導讀：2023年，生成式大模型ChatGPT的出現給沉寂許久的AI市場添了一把猛烈的火，業界甚至有人將其比喻成“AI的iPhone時刻”。從ChatGPT誕生起，業內就在探討它將如何與智能駕駛相結合，近日，毫末將這種設想變成了落地的產品。
4月11日，毫末智行在北京舉辦了第八屆毫末AI DAY，發布了自動駕駛生成式大模型產品DriveGPT。
圖片來源：毫末智行
一、DriveGPT如何改變自動駕駛？
自動駕駛行業發展到現在，面臨的一個非常大的技術問題在于Corner case（長尾難題）。
從技術的角度看，以往自動駕駛系統認知環境主要靠人工手寫規則，但自然界中的場景無窮無盡，相應的規則也沒有窮盡，自動駕駛技術的發展非常受限。
為解決這個問題，業內一直在用機器學習替代傳統的規則式部分，力求實現端到端的自動駕駛：輸入感知數據——機器學習輸出規劃決策數據。
毫末認為，生成式大模型GPT可以幫助解決認知決策問題，最終實現端到端的自動駕駛。
什么是GPT？
GPT的定義是生成式預訓練Transformer大模型，用語言學的邏輯理解，輸入一個詞，GPT會根據現實中的分布推測下一個該出現的單詞是什么，每生成完一個，會把過去的東西加上，當做新的輸入猜測下一個是什么，這種生成式模型就可以生成對話。
以中文自然語言為例，單字或單詞就是Token，把Token輸入到模型，輸出就是下一個字詞的概率。
而DriveGPT實際上指的是自動駕駛界的生成式預訓練大模型，將場景Token化，毫末將其稱之為Drive Languag。
Drive Language將駕駛空間進行離散化處理，每一個Token都是場景的一小部分。目前毫末擁有50萬個左右的Token詞表空間。如果輸入一連串過去已經發生的場景Token序列，模型就可以根據歷史，生成未來所有可能的場景。
具體解釋，只要輸入目前的駕駛環境，包括車輛本身的狀態、周圍障礙物的狀態、道路環境等，DriveGPT就會生成未來可能發生的一系列交通狀態，就像多個平行宇宙，并根據每一種狀態做出不同的決策：前面車輛變道時需要怎么做，不變道時需要怎么做。并且，這種決策會形成完整的證據鏈。
圖片來源：毫末智行
概括來說，毫末認為，DriveGPT雪湖·海若三個能力：
1.可以按概率生成很多個場景序列，每個場景都是一個全局的場景，每個場景序列都是未來有可能發生的一種實際情況。
2.在所有場景序列都產生的情況下，能把場景中最關注的自車行為軌跡量化出來，也就是生成場景的同時，便會產生自車未來的軌跡信息。
3.有了這段軌跡之后，DriveGPT雪湖·海若還能在生成場景序列、軌跡的同時，輸出整個決策邏輯鏈。
在模型優化方面，DriveGPT雪湖·海若主要是通過引入真實人駕接管數據建立RLHF（人類反饋強化學習）技術，對自動駕駛認知決策模型進行持續優化。
此外，還具有場景識別的能力，在毫末智行演示的場景中，普通的解決方案標注一張圖片需要大約5遠，DriveGPT雪湖·海若只需要0.5元，這個能力將會向行業伙伴開放。
圖片來源：毫末智行
另外一點，由于DriveGPT的決策具有完整的邏輯推理鏈，它也可以提升人機共駕的體驗。通過DriveGPT技術，未來人機交互界面（HMI）可以告訴駕駛者，它為什么做出這樣的決策，在某種程度上它可以提升用戶對自動駕駛系統的信任感。
毫末智行技術副總裁艾銳表示，目前毫末還沒有做這樣的系統，但理論上看，HMI可以通過語音的方式與駕駛者交流。“我可以把它理解為一個導航意圖，你想選一個更快的路還是選一個收費更少的路。從這個角度來說，我覺得DriveGPT后面的想像空間很大。它能實時接收人的反饋之后，也許在大家使用自動駕駛的時候，就不是默默地坐在那里看著了，會有一個更深度的交互?！卑J說。
二、毫末如何實現DriveGPT
大模型訓練并不是一個簡單的事情，毫末也解釋了DriveGPT背后需要的能力。
最基礎的當然是算力，模型參數規模達到 1200 億，需要非常強大的算力支持。今年1月，毫末和火山引擎共同發布了其自建智算中心，毫末雪湖·綠洲MANA OASIS。OASIS的算力高達67億億次/秒，存儲帶寬2T/秒，通信帶寬達到800G/秒。
還需要訓練和推理框架的支持。因此，毫末也做了以下三方面的升級。
1.訓練穩定性的保障和升級。
毫末在大模型訓練框架的基礎上，與火山引擎共同建立了全套訓練保障框架，通過訓練保障框架，毫末實現了異常任務分鐘級捕獲和恢復能力，可以保證千卡任務連續訓練數月沒有任何非正常中斷。
2. 彈性調度資源的升級。
由于每天不同時段回傳的數據量差異巨大，需要訓練平臺具備彈性調度能力，自適應數據規模大小。毫末將增量學習技術推廣到大模型訓練，構建了一個大模型持續學習系統，研發了任務級彈性伸縮調度器，分鐘級調度資源，集群計算資源利用率達到95%。
3.吞吐效率的升級。
在傳統的訓練框架中，算子流程很長，毫末通過引入火山引擎提供的Lego算之庫實現算子融合，使端到端吞吐提升84%。
此外，還有一個基礎能力就是數據，畢竟DriveGPT雪湖·海若需要引入真實的人駕接管數據來優化模型。
在數據來源方面，毫末公布了智能駕駛產品最新的進展：
截止目前，毫末智能輔助駕駛用戶行駛里程已經突破4000萬公里。毫末城市NOH在北京、保定、上海等城市開啟泛化測試，落地即可體驗到毫末的城市NOH功能。
首款搭載HPilot3.0系統的新摩卡車型也即將在近期重磅上市，第二款搭載毫末HPilot3.0系統的車型魏牌藍山也將在今年年內上市。
同時，乘用車高級別輔助駕駛領域，毫末智行已獲得三家主機廠定點合同，相關項目已經在交付中。
三、不依賴雷達，MANA視覺感知升級
除DriveGPT外，毫末此次還重點介紹了MANA在視覺感知上的進展。
此前，毫末的感知視覺自監督大模型是互監督，用激光雷達作為監督信號訓練視覺，目前已經升級到純視覺。
視覺感知的核心目的是恢復真實世界的動靜態信息和紋理分布，因此毫末對視覺自監督大模型做了一次架構升級，將預測環境的三維結構，速度場和紋理分布融合到一個訓練目標里面，使其能從容應對各種具體任務。目前毫末視覺自監督大模型的數據集超過400萬Clips，感知性能提升20%。
此外，毫末還將魚眼相機引入視覺BEV的感知框架當中，在泊車場景可做到在15米范圍內達測量精度30cm，2米內精度高于10cm。
擁有這些能力之后，毫末開始嘗試去掉超聲波雷達，在純視覺三維重建方面，通過視覺自監督大模型技術，毫末不依賴激光雷達，就能將收集的大量量產回傳視頻轉化為可用于BEV模型訓練的帶3D標注的真值數據。
通過對NeRF的升級，毫末表示可以做到重建誤差小于10cm，并且對于場景中的動態物體也能做到很好的重建和渲染，達到肉眼基本看不出差異的程度。
由于單趟重建有時會受到遮擋的影響，毫末也嘗試了多趟重建的方式。即多輛車在不同時間經過同一地方，可以將數據合在一起做多趟重建。目前毫末已經實現了更高的場景還原度，重建效率提升5倍，同時，還可在重建之后編輯場景合成難以收集的Corner Case。
圖片來源：毫末智行
小結：
從毫末的布局中，我們也可以窺見自動駕駛行業的一動向。
首先，汽車行業價格戰的影響已經傳導至上游智駕供應鏈領域，“降本”成為重中之重，毫末在AI DAY中表示，要用1/3的成本做同等功能的方案。
在降本的壓力之下，高精地圖，甚至激光雷達這種高價格的產品都在逐漸被拋棄。在輔助駕駛領域，玩家都在向特斯拉看齊，走輕地圖和純視覺的道路。
另外，除感知之外，行業還越來越重視決策規劃。感知尚可以用硬件堆砌，做決策規劃則是綜合能力的硬比拼，包括算力等基礎設施、真實的道路數據和數據處理能力、算法模型等等?？傊o助駕駛領域的競爭，已經越來越殘酷了。
