導讀：“我們有信心，在今年年內推出來的城市NGP效果，會相當程度上比FSD的效果要好。”3月26日，何小鵬在百人會論壇的訪談中向《電動汽車觀察家》明確表示，小鵬汽車將于2026年開始向無人駕駛過渡的目標。此時距離何小鵬喊話特斯拉創始人馬斯克——“（要）在中國的自動駕駛領域打得（特斯拉）找不著東”剛過去16個月。
何小鵬2020年社交媒體發言
當然特斯拉也沒閑著。
4月，馬斯克表示可實現“完全自動駕駛能力”的FSD測試版已搭載在超10萬輛特斯拉車型上。近日發布的特斯拉2021年影響力報告表示，美國所有汽車相比于使用Autopilot自動輔助駕駛的特斯拉汽車發生事故的概率要高8倍。馬斯克表示，這項數據將趨向于超過10倍。
但在中國，由于開放功能過少，昂貴的FSD對特斯拉車主來說品牌標簽的意義遠大于使用價值。
2020年的小鵬科技日上，一段小鵬NPG VS 特斯拉NOA導航領航駕駛輔助系統的對比實驗中，小鵬P7表現穩定，特斯拉Model3則有了一系列無故、違規變道和錯誤駛出的情況發生。
這一表現也與中國媒體屢次的對比測試結果一致：在北美開始測試完全自動駕駛的特斯拉，在中國結構化道路上仍水土不服。
晚七年出發的小鵬，現在的自動駕駛能力能否與特斯拉一較高下？何小鵬說要趕超特斯拉，是在吹牛嗎？
更重要的是，以特斯拉和小鵬為代表的純視覺和感知融合兩大技術路線，在量產自動駕駛這一目標下的差異怎樣，前景又如何？
1、在中國，特斯拉比小鵬“差”在哪兒？
本質上，如今的純視覺感知的特斯拉車型，和依靠多傳感器融合的小鵬車型已是運行模式大相徑庭的兩種“生物”，且“棲息地”也大為不同。
1.1 純視覺VS多傳感器融合
特斯拉FSD完全靠“看”。車身四周的8枚攝像頭，以每個攝像頭36幀每秒的速率采集，分辨率為1280×960、12-Bit的RAW格式圖像。
原始圖像數據直接進入名為“HydraNets（九頭蛇）”的單一純視覺神經網絡算法中，進行圖像拼接、物體分類、目標跟蹤、引入時間序列的在線標定、視覺SLAM（定位與地圖構建）等一系列能讓機器明白“我拍的是什么”，最終形成一段路況時空的“向量空間”——對真實物理世界的虛擬映射。
“最困難的是建立一個準確的向量空間，”馬斯克表示，“一旦有了準確的向量空間，控制問題就類似于電子游戲。”
向量空間，特斯拉AI DAY 2021年8月
“向量空間”是所有L3級及以上高階駕駛輔助系統的必要條件，區別在于如何獲取（感知）真實世界的數據。
從P7開始，XPILOT智能駕駛輔助系統（下稱XPILOT）形成了“小鵬風格”的融合感知系統：前視三目攝像頭+翼子板側后視攝像頭+反光鏡前視攝像頭+后視攝像頭+5個毫米波雷達+4個環視攝像頭+12個超聲波雷達+高精地圖+高精定位。
從P5開始，XPILOT又引入了激光雷達。
小鵬P5將適用城市NGP
雷達提供直接的速度、深度、距離和部分材質信息，其中激光雷達能夠直接對現實場景進行3D點云的虛擬建模；攝像頭則對行人、交通標志標線等多細節進行感知。之后，通過融合算法模式，將不同傳感器的原始數據或感知結果進行4D一致化的融合，由此建立向量空間。
兩套方案各有優劣。
視覺方案具有極大的成本優勢。單目攝像頭成本僅在150-600 元之間，較為復雜的三目攝像頭成本也通常在1000 元以內。
特斯拉的8個攝像頭成本在200美元（1400元）之內，加上自研的自動駕駛芯片，總成本不到1萬元人民幣。
多傳感器融合方案在攝像頭之外，毫米波雷達成本在50美元左右、半固態激光雷達普遍在幾百美元，以及高精地圖的費用。
2019年，高德地圖宣布100元/車/年的標準化高精地圖合作價格。但頭豹研究院在報告中認為，除基礎服務外，高精地圖圖商還收取輔助自動駕駛服務費，行業價格或為700-800元/車/年。
成本是技術量產規模的決定性因素，但技術的可靠性和可實現性更加重要。
距離/深度/速度探測是視覺方案的劣勢之一，要通過2D的圖像來構建3D+時間的向量空間，中間不但存在2D“翻譯”到3D所帶來的延遲問題，而且對圖像處理算法、AI學習所用的場景數量/質量，和硬件算力都要求極高。
例如，去年特斯拉取消毫米波雷達之后，FSD測試版的自動轉向功能設置了75 英里/小時（120公里/小時）的最高速度和最少三輛車的跟車距離。之后兩個月，特斯拉將限速提高至80英里/小時（128公里/小時），跟車距離降低到兩個車身長度。
多傳感器方案則擁有雷達直接提供的距離/深度/速度數據，以及高精地圖提供超視距的先驗信息，以及高精定位模塊提供的分米甚至厘米級定位能力。
“（由此）幫助AI理解，決策和規劃接下來的動作，為基于其他傳感器的感知能力提供輔助和冗余的信息來源。”小鵬汽車自動駕駛副總裁吳新宙向《電動汽車觀察家》表示。
自動駕駛各級別對應像素數、數據量以及算力需求（估計值）《中金 | AI十年展望》
獲得足夠的冗余，是L4級自動駕駛公司和小鵬等公司，選擇多傳感器融合而非純視覺路線的主要原因。
目前，由于純視覺沒有對速度、加速度的直接測量能力，幽靈剎車會是長期難以根治的問題。
未來，對高階自動駕駛系統所需要的預期功能安全和功能安全來說，防止單一系統失效，收窄失效預期冗余是必須的，“目前純視覺系統很難達到高階自動駕駛所需的安全需求。”一位自動駕駛領域專家向《電動汽車觀察家》表示。
1.2 美國的特斯拉與中國的小鵬
“棲息地”的不同進一步加大了兩條技術路線的落地表現。
中國交通環境的復雜程度遠超美國，需要大量視距之外的輔助信息提供給決策系統，才能順利完成通行，也導致僅依賴實時、純視覺感知系統，很難在中國落地。
中、美最復雜的立交橋系統：美國亞特蘭大（左）與中國重慶
例如，即使是屬于簡單場景的封閉高速路，中國相比美國路彎道更多、曲率更大，甚至有兩圈疊套的路段，能“一眼看到”的路線非常短暫；中國的高速路還有更長的進出匝道，和更頻繁變換的虛實車道線，甚至本不應出現在封閉路上的行人。
部分企業在實踐中發現，由于交通參與者通行規范程度的差異，自動駕駛系統在美國過路口比中國“容易”近10倍。
不使用高精地圖，缺乏先驗信息，完全依靠視覺感知，神經網絡占比超過98%的FSD，需要海量的高質量、差異性數據來進化。
因此，在北美數據的“喂養”下，FSD測試版實現了非結構化路段的部分自動駕駛能力，但特斯拉在中國還無法順暢跑通高速路段——目前缺乏使用中國場景數據的能力。
受國家數據安全要求，特斯拉在華數據不能“出國”，這不僅意味著數據本身要存儲在中國的服務器中，國外IP也不能通過網絡訪問，甚至在國內讀取數據的人也有嚴格的國籍背景限制。
這意味著特斯拉要適配中國場景需要在中國“重建”組織。
首先是在中國的數據和研發中心。“負責數據采集和模型訓練，以及產品經理等一系列配套組織，百人以上的團隊。“一位新造車勢力的大數據工程師向《電動汽車觀察家》表示。
還需要重新構建工作流程。因為美國的數據同樣不能進中國，所以只能從美國傳遞模型參數，而不能傳遞數據本身，“這對模型的訓練工作會帶來很大影響，需要重新在中國搭建訓練用的pipeline（data pipeline：數據的采集、處理、脫敏、清洗、標注、分類和訓練流程）。”上述大數據工程師表示，這又意味著數百甚至上千人的流程團隊。
《電動汽車觀察家》在訪談中了解到，2021年下半年，特斯拉已經開始在中國招聘自動駕駛研發的相關人員，但規模和用途仍不得而知。
而且，像所有跨國組織一樣，海外分支機構從來不只是錢和人的問題。
“即使所有的研發導入，特斯拉中國和美國研發團隊的融合也不一定那么順利。” Thoughtworks物聯網業務線總經理朱晨向《電動汽車觀察家》表示：國際研發機構最痛苦的地方在于分支機構和總部的想法不一樣。例如中國的研發團隊根據中國國情做出一些特異化的判斷，提交到總部后是否愿意批準。“到底用誰的代碼，以及由此產生的一系列問題。小鵬則無需擔心這些問題。”
XPILOT誕生之初，便是為中國場景服務的。
小鵬采用以高精地圖為綱的決策邏輯，利用高精地圖和多傳感器融合，在感知和決策算法難度相對較低的情況下實現了高速導航領航這一L3級的高級別智能駕駛輔助能力的落地。
而且中國團隊還能夠針對本地場景進行專門的優化，由此在體驗端超越了特斯拉NoA的在華表現。
據悉，小鵬對識別加塞、大貨車等“中國特色”場景都進行了感知方面的優化：調整傳感器的布局和感知范圍；向XP的感知模型導入更多針對性場景進行訓練。
針對高精地圖“鮮度”不夠的劣勢，小鵬進行了地圖系統的增強：對視覺感知到與高精地圖不符的新路況，建模補充進地圖；通過增強算法提升高精地圖的精確性，以更適應道路起伏非常大的場景；通過技術將高精地圖未拍到的細節部補完等等。
值得注意的是，對高精地圖進行增強并不只是一個技術問題。
2021年，小鵬出資2.5億元收購江蘇智途科技有限公司，獲得了稀缺的甲級地圖資質。不僅使“補完”地圖名正言順，而且還獲得了自建高精地圖的入場券。
小鵬也是首家取得該資質的中國新造車勢力。
2、算法分歧
“每一次硬件的大幅改變，也會帶來軟件算法的大幅改變。”地平線創始人余凱在演講中表示。
感知硬件方案帶來的差異是小鵬與特斯拉現階段“分歧”的表象，更深層次的差異來自于不同感知路線背后“思維模式”的差別——在更遠的未來決定量產自動駕駛這一目標能否最終落地。
“思維模式”即自動駕駛系統的軟件算法。主要分為感知、決策和控制三部分。
感知算法追求解決傳感器“感到”的東西是什么的問題，通過對感知到的物體進行分類、標注、理解，最終在車端建立起與現實路況高度相似的向量空間；
決策算法則需要綜合考慮導航路線、道路情況、其他交通參與者的動作意圖，以及安全、效率、舒適等行駛標準，在向量空間中先求解出可行空間（凸空間），然后利用優化的方法在可行空間內優化求解，輸出最終軌跡。
控制部分則負責高效協同底盤系統的各個執行件，以便忠實執行決策算法的“決定”。
《電動汽車觀察家》在訪談中了解到，目前的高階駕駛輔助及自動駕駛系統當中，感知算法絕大多數已采用AI神經網絡進行感知，決策算法中也已在前端使用神經網絡進行搜索和選項收斂，后端采用邏輯判斷的算法。
那么，在純視覺和多傳感器的硬件方案背后，軟件算法的分歧有多大？
2.1 感知算法對比
感知算法采用神經網絡為主的AI模式已是當下的主流模式。
時間回退至2020年8月，馬斯克首次表示特斯拉正在重寫FSD的基礎架構。一年之后的AI DAY上，特斯拉宣布感知算法模型中CNN卷積神經網絡的計算量占比達到了98%，并通過RNN（循環神經網絡）加入了時間序列。通過利用具備出色算法并行性的Transformer融合不同攝像頭數據。
直觀來看，就是特斯拉車上8個攝像頭的原始數據進入感知算法模型，模型輸出時已是時空一致的結果。最近馬斯克接受訪談時表示，特斯拉已經完成了從視覺到向量空間的完整映射。
目前公開的信息中，特斯拉的感知算法模型包含至少48個具體的神經網絡結構，可同時執行超過1000個不同的識別、預測任務，進行一次充分訓練所需要的周期是7萬GPU小時。
相比之下，采用多傳感器融合的小鵬則要在完成視覺感知算法的基礎上，再走一步。
目前，小鵬P5搭載攝像頭、毫米波雷達、超聲波雷達、激光雷達和高精地圖構成的傳感器方案。其中，雷達的感知算法相對簡單，高精地圖可提供超時空的先驗信息。
多傳感器數據融合過程 《中金 | AI十年展望》
真正的難度在于通過算法模型，將視覺、雷達和高精地圖的信息進行融合建立向量空間。
由于不同傳感器的探測頻率、信息類型和精度都各有不同，融合算法模型接收到的是時間不一致、信息不一致、甚至“樣子”都不一致的傳感器信息，要將其整合成為時空一致的向量空間，難度可想而知。
而且，相比于只靠“看”、信息一致的純視覺算法，多傳感器加高精地圖的方案還存在“信誰”這樣的選擇題——“置信”問題。
有專家向《電動汽車觀察家》表示，感知融合系統的“置信”問題，目前也主要依靠在仿真和真實路況中的第三方數據進行驗證。
小鵬處理的“置信”問題，不是一概而論的。在高速NGP階段，小鵬采用高精地圖為綱的策略，進入城市NGP階段，則將采用視覺感知為主的方案。
“在城市NGP中，高精地圖仍是非常重要的輸入。但是，由于激光雷達的存在和視覺感知能力的快速提升，我們對于各種場景能夠處理得更加安全和自然，在地圖的邊界或是數據出現錯漏的時候，能夠具備更強大的容錯能力。”吳新宙向《電動汽車觀察家》表示，“（隨著體系能力的建設），我們有信心趕上甚至超越特斯拉的視覺能力。”
2.2 純視覺的“易”與多傳感器融合的“難”
在視覺能力上追上特斯拉，從理論層面來看并不是一句大話。
基于圖像識別的視覺感知神經網絡擁有“悠久”的歷史，也由此積累了眾多簡潔高效的開源算法。
這是特斯拉敢于公開其感知算法模型邏輯的原因所在，也成為小鵬要在視覺能力方面趕上，甚至超越特斯拉的基礎。
從目前的結果來看，XPILOT和FSD是目前量產自動駕駛系統中，唯二布局側方（A柱）視角攝像頭的車企。原因便在于，將側方圖像與廣角的前視攝像頭的圖像進行拼接融合的算法，有較高的門檻，尤其是在量產車型上。
做好視覺感知算法尤為重要。《電動汽車觀察家》訪談的專家普遍認為，視覺感知仍將是未來自動駕駛系統的核心感知方案。
但為何還要做多傳感器融合路線？背后的核心是對反應速度和安全冗余的極致追求。
隨著攝像頭能力不斷提升，視覺感知在應對惡劣天氣和路況的能力方面不斷進步。但由于始終存在2D到3D的“翻譯”過程，以及由此帶來的1秒左右的延遲，這對行駛中的汽車來說，有時是致命的。
特斯拉目前已經通過底層軟件改寫和系統整合，去掉了攝像頭為適應人眼觀看而進行的圖像預處理（LSP）功能，直接將原始信息傳遞給模型，由此減少8個攝像頭共計13毫秒的延遲。
雷達則能直接給出距離/深度/速度信息，而且多傳感器的數據可以相互“查漏補缺”。
在P7上形成了自己的感知架構之后，小鵬在P5上應用激光雷達，又在G9上將此前的前視線三目攝像頭換成了雙目攝像頭——1個窄視+1個魚眼。
“（隨著）XPILOT 4.0的能力更強，對攝像頭分辨率的要求也在提升，因此該攝像頭是在目前三目攝像頭分辨率無法滿足需求的背景下，實現更高分辨率的下一代產品。”吳新宙對此解釋道。
問題在于，目前“市面”上多傳感器融合的開源算法較少。
因此，走多傳感器融合路線，其融合算法將更依賴于各家自研、驗證和迭代，期間必將形成各自不同的風格，但也缺少像視覺感知“全世界多領域一起加速”的優勢。
而且，目前多傳感器融合路線將導致車企與供應商強綁定。
與攝像頭擁有標準的數據格式和通用數據接口不同，雷達和高精地圖都還是“非標品”。激光雷達還存在機械、固態、半固態的路線之爭，數據格式和接口尚未形成業內統一的標準。高精地圖也因各家圖商不同，在數據標定方式、精度等方面有所差異。
由此，盡管車企普遍追求軟硬解耦，但事實上在一些具有特殊性的傳感器領域，換供應商便意味著對算法模型的改變。也導致多傳感器融合路線的車企在供應商選擇方面更為謹慎，不僅建立采購關系，甚至不少還建立了投資、共同研發的深度合作關系。
2.3 更難的在于決策算法
解決“感到的是什么”，建立向量空間還只是開始。
AI技術在深度學習的加持下感知能力不斷增長，但仍欠缺“思考”能力：處理如條件概率、因果等復雜關系的能力，完成推理推斷的任務。
這樣的能力，在自動駕駛落地過程中，事關生死。
2018年，Uber的測試車輛出現了全球首例致死事故。美國官方報告顯示，車輛在事故發生前6秒觀察到了“障礙物”，在前1.3秒判斷出是自行車，需要采取緊急剎車。但“為了降低汽車發生不穩定行為（舒適性不足）的可能性”，自動緊急剎車未啟動，而采取緩慢剎車，加之安全員走神，最終導致事故發生。
這一案例充分顯示了決策系統的重要性，尤其是在路況復雜，充滿了博弈場景的城市路況中。
通用旗下面向L4級的自動駕駛技術公司——Cruise，在去年的技術日上給出了好決策系統的定義：及時性；交互決策（對其他交通參與者與車輛未來行動及產生的影響進行考慮）；可靠性和可重復性（能夠在相同場景做出相同的決策），由此輸出安全、高效，老司機般的乘坐體驗。
特斯拉在此前的AI DAY上明確了其決策系統的標準是安全、舒適、效率；
吳新宙向《電動汽車觀察家》介紹，XPILOT在難度更高的城市場景中的決策要素為：安全、可用性，以及好用性。
標準類似，但是要實現老司機般的操控表現卻非易事。
在低速或簡單場景下，決策算法會根據感知數據規劃出一條無碰撞的安全路徑，車輛按照指定路線運動。
但復雜的交通流和場景路況中，常會出現規劃軌跡跳變、碰撞等問題。核心是由于決策算法對障礙物未來行為的預見性不足，算法僅依靠當前時刻的感知數據進行局部、而非全局路況求解導致。
因此，當車輛處于陌生又復雜的場景中時，往往會反復緊急制動或出現危險動作，“安全、高效、舒適”的決策標準很難滿足。
車輛進行自動駕駛時，一般一個交通場景中可能有上百個交通參與者與自動駕駛車輛發生交互，決策系統需要考慮場景中其他交通參與者未來的動作，投影預測的社會車各種行為，行成一個可行駛空間，然后搜索出軌跡。
其中，預測被認為是自動駕駛系統工程落地中最困難的一環。車輛不僅要了解自身與環境未來可能的各種動向，還要從無數可能中判斷出最有可能的交通參與者行為。
為建立系統的預測能力，業內目前除不斷地優化算法之外，還需要對AI在世界模型中進行自我監督學習。而特斯拉通過影子模式收集的、真實世界中海量的交通參與者行為，則成為FSD建立預測能力最好的教材。
去年的AI DAY上特斯拉展示過一個窄道會車的場景。自動駕駛車輛在開始時認為他車會繼續行駛，因此靠右等待，發現他車也停下讓行后，立刻前進了。
特斯拉自動駕駛車窄道通行案例，AI DAY
對此，一位自動駕駛規控工程師向《電動汽車觀察家》表示，目前大多數自動駕駛公司無法處理這樣的場景，往往會保守地選擇停車讓行，或與他車同起同停，造成碰撞風險。“但特斯拉可以很好的處理該場景，證明它的預測和決策配合非常好。”
即使有了“預測”，“搜索”也不容易。
自動駕駛車輛通常需要采樣計算5000多條備選軌跡才能做出正確的決策。
但“時間不等車”，決策規劃算法通常運行頻率在10Hz-30Hz左右，即每30ms到100ms就需要計算一次，而在這么短的時間做出正確的決策是一個巨大的挑戰。
特斯拉FSD目可在1.5ms搜索2500次，通過對備選軌跡綜合評價后選擇最優軌跡。
但這樣的做法在人車混流、道路結構復雜的城市路況中往往會導致超算（超出計算平臺的算力能力）。
為此特斯拉引入了MCTS框架（蒙特卡羅樹搜索），相較傳統搜索方式效率提升了100倍以上。
MCTS可較為有效地解決一些探索空間巨大的問題，例如一般的圍棋算法都是基于MCTS實現的。蘋果自動駕駛專利和谷歌的阿爾法狗都有采用該方法。
小鵬XPILOT道路交互
目前，小鵬尚未透露其決策算法所利用的模型類型。不過吳新宙向《電動汽車觀察家》表示，在城市場景，由于交通參與者的不同和場景的復雜程度，對于預測、規劃和控制有完全不一樣的要求。所以，小鵬對定位、感知、融合能力是在高速場景的基礎上做了大幅增強。
“對于決策部分，我們引入了一套全新的架構，來滿足城市NGP更高的要求。這部分架構也有非常強的反向兼容性，所以我們也期待未來在XPILOT 3.5上，我們的高速和停車場場景也能受益于這套新的架構，給用戶更好的體驗。”
3、小鵬如何在全球追趕特斯拉
特斯拉FSD早晚在中國開放，而小鵬汽車智能駕駛也要走出中國。兩方早晚正面對戰。小鵬能否在東半球，乃至全球和特斯拉一戰？
真正給何小鵬叫板特斯拉信心的，是小鵬汽車從2020年完成的端到端全棧自研體系能力。
3.1 打造自己的算法數據閉環
何為全棧自研？
吳新宙向《電動汽車觀察家》表示：小鵬汽車的“全棧自研”不僅是自研車端的視覺感知、傳感器融合、定位、規劃、決策、控制等方面（的算法）。
還包括云端數據運營所需的一系列工具和流程。
即數據上傳通道、前端數據上傳實現、云端數據管理系統、分布式網絡訓練、數據采集工具開發、數據標注工具開發、軟件部署等方面實現自研。
“由此形成數據和算法的全閉環，為快速的功能迭代打下堅實的技術基礎。”
區別于邏輯判斷算法模型依賴于工程師有多聰明，自動駕駛系統主要采用的神經網絡算法模式具有“基于數據成長”的特性：算法是在前期數據收集、中間數據存儲與遷移，后期核心數據的訓練與管理，所形成的數據流中逐漸成熟的。
算法由數據推動迭代，迭代算法又帶來新的數據，系統能力的提升本質上是在數據中循環往復的過程。
在這一成長閉環當中，任何一個環節加以他人之手，都將影響企業“自己的”自動駕駛系統迭代升級的速度和質量。
此前傳統汽車產業中是沒有“自己的”節奏的。主機廠雖然占據產業鏈的強勢位置，但車型迭代周期更多受限于零部件供應商技術和商業的節奏。直到特斯拉打破了這一行業慣例。
特斯拉AP更迭歷史 資料整理：《電動汽車觀察家》
2016年6月發生的Model S死亡事故中，何時通過視覺方案實現AEB（緊急制動）的時間分歧導致了特斯拉與Mobileye徹底“分手”。
對于事故車輛沒有啟動緊急制動（AEB）功能，Mobileye首席通信官DanGalves發表聲明稱：“目前（2016年）AEB被歸入躲避追尾事故系統，（因而無法應對前方橫向出現的車輛）。不過Mobileye將會從2018年開始帶來道路側向轉彎(LTAP)檢測功能。”
但特斯拉即不愿意等到2018年，也不愿意走Mobileye所擅長的傳統視覺感知路線。
于是，才剛成立一年的特斯拉視覺感知自研軟件算法小組Autopilot Vision（TV）和機器學習小組，在2016年10月“強行”頂替了Mobileye的位置，并在年底確定了AI視覺感知的技術路線。
上線之初，TV并未完成AP軟件端所有的應用開發，包括 AEB、防碰撞預警、車道保持、自適應巡航等關鍵功能缺失數月之久，還用毫米波雷達干了一段時間AEB的“活兒”，導致眾多“幽靈剎車”的案例產生。
直到2017年4月，特斯拉推送V8.1，自研的AI視覺算法能力追上了Mobileye為支撐的HW1.0時代，就此開啟了汽車產業從未有過的迭代速度，并“逼迫”全行業“追趕”起了特斯拉的節奏。
小鵬是全行業第一個從全棧自研，而非僅僅是功能層面，追趕特斯拉節奏的車企。
2018年，通過小鵬G3，XPILOT 2.0 正式產品化落地，實現了端到端自研數據閉環的自動泊車系統量產；
2019年在小鵬G3i上搭載的XPILOT 2.5 系統在泊車之外，實現了ALC自動變道功能。其中，小鵬自主研發了最底層的線控、路徑規劃和控制部分算法，感知算法仍依賴于供應商提供；
2020年，小鵬P7和XPILOT 3.0一同亮相，可實現NGP和停車場記憶泊車功能，至此小鵬第一次完成了深度的軟件全棧自研，建立了自己的視覺感知能力、驅動感知進化的數據閉環體系、高階輔助駕駛算法和軟件架構的落地，成為全球第二家實現自動駕駛系統全棧自研，算法、數據閉環的車企。
“與非自研相比，采用‘全棧自研’模式在組織、人才、研發投入上肯定都更重，但是優勢也是顯而易見的。”吳新宙表示。
3.2 掘金全棧自研
優勢確實顯而易見。
僅從高速導航領航功能來看，小鵬NGP于2020年落地；蔚來雖然略早幾個月，但仍是基于Mobileye半自研產品；理想則在2021年9月升級后才將該功能落地。
而包括極氪+Mobileye（ZAD）、極狐華為HI 版（華為 ADS）、智己汽車+Momenta（IM AD）、哪吒汽車（華為+地平線）、零跑汽車（Leap Pilot）等品牌雖然都有L3級高階智能駕駛能力的計劃，但仍與小鵬存在相當的時間差。
跟“自己比”，小鵬也進步迅速。
小鵬XPILOT系統更迭情況 資料整理：《電動汽車觀察家》
2020年，小鵬P7在自研方案之外，還采用了1個前置攝像頭和一個英飛凌Aurix MCU 2.0為主的智能控制器作為冗余方案，其感知和決策算法也來自博世。到2021年的P5身上，這套來自第三方的冗余方案被取消了，P5只了搭載英偉達Xavie平臺，而且增加了激光雷達作為傳感器。
按照計劃，小鵬將在算力為30TOPS的英偉達Xavie平臺上實現XP3.5最核心的城市NGP功能。同樣實現這一高階駕駛輔助功能的特斯拉FSD芯片算力則為144TOPS。
“（全棧自研）鍛煉了團隊的極致工程能力，在有限的算力下實現了相對復雜的功能落地。”吳新宙向《電動汽車觀察家》表示：“從XPILOT 3.0到3.5，再到未來的4.0和5.0，小鵬的技術路線是非常有延續性的自然演進。”
3.3 效率競爭
殊途同歸。小鵬雖然已經走上了與特斯拉頗有分歧的技術路線，但兩者的路徑和目標卻是一致的：通過全棧自研，實現量產自動駕駛技術。
在吳新宙看來，面向這一目標的較量其一在于數據量，其二則在于正確的網絡架構。
“特斯拉目前的網絡架構，對于體系能力有很高的要求，無論從數據的獲取，標注和訓練來看，其它廠家在體系能力的建設和投入上和特斯拉有巨大的差距。”
數據量方面，特斯拉目前在全球范圍內無人能敵。
特斯拉人工智能總監Andrej在CVPR（IEEE國際計算機視覺與模式識別會議）2021上表示，截至2021年6月底，特斯拉擁有百萬量級的車隊，已經收集了100萬個36幀10秒時長的高度差異化場景視頻數據，約占用了1.5PB的存儲空間。獲得了60億個包含精確深度、加速度的物體標注，共進行七輪影子模式迭代流程。
這一數據規模，不僅小鵬與特斯拉相去甚遠，即使是一眾自動駕駛公司也難望其項背。去年10月，Waymo公布的最新數據中，累計路測里程達到1000萬英里。特斯拉截至去年6月的數據則為近1500萬英里，其中170萬英里在Autopilot啟動情況下收集。
數據是自動駕駛系統算法模型迭代成長的燃料。而特斯拉已建造了一套高效的數據閉環體系，將這些海量數據加工成“無煙煤”。
特斯拉數據生產的三個階段 《中金 | AI十年展望》
在百萬輛級的車隊基礎上，特斯拉通過“影子模式”有針對性地搜集海量corner case（罕見特殊的長尾場景）場景數據，以及人類司機在該場景下的操作數據為神經網絡提供質量更高的半監督學習或監督學習引導；
這些原數據需要被標記出各類特征之后，才能作為神經網絡的學習素材。
此前，這類非結構化數據依賴大量人工標注，屬于勞動密集型產業，各企業多將工作外包給第三方。但第三方標注具有效率低、反饋慢等痛點，導致標記、分析、處理訓練數據的延遲較高。
特斯拉自建超過一千人的數據標注團隊，分成人工數據標注、自動數據標注、模擬仿真、數據規模化四個團隊，技術層面已經完成了從2D標注到4D標注和自動標注的進階，自動標注工具可以通過一次標注就實現所有攝像頭多視角、多幀畫面同步標注，同時也能就時間維度進行標注。
自建數據標注體系之后，特斯拉還自建了數據的訓練場——由3000個特斯拉自研Dojo D1芯片組成的算力高達1.1EFLOP的超算集群，與與谷歌（1 EFLOP）和商湯（1.1 EFLOPS）同為當下世界第一的算力梯隊。
而且相比谷歌、商湯的通用性超算集群，Dojo在設計上更專注于視頻處理，對特斯拉自動駕駛系統模型訓練更具有針對性，并由此有效降低算法成本。
“我們認為，體系的差距比數據的差距更重要，小鵬過去幾年一直致力于自己的體系能力建設。復雜系統工程在終端呈現的結果也并不是單一變量決定的，還是要看整體設計與硬件匹配的程度。
后續，我們也會持續在算法優化和傳感器選型或者變更上做好平衡，用合適的硬件做出更高階的輔助駕駛能力，并持續向自動駕駛演進。”吳新宙向《電動汽車觀察家》表示。
3.4 小鵬的機會點
效率和成本，是任何產品能夠成功實現大規模量產的決定性因素。而特斯拉建設這套增效降本的數據閉環體系不僅依仗自身的技術能力，而且也與其強大的資金實力息息相關。
2021年，特斯拉的研發費用約為168億元（25.91億美元，6.5人民幣/美元）。相比之下，小鵬為41.14億元，長城為90.7億元。
但這并不意味著小鵬在與特斯拉量產自動駕駛的下半場競賽中全無勝算。
朱晨向《電動汽車觀察家》表示，相比于特斯拉完全從技術公司的角度出發的產品思路，小鵬在推出產品功能時候，更多思考的是能否結合中國的適用場景，真正給車主的生活帶來幫助。
而更適合中國用戶需求的功能則有助于小鵬在中國銷量的規模化，從而實現真正意義上，XPILOT的量產落地，并幫助其建立起中國場景下的數據及體系優勢。
2020年，FSD（特斯拉完全自動駕駛系統）在華購買率只有1-2%，低于北美10%-15%的比例（外媒測算）。2021年Q4，Model 3車型上的FSD搭載率，在亞太地區為0.9%，歐洲和北美則分別為21.4%和24.2%。（長期關注特斯拉的博主Troy Teslike統計數據）
小鵬XPILOT落地情況，2021年Q3
截至去年三季度末， 與特斯拉Autopilot 加強版功能相似的XPILOT 3.0激活率近60%。吳新宙未透露小鵬的數據獲取模式，但表示“世界的先進經驗都會學習。”
在算力和道場方面，小鵬目前可借助的“外力”絲毫不弱。
小鵬G9將搭載XPILOT 4.0，其上應用508 TOPS的 英偉達 Orin-X芯片，和千兆以太的高度集成域控制器。而且英偉達今年發布的AI訓練服務器EOS算力高達18.4 EFLOPS。
而且小鵬相較于特斯拉對場景的把握能力已經開始顯現。
今年3月，小鵬汽車推送了Xmart OS 3.1.0版本，實現了長達2公里的VPA-L跨樓層停車場記憶泊車功能。幾乎是同期，坊間傳言特斯拉正在研制“Smart Park”：在有司機的前提下，車輛自動停在“最接近門邊”、“在購物車出口附近”、“停車場末端”等指定位置。從功能描述上，Smart Park與記憶泊車非常類似，領跑者與追趕者位置倒置。
在更遠的海外，正如何小鵬此前所說：“我們會相遇的。”
本文鳴謝（首字母排序）：
阿寶1900 自動駕駛專家；
迪迪 自動駕駛數據工程師；
郭繼舜 均勝電子副總裁、均勝智能汽車技術研究院院長；
吳新宙 小鵬汽車自動駕駛副總裁；
自動駕駛拖拉機 決策規劃算法工程師；
朱晨 Thoughtworks物聯網業務線總經理；
參考資料：中金《軟件及服務 | 人工智能十年展望》 ；
來源：賽博汽車 電動汽車觀察家 作者：朱世耘
