的逻辑变化，也就是驱动产品迭代的认知在变化。自动驾驶行业的火热背后除了是资本对改变人类出行模式技术的畅想以外更重要还有人工智能技术的理论进步。人工智能技术在经历过前几次的低潮后迎来新的曙光。

2006年Geoffrey Hinton提出了深度学习也就是多层神经网络，利用此方法在语音识别、图像识别的领域秒杀了很多大公司，这不仅为自动驾驶技术的发展带来新的方向，也助推了社会科技的进化。从学术界新的人工智能理论方法的提出到各种比赛的崭露头角最后才会进入产业界的视野，也就是说以深度学习为基础的人工智能技术在自动驾驶产业界的应用从学术到产业间的转化过程几乎用了近十年的时间。

时至今日，行业内比较热门的大模型的关键算法也是基于深度学习原理，深度学习为复杂的大模型提供学习能力和表达能力。在大模型爆发的时间段来看，新技术在自动驾驶行业的应用速度在加快，2020年美国的科技公司OpenAI公司推出了GPT-3，模型参数规模达到了1750亿，成为当时最大的语言模型，并且在零样本学习任务上实现了巨大性能提升。随后，更多策略如基于人类反馈的强化学习（RHLF）、代码预训练、指令微调等开始出现, 被用于进一步提高推理能力和任务泛化。2023年大模型已经成为自动驾驶行业的必选话题，BEV+Transformer的感知架构成为行业共识，以数据驱动的模式成为系统迭代的关键手段，所以从横向来看跨界的技术应用时间在缩短，新的技术涌现会不断冲击自动驾驶的技术发展，这就要求自动驾驶企业需要具备技术的快速适应能力，一方面是产品的落地周期长和产业规模化速度缓慢，另一方面是底层技术的快速迭代，自动驾驶的生存在一快一慢的夹缝之间，快了丧失产品的规模，慢了技术会落后；

第三个方面是对于自动驾驶的行业认知在变化。自动驾驶最早是计算机视觉的应用载体让汽车具备感知识别的能力，而路径规划控制算法仍然是沿用规则的控制算法。大模型的出现，将自动驾驶当成一个智能体来研究，自动驾驶系统是一个自适应计算的过程。行业认知观念的改变带动开发模式和产业链的变化，在AI行业中，大模型成为通向AGI的一条路径，而大模型商业化更重要的是垂直领域应用，也就是探索机器智能的极限不如实际产品应用的“香”，智能辅助更优于无人操作。所以，自动驾驶一定会很长一段时间处于辅助人类驾驶的阶段，L4级以上的自动驾驶暂时会被搁浅，再多的数据和算力暂时也堆不出无人驾驶。这也是众多无人驾驶公司出现困境的根本原因，算法理论上存在一定的缺陷，无法支撑商业化落地。所以，自动驾驶的行业认知从一个赋能的汽车转变为辅助人类驾驶的智能体，是处于一个动态进化的过程之中。

第四方面，数据的来源在变化。在互联网科技行业，随着大模型的出现，人类已有的数据终将会面临枯竭的问题，自动驾驶行业也会面临同样的问题并且比互联网数据枯竭来的更早。自动驾从数据应用到数据生成的过程，不仅是需要量产车辆的实际测试的支持，更重要的是需要通过数据技术手段实现数据的生成，只有数据的量和质上去了，以目前的自动驾驶系统方案才会涌现出智能的体验，看似是一条没有尽头的路，但也是唯一可行的路。

自动驾驶的底层驱动来源于人工智能技术，但是工程化却具备汽车行业的属性，这也就造成自动驾驶势必是一个跨界融合的矛盾体，北京交通展小编觉得，这是探索未知的一个必备过程。

以上就是北京交通展小编整理的内容，想了解更多，推荐您来参观北京交通展。