席卷自動駕駛行業的寒冬還沒有過去，開發周期長、成本高，又難落地的問題并沒有完全被解決，而大量的車企都在激進的進行電動化和智悉陪圓能化的轉型，自動駕駛的研發又是繞不開的重要一部分。

可是靠自動駕駛技術和故事去吸引消費者的路線已經逐漸走不通了，比亞迪王傳福也站出來炮轟自動駕駛，讓自動駕駛的寒意更濃了。

其實自動駕駛難落地的問題，對于誰都一樣，誰都繞不過去這個問題，但是車企和自動駕駛企業們可以在“開發周期和成本”方面開卷，因為在大環境不利的情況下，誰能用更低的成本和更高的效率堅持并維持住，才可能在春暖花開之時迎來綻放。

在本周的在第八屆毫末AI DAY上，毫末智行發布了首個應用GPT模型和技術邏輯的自動駕駛算法模型DriveGPT，并正式官宣中文名為“雪湖·海若”。DriveGPT首發車型是即將量產上市的全新摩卡DHT-PHEV，有了DriveGPT之后，自動駕駛開發中的周期和成本都會大幅縮短和降低。

目前的自動駕駛技術發展情況，主流的自動駕駛訓練方式主要有兩種：真實道路測試和虛擬仿真測試。

真實道路測試最大的特點是能夠與真實交通環境相匹配，模擬真實生活中的睜塌各種復雜情況。同時，真實道路測試還可以發現一些不常見或難以預測的情況，提高自動駕駛系統的適應性和可靠性。然而，真實道路測試需要大量的時間和金錢投入，同時還涉及交通安全、法律法規以及人員傷害等問題，給測試過程帶來了一定的風險和壓力。這些都會導致測試成本的增加。

另一種方式就是虛擬仿真測試，它是在計算機模擬環境下測試自動駕駛系統，通過虛擬場景來訓練模型。虛擬仿真測試可以避免真實道路測試中的安全問題和成本壓力，同時還可以快速生成大量的數據，提高測試效率和數據量，而且在其中已經輔以了不少AI人工智能技術。

但是，虛擬仿真測試中的數據和場景是人為設計的，可能無法完全反映真實道路的復雜性和不確定性。因此，虛擬仿真測試有時需要進行一定程度的真實道路測試來驗證其結果。

DriveGPT采用了與ChatGPT一樣的Transformer模型與RLHF人類反饋學習能力，通過引入真實駕駛場景和人駕接管數據，可對自動駕駛認知決策模型進行持續優化，從而為自動駕駛開發降低成本。

由于DriveGPT是在虛擬仿真環境下進行訓練的，因此可以省去真實道路測試中的安全問題亂好和成本壓力。DriveGPT能夠生成大量的仿真數據用于訓練模型，這些數據能夠很好地模擬真實道路的復雜性和不確定性，從而保證模型的魯棒性和可靠性。同時，在仿真環境下進行訓練還可以大大節約時間和成本。

與傳統的真實道路測試相比，DriveGPT能夠快速高效地獲取大量數據。DriveGPT的訓練過程是完全自動化的，不受測試時間、環境等因素的影響，從而大大提高了測試效率和數據量。這不僅節約了訓練時間，還可以提高模型的精度和魯棒性。

DriveGPT自身能區分駕駛場景和非駕駛場景，并可以理解駕駛環境，還可用于場景識別標注任務，比如標注車道線、交通參與者、紅綠燈、路牌等細節信息，并且每張圖的識別優化價格從約 5 元下降到 0.5 元，成本下降了近10倍，在OpenAI的GPT-4出來的時候，它的識圖能力引起了我們的高度關注，而與其底層類似的DriveGPT，已經把這項能力用了起來。

AI自動識圖逐漸開始代替人工，人工標注的效率和成本是繞不過的問題，機器不需要休息，也幾乎不會眼花，而自動標注的成本僅是過去使用人工的十分之一不到，而且半個月就能完成人力一年的需求。

DriveGPT使用大量的仿真數據來訓練模型，這些數據能夠很好地反映真實道路的復雜性和不確定性，DriveGPT它能夠更好地處理自然語言、圖像等多種數據類型，還可以去自行學習，從而提高模型的復雜性和準確性。

另外在產品迭代方面，DriveGPT能夠為自動駕駛開發者提供快速有效的反饋，幫助它們更快地調試和優化系統，從而進一步降低系統迭代方面的開發成本。

通過DriveGPT訓練出來的模型可以轉移到真實道路測試中進行驗證，進一步提高了系統的安全性和可靠性。DriveGPT訓練出來的模型能夠很好地反映真實道路的復雜性和不確定性，從而在真實道路測試中能夠更快地適應各種情況，DriveGPT還可以同時讓系統處于多個平行宇宙之中，也就是提前做好再一次遇到類似情況可能發生的各種駕駛情況，在預測人車軌跡能力上也得到了大幅提升。

DriveGPT的能力不只局限于自動駕駛領域內，我們看到毫末的合作伙伴還有北京交通大學計算機與信息技術學院、火山引擎、華為云、京東科技、高通、四維圖新、英特爾等，當然這里面有很多是供應商伙伴，但四維圖新這個伙伴，可能是DriveGPT要去賦能的另外一部分。

此次四維圖新也官宣表示：接入毫末DriveGPT雪湖·海若，可實現持續雙向賦能。借助DriveGPT雪湖·海若算法能力可提升地圖成圖自動化水平。DriveGPT對于圖像強大的理解能力，可以應用于地圖測繪方面，DriveGPT可以使用AI大模型來進行對物體的識別，特別是建筑物，具體來說，它可以通過大量的地圖數據和衛星影像數據進行訓練，然后利用這些數據來識別、分類和標注建筑物信息。同時，由于DriveGPT使用的是AI技術，因此其識別準確率和效率都比傳統的人工測繪方法更高。

除了建筑物識別，DriveGPT還可以用于其他地圖測繪任務，例如道路標注、地形分析、地圖更新等，特別是隨著搭載DriveGPT的車型越來越多，它們甚至可以去試試生成鮮度比較高的高精地圖，雖然毫末打造的是重感知、輕地圖的系統，DriveGPT也是為了去加深這一目的，但是高精地圖可以給到供應商去做別的事情，并不是只有自動駕駛需要高精地圖。

與傳統的自動駕駛訓練方式相比，DriveGPT能夠省去真實道路測試中的安全問題和成本壓力，同時能夠高效快速地獲取大量數據、精準地反映真實道路的復雜性和不確定性、提供快速有效的反饋以及能夠轉移到真實道路測試中進行驗證等優點。毫末接下來的輔助駕駛方案，可能會把軟硬件的成本卷得更低。

DriveGPT具有很大的應用前景，雖然我們看到目前只看到了毫末智行入局GPT類自動駕駛，但其他車企和供應商們肯定不會放過這個機會，AI技術大爆發的當下，或許比DriveGPT更高階的自動駕駛訓練方式也在來的路上。

而且隨著AI的全面接入，再靠堆硬件，比激光雷達數量、攝像頭像素和個數、算力芯片能力，可能不再是吃香的辦法，沒人愿意為能力低，而靠堆硬件帶來的高成本而買單。

【本文來自易車號作者路咖汽車，版權歸作者所有,任何形式轉載請聯系作者。內容僅代表作者觀點，與易車無關】