L3還沒到，智己就能造L4的車了？
智駕也要靠直覺”
作者｜王磊 劉雅傑
編輯｜秦章勇
默不作聲的智己，開始在智駕上憋大招。
50多頁的PPT，42分鐘的講解，全是硬核的智駕技術乾貨，就爲了展現出一個主題，智己汽車和Momenta聯合打造的智駕大模型IM AD 3.0，已經進化到下一個階段——擁有人的直覺。
“直覺”這個詞，也是貫穿整場發佈會。
關於端到端，每家企業的研發路線都不盡相同，解釋的話術也有所區別，IM AD 3.0的優勢，則是用直覺來形容，其背後靠的則是一段式端到端直覺式智駕大模型。
這套大模型擁有類似人腦結構的思考方式，駕駛過程中會生成本能反應主導的直覺決策能力，也就是老司機的開車方式，所以智己毫不客氣地表示自家智駕就是“十年老司機”。
除此之外，基於IM AD 3.0，智己還成爲了國內首個，同時具備L2、L3、L4級智能駕駛量產能力的品牌。
01
開車靠“直覺”
智己CEO劉濤也順勢公佈了L2到L4的時間表：
L2+級高階輔助駕駛，已於本月在全國範圍內開通全系車型“無圖城市NOA”，可以做到“全國都好開、全場景都敢開”。
智己還啓動了歐洲市場的L2+道路測試，目的是爲了打造一個“全球都能開”的無圖NOA。
L3級自動駕駛已進入量產倒計時，今年6月，智己入選國家首批智能網聯汽車L3級自動駕駛准入和上路通行試點名單，預計將於2026年正式具備L3級自動駕駛方案的量產條件。
同樣位於智駕第一梯隊的問界、小鵬暫不在該名單中。
另外，智己預計將在年內獲得首批“L4級無駕駛人道路測試牌照”，智己無人駕駛車將很快實現上路。
和大部分車企不同，智己並沒有採用當下主流的“感知+規劃”的分模塊智駕結構，而是和Momenta將其整合進一個大模型，雲端算力爲2.5EFLOPS。
這樣的好處顯而易見，除了減少手寫規則，有利於實現全局流程最優，其訓練的上限也較高。
智己敢宣稱自家“一段式端到端智駕大模型”斷代領先，背後還有一個重要原因就是這款大模型具備人工智能生成的“直覺能力”，即也可以理解爲智駕從“像人”進化到了“成爲人”。
直覺是人類纔有的特質，官方稱IM AD3.0會以更接近人腦結構的思考方式，生成本能反應主導的直覺決策能力。
尤其是在前車突然剎停和人車混流的無保護左轉場景的情況下，傳統的智駕系統會像機器般執行原有指令“傻等”，但IM AD3.0會像老司機一樣觀察兩側路況，並伺機變道。
如果碰上車道有水坑的情況下，IM AD3.0也會做出繞行水坑，而不是繼續執行車道保持，從水坑上駛過。
在訓練這套智駕系統的過程中，智己還採用了“長短期記憶模式”架構。
簡單來說，就是將智駕大模型的數據處理分爲短期記憶和長期記憶兩種模式。短期記憶可以實現以天爲單位的迭代，快速驗證優質數據；長期記憶則是周級迭代優質數據，對數據進行質量評估後，把優質數據輸出，應用於端到端大模型。
“長短期記憶模式”其實就是在模仿人腦“直覺推理+邏輯分析”的問題處理方式，可以在模型訓練成本節省10-100倍的同時，大幅提升迭代速度。
02
都得需要安全機制兜底
其實從智駕領域普遍的方案來看，分段式端到端是目前行業的主流方案。
分段式的大模型，感知端用一個模型，控制決策規劃用一個模型，用兩個模型來代替One Model，也是目前主流的端到端路線，像小鵬的XNGP、華爲ADS3.0都是分段式端到端的方案。
而所謂一段式端到端大模型，就是取消了分模塊智駕結構，將感知與規劃整合進一個大模型，一個完整的神經網絡減少了中間結構化感知結果的傳遞，從原始數據輸入到規劃路徑輸出，實現了信息無損傳遞，像車輛的顏色、司機的性別、車輛的狀態等，體驗更類人，性能上限更高。
所以不難看出，在智駕追求上，One Model大模型要比分段式大模型要好的多，因爲信息的無損傳遞，上限也變得極高。
當然，從兩段式端到端、模塊化端到端到單一神經網絡模型的One Model端到端的進程中，越往後，難度也越大。這也是爲什麼目前行業選擇的主流方案是分段式端到端的原因。
就像不久前，極越汽車在其智駕發佈會上說的那樣“One Model的一段式端到端，好像可以用數據來解決所有問題。那爲什麼還是選擇兩段式端到端？”
因爲出於安全因素的考慮。
雖然“One Model”的一段式模型，上限極高，但下限同樣也很低。要知道通過一套神經網絡模型來進行駕駛行爲決策，這過程就像“黑盒”一樣，很難控制系統輸出的內容。
而且它也缺乏透明度，工程師很難修復系統中存在的決策漏洞，並不能保證絕對的安全，也就說，一段式方案面臨更難的長尾問題。
但這也並不意味着，目前一段式端到端的方案就無法落地。
儘管AI模型存在不可控性，可能會做出一些違揹物理規律的結論推導。所以這個時候，就不能僅靠“直覺”了，它還需要加入“邏輯”加以糾正。在一段式的前提下，加入“安全邏輯網絡”來兜底，保證直覺決策的安全性。
這也對應智己汽車的方案，“一段式端到端+安全邏輯網絡”，通俗的來說就是人腦的直覺推理+邏輯分析兩個部分，正好對應智己給出的“長短記憶”兩個系統結合。
而且智己汽車也不是第一個這麼幹的，在此之前，最先在智駕領域應用這種方案的是理想，其搭載的E2E（端到端大模型）+VLM（視覺語言模型）分成系統一和系統二，組成了“快慢”系統，兩個系統相互配合，構成了人類認知和理解世界、做出決策的基礎。
不難看出，兩家在理念上極爲類似，不過，在技術框架上有所區別。
理想的系統一是E2E端到端；系統二是VLM視覺語言模型，VLM在一些複雜場景下，會對E2E進行指導，像是一位陪駕的老司機，因爲是一套視覺語言模型，所以運作頻率相較於E2E是一套慢系統。
理想E2E端到端是系統一，作爲主決策者，VLM視覺語言模型，當作系統2，可以理解爲系統1的“冗餘”，VLM在一些複雜場景下，會對E2E進行指導，像是一位陪駕的老司機，因爲是一套視覺語言模型，所以運作頻率相較於E2E是一套慢系統。
VLM視覺語言模型具備一些邏輯思考的能力，會在一些複雜情況下驗證“端到端”的決策，最終實現車輛的兜底或控制。
而智己對應的方案“長短記憶“模式，長期記憶是通過E2E來完成，作爲主決策者。
而智己上安全邏輯網絡，就不是視覺語言模型了，而是一套由規則構成的邏輯算法，這套系統使用串行處理方式，對數據進行驗證，實現算法迭代。
可以理解爲對某個場景，某個功能模型的小版本演化，可以達到快速迭代試錯目的，然後經過驗證過的好的算法和數據，會在一段時間的積累後應用在“長期記憶”，即最終的端到端大模型上。
不難看出，雖然兩家採用了不同的技術框架，但在理念上是殊途同歸，而且都需要一套安全網絡進行兜底。
所以再性感的智駕技術方案，沒有足夠的安全都是空中樓閣，技術路線或許沒有標準答案，不斷解決掉長尾問題，纔是智駕的最優解。