目前，智駕大模型沒(méi)有一個(gè)公允定義，并且產(chǎn)學(xué)研不同L域的專(zhuān)家對智駕大模型的定義也不一樣，但結合各專(zhuān)家的觀(guān)點(diǎn)來(lái)看，智駕大模型具備多模態(tài)輸入、自監督學(xué)習、端到端學(xué)習范式以及大規模參數的特征。但是，相比于通用類(lèi)大模型，智駕大模型的主要差異在于：部署難度G、數據維度廣以及模型設計復雜。

• 億歐智庫認為，智駕大模型指的是在云邊端一體化的架構下，利用云端算力優(yōu)勢訓練大規模多模態(tài)數據，然后再結合邊端的計算能力，通過(guò)多任務(wù)的學(xué)習和分布式訓 練為車(chē)輛提供更有效的感知融合效果與實(shí)時(shí)建圖方案，終讓車(chē)端實(shí)現與人類(lèi)司機行為和思維一致的感知、預測、規劃等能力。

• 智駕大模型重要的應用是數據閉環(huán)，相比于傳統數據閉環(huán)而言，當前的數據閉環(huán)對自動(dòng)駕駛系統賦能多的主要是數據挖掘、自動(dòng)標注、模型訓練、仿真測試四個(gè) 應用方向。從感知側的數據采集開(kāi)始，會(huì )先根據篩選器的設置來(lái)進(jìn)行數據挖掘，隨后通過(guò)自動(dòng)化標注來(lái)對數據打標簽，再對原模型反復訓練并經(jīng)過(guò)仿真測試后，后 對車(chē)端小模型進(jìn)行優(yōu)化，在經(jīng)過(guò)反復地不斷迭代循環(huán)后，使得整個(gè)數據閉環(huán)能力能夠不斷提升。

• 對于已布局或正將布局的企業(yè)，智駕大模型玩家主要可分為四類(lèi)，其中新勢力主機廠(chǎng)以自研為主，而傳統主機廠(chǎng)持有保守觀(guān)望的態(tài)度；科技企業(yè)憑借強大的AI技術(shù)背 景和資本實(shí)力，構建了以云服務(wù)為基礎的垂直服務(wù)體系；Tier1以自研基于BEV感知的垂域大模型為主；芯片企業(yè)主要是優(yōu)化芯片的開(kāi)發(fā)生態(tài)，以便客戶(hù)能在自家芯片 上更容易地部署BEV+Transformer等大規模參數的模型。

2021年，特斯拉提出了BEV+Transformer的大模型，該模型也成為了之后國內玩家布局大模型的基礎。至2023年，智駕相關(guān)大模型開(kāi)始大量出現， 如華為盤(pán)古大模型、百度文心大模型、毫末DriveGPT等。

從多傳感器的融合趨勢來(lái)看，目標級融合（后融合）是當前行業(yè)內主流的融合方案，雖然算法開(kāi)發(fā)難度較低，但融合精度較低、關(guān)鍵信息易缺失， 不適合未來(lái)融合趨勢的發(fā)展。數據級融合（前融合）是行業(yè)發(fā)展的目標，但技術(shù)壁壘G，短期內方案落地較難。所以，在不丟失關(guān)鍵信息的基礎上， 特征級融合（中融合）成為了一種合適的中間過(guò)渡形態(tài)，也更適合在當前流行的Bev+Transformer模型架構下，實(shí)現大規模多模態(tài)數據的融合。

基于規則算法的目標級融合方案，只能識別出目標物的部分特征，甚至會(huì )出現無(wú)法識別目標物的情況，導致在終融合結果上出現誤報、漏報等情 況。相反，基于BEV+Transformer的特征級融合方案，可以通過(guò)注意力機制提取目標物特征，并在鳥(niǎo)瞰圖下“腦補”出完整的目標物信息，有利 于提G整體感知融合精度。

附件：未來(lái)駕駛革命：2023中國智駕大模型應用研究報告