2023云服務(wù)驅(qū)動(dòng)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展

云服務(wù)驅(qū)動(dòng)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書2023前言《云服務(wù)新引擎，高效驅(qū)動(dòng)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書》簡介Tier1赴”。通過云底座核心能力和云端大模型深度賦能數(shù)據(jù)處理全流程，構(gòu)建全棧式自動(dòng)駕駛開發(fā)平臺(tái)，為主機(jī)廠、Tier1等企業(yè)提供更智能、更高效率的數(shù)據(jù)及服務(wù)，強(qiáng)化數(shù)據(jù)驅(qū)動(dòng)能力，加速數(shù)據(jù)閉環(huán)，助力客戶實(shí)現(xiàn)自動(dòng)駕駛開發(fā)降本增效和量產(chǎn)落地。同時(shí)探索具備專業(yè)積累及強(qiáng)大感知、計(jì)算、處理、等能力的云服務(wù)商可賦予各環(huán)節(jié)的價(jià)值。在高速發(fā)展的中國汽車產(chǎn)業(yè)背景下，車企及相關(guān)供應(yīng)商應(yīng)進(jìn)一步開放合作，攜手共建盛世繁榮的產(chǎn)業(yè)生態(tài)。《云服務(wù)新引擎，高效驅(qū)動(dòng)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書》核心觀點(diǎn)中國智能汽車逐步向高等級(jí)自動(dòng)駕駛發(fā)展，數(shù)據(jù)驅(qū)動(dòng)開發(fā)模式下，構(gòu)建高效數(shù)據(jù)閉環(huán)刻不容緩；自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展主要面臨海量數(shù)據(jù)處理能力弱、基礎(chǔ)設(shè)施研發(fā)成本高和數(shù)據(jù)安全合規(guī)保障難力賦能數(shù)據(jù)閉環(huán)，為自動(dòng)駕駛研發(fā)提供完整有效的解決方案；云服務(wù)搭載大模型深度賦能數(shù)據(jù)閉環(huán)各個(gè)環(huán)節(jié)，如clip內(nèi)容理解、自動(dòng)標(biāo)注、加速模型、生成高質(zhì)量場(chǎng)景庫與場(chǎng)景庫等；華為云從技術(shù)、服務(wù)、生態(tài)三方面構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式進(jìn)一步通過路端大生態(tài)的打通，構(gòu)建基于云服務(wù)更大的數(shù)據(jù)閉環(huán)。23.13.13.2目錄目錄CONTENTS01自動(dòng)駕駛發(fā)展機(jī)遇與挑戰(zhàn)01自動(dòng)駕駛產(chǎn)業(yè)發(fā)展洞察自動(dòng)駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動(dòng)駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02云服務(wù)賦能自動(dòng)駕駛數(shù)據(jù)閉環(huán)02自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點(diǎn)分析自動(dòng)駕駛數(shù)據(jù)閉環(huán)需要云服務(wù)賦能云服務(wù)加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運(yùn)轉(zhuǎn)自動(dòng)駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式03目錄目錄CONTENTS01 自動(dòng)駕駛發(fā)展機(jī)遇與挑戰(zhàn)自動(dòng)駕駛產(chǎn)業(yè)發(fā)展洞察01 自動(dòng)駕駛發(fā)展機(jī)遇與挑戰(zhàn)自動(dòng)駕駛產(chǎn)業(yè)發(fā)展洞察自動(dòng)駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動(dòng)駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點(diǎn)分析自動(dòng)駕駛數(shù)據(jù)閉環(huán)需要云服務(wù)賦能云服務(wù)加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運(yùn)轉(zhuǎn)自動(dòng)駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式03信息來源：華西證券、中金證券、億歐智庫5信息來源：華西證券、中金證券、億歐智庫5自動(dòng)駕駛發(fā)展進(jìn)入下半場(chǎng)，技術(shù)逐步向高等級(jí)自動(dòng)化發(fā)展展。億歐智庫：自動(dòng)駕駛產(chǎn)業(yè)發(fā)展速度示意圖領(lǐng)先試水領(lǐng)先試水谷歌啟動(dòng)項(xiàng)目局無人駕駛百度成立自動(dòng)駕駛團(tuán)隊(duì)司成立Waymo開始RobotaxiUber無人駕駛汽車上路試驗(yàn)阿里、滴滴設(shè)立自動(dòng)駕駛部門Momenta等公司成立華為成立智能汽車解決方案業(yè)務(wù)單元化測(cè)試四維圖新獲國內(nèi)首個(gè)L3以上高精度地圖訂單華為發(fā)布鴻蒙車載OS系統(tǒng)；百度L4巴士量產(chǎn)頭部企業(yè)開始投放L4Robotaxi運(yùn)營城市NOA加速規(guī)模化應(yīng)用高等級(jí)自動(dòng)駕駛逐步落地應(yīng)用廣泛應(yīng)用，跨越升級(jí)逐步泛化高速發(fā)展創(chuàng)新起步2009 2013

2015

2018 2023步入平穩(wěn)發(fā)展階段，逐步轉(zhuǎn)向高速、礦山、港口等封閉/半封閉場(chǎng)景應(yīng)用，代表技術(shù)包括：步入平穩(wěn)發(fā)展階段，逐步轉(zhuǎn)向高速、礦山、港口等封閉/半封閉場(chǎng)景應(yīng)用，代表技術(shù)包括：HWP（高速駕駛引導(dǎo)）、TJP（交通擁堵領(lǐng)航）、NOAHighway（高速領(lǐng)航駕駛輔助）等進(jìn)入快速發(fā)展階段，電動(dòng)化成為行業(yè)競爭焦點(diǎn)，代表技術(shù)包括：APA（自動(dòng)泊車輔助）、APO（自動(dòng)駛出）、HWA（高速駕駛輔助）等智能化成為競爭焦點(diǎn)，大模型等技術(shù)發(fā)展助推自動(dòng)駕駛邁向新的階段，代表技術(shù)包括：NOACity（城區(qū)領(lǐng)航駕駛輔助）、AVP（自動(dòng)代客泊車）等自動(dòng)駕駛從實(shí)驗(yàn)室轉(zhuǎn)向商業(yè)研發(fā)，少數(shù)頭部開始布局自動(dòng)駕駛，代表技術(shù)包括：ACC（自適應(yīng)巡航）、AEB（自動(dòng)緊急制動(dòng)）等大模型勢(shì)頭正盛，助推自動(dòng)駕駛向高等級(jí)發(fā)展

數(shù)據(jù)與算力互促互進(jìn)，助推行業(yè)智能化發(fā)展

億歐智庫：自動(dòng)駕駛數(shù)據(jù)及算力增長速度曲線示意圖2023年，城區(qū)自動(dòng)駕駛成為主要發(fā)力方向，多家Tier1、科技企業(yè)發(fā)布應(yīng)用于自動(dòng)駕駛和智能座艙的大模型，通過深度學(xué)習(xí)與反復(fù)

華為 OpenAI百度科大訊飛商湯中科創(chuàng)達(dá)阿里 毫末智行

自動(dòng)駕駛發(fā)展前期，數(shù)據(jù)量從TB級(jí)增長至PB數(shù)據(jù)增長速度快于算力。遠(yuǎn)快于數(shù)據(jù)增長速度。

<1TOPSTB級(jí)

10TOPS

500TOPSPB級(jí)100TOPS

EB級(jí)5000TOPS自動(dòng)駕駛算力增長速度曲線自動(dòng)駕駛產(chǎn)生數(shù)據(jù)訓(xùn)練，助推高等級(jí)自動(dòng)駕駛。

……

2013 2023

增長速度曲線信息來源：公開資料、億歐智庫6信息來源：公開資料、億歐智庫6汽車系統(tǒng)快速迭代，高階智駕方案量產(chǎn)加速布局軟件定義汽車如今已經(jīng)成為業(yè)內(nèi)共識(shí)，智能汽車軟件系統(tǒng)持續(xù)快速更新迭代。以特斯拉為例，其智駕系統(tǒng)經(jīng)歷了數(shù)次更新迭代，近期FSD即將面向中國開放。另一方面，在“重感知輕地圖”的爭議之下，BEV自主品牌已經(jīng)紛紛開啟L4級(jí)自動(dòng)駕駛量產(chǎn)落地計(jì)劃，向城市級(jí)應(yīng)用進(jìn)發(fā)。汽車智駕系統(tǒng)快速發(fā)展，BEV融合方案助力城市NOA規(guī)?；涞丶す饫走_(dá)原始數(shù)據(jù) 原始數(shù)據(jù)特征提取 特征提取攝像頭毫米波雷達(dá)原始數(shù)據(jù)特征提取激光雷達(dá)原始數(shù)據(jù) 原始數(shù)據(jù)特征提取 特征提取攝像頭毫米波雷達(dá)原始數(shù)據(jù)特征提取輪速傳感器IMU提供全局視野：俯視圖視角少有遮擋，算法也可以對(duì)被遮擋區(qū)域進(jìn)行預(yù)測(cè)，同時(shí)引入時(shí)序信息，讓感知結(jié)果更連續(xù)穩(wěn)定特征級(jí)融合：減少層層處理以及先驗(yàn)規(guī)則帶來的信息丟失，讓多模態(tài)數(shù)據(jù)特征在同一空間中融合，信息關(guān)聯(lián)性更強(qiáng)4D數(shù)據(jù)：靜態(tài)道路信息與動(dòng)態(tài)道路參與方統(tǒng)一在同一個(gè)坐標(biāo)系下，通過實(shí)時(shí)感知與轉(zhuǎn)換，在行駛中即可實(shí)時(shí)生成“活地圖”結(jié)果輸出映射到統(tǒng)一坐標(biāo)系下融合訓(xùn)練學(xué)習(xí)結(jié)果輸出映射到統(tǒng)一坐標(biāo)系下融合

近幾年，“重感知輕地圖”的爭議一直未有定論，隨著BEV方案的出現(xiàn)，車企看到了不依賴高精地圖的可能性，即通過GPSIMU、輪速計(jì)以及導(dǎo)航地圖，實(shí)現(xiàn)精準(zhǔn)定位；通過BEV+Transformer，提升車輛感知和決策能力。FSD/AP系統(tǒng)APHW1.0FSD/AP系統(tǒng)APHW1.0APHW2.0APHW2.5FSD/APHW3.0FSDHW4.0自主品牌20212022202320242025長安L2L2.5L2.9L4上線時(shí)間2014.092016.102017.082019.042023H2(E)長城L2.5L2.9L4比亞迪L2L2.5L2.9L4處理平臺(tái)/主芯片MobileyeEyeQ3NvidiaDrivePX2NvidiaDrivePX2+TeslaFSDTeslaFSD2代一汽L2.5L3L4吉利L2.9L3L4算力(Tops)0.2562020144(雙芯片)預(yù)計(jì)性能將是HW3.0三倍左右廣汽L2.9L4功耗(W)25250300220北汽L2.5L2.9L4上汽L2.5L2.9L4圖像處理能力（fps）361101102300奇瑞L2L2.5L2.9L4東風(fēng)L2.9L4特斯拉自動(dòng)駕駛系統(tǒng)經(jīng)歷近十年迭代，軟硬件都有大幅提升。2023年5月，F(xiàn)SDBeta版本更新至11.4.2，對(duì)路面檢測(cè)、切入切出、車道保持等功能進(jìn)行優(yōu)化。FSD入華也隨著內(nèi)外部條件的成熟而變得更加有可能性，將進(jìn)一步刺激中國消費(fèi)市場(chǎng)對(duì)高等級(jí)智駕的接受度。

億歐智庫：部分自主品牌車企智駕功能量產(chǎn)落地規(guī)劃近兩年，自主品牌已全面以高階輔助駕駛功能作為其品牌智能化主打特色，并進(jìn)行相關(guān)戰(zhàn)略，這也意味著市場(chǎng)即將迎來以NOA為主打的高階智駕功能的量產(chǎn)落地。信息來源：公開資料、國務(wù)院新聞辦、各城市智能網(wǎng)聯(lián)汽車測(cè)試工作小組7信息來源：公開資料、國務(wù)院新聞辦、各城市智能網(wǎng)聯(lián)汽車測(cè)試工作小組7政策引導(dǎo)助推自動(dòng)駕駛產(chǎn)業(yè)升級(jí)，城市落地驗(yàn)證新興技術(shù)應(yīng)用發(fā)展減免政策至2027年底，從供需兩端推動(dòng)產(chǎn)業(yè)迭代升級(jí)。“車-路-云”一體化融合發(fā)展也將成為未來產(chǎn)業(yè)推進(jìn)的關(guān)鍵所在，完善的云控基礎(chǔ)及云端計(jì)算能力，能夠從多方面推進(jìn)智能網(wǎng)聯(lián)以及高等級(jí)自動(dòng)駕駛大規(guī)模、高質(zhì)量發(fā)展。大模型算法等關(guān)鍵技術(shù)的研發(fā)均受到城市級(jí)關(guān)注。國外相關(guān)政策也積極推動(dòng)自動(dòng)駕駛城市級(jí)應(yīng)用的落地推廣。2023年6月21日國務(wù)院政策例行吹風(fēng)會(huì)：促進(jìn)新能源汽車產(chǎn)業(yè)高質(zhì)量發(fā)展深化測(cè)試示范應(yīng)用啟動(dòng)智能網(wǎng)聯(lián)汽車準(zhǔn)入和上路通行試點(diǎn)，組織開展城市級(jí)“車路云一體化”示范應(yīng)用，支持L3及更高級(jí)別自動(dòng)駕駛功能商業(yè)化進(jìn)一步完善網(wǎng)聯(lián)基礎(chǔ)設(shè)施加快C-V2X、路側(cè)感知、邊緣計(jì)算等基礎(chǔ)設(shè)施建設(shè)，建立基于邊緣云、區(qū)

武漢開放路網(wǎng)里程：1500.0km發(fā)放牌照：200+個(gè)重慶開放路網(wǎng)里程：1486.8km發(fā)放牌照：60+個(gè)廣州開放路網(wǎng)里程：1749.8發(fā)放牌照：220+個(gè)

國內(nèi)外自動(dòng)駕駛相關(guān)落地政策及城市應(yīng)用最新進(jìn)展全國已建成17個(gè)全國已建成17個(gè)測(cè)試示范區(qū)、16個(gè)“雙智”試點(diǎn)城市、7個(gè)完成了7000多公里道路智能化升級(jí)改造，裝配路側(cè)網(wǎng)聯(lián)設(shè)備7000余臺(tái)套2022功能的L2級(jí)乘用車新車滲透率達(dá)到了34.5%開放路網(wǎng)里程：1143.8km發(fā)放牌照：600+個(gè)上海開放路網(wǎng)里程：1800.0km發(fā)放牌照：600+個(gè)長沙開放路網(wǎng)里程：317.0km發(fā)放牌照：55+個(gè)深圳開放路網(wǎng)里程：201.4km發(fā)放牌照：260+個(gè)域云和中心云三級(jí)架構(gòu)的云控基礎(chǔ)平臺(tái)，形成統(tǒng)一接口、數(shù)據(jù)和通信標(biāo)準(zhǔn)，提升網(wǎng)絡(luò)感知、云端計(jì)算能力支持關(guān)鍵技術(shù)攻關(guān)支持重點(diǎn)大企業(yè)牽頭，大中小企業(yè)參與，開展跨行業(yè)跨領(lǐng)域協(xié)同創(chuàng)新。加

北京市科委、中關(guān)村管委會(huì)發(fā)布北京市首批人工智能行業(yè)大模型應(yīng)用案例自動(dòng)駕駛大模型DriveGPT示范應(yīng)用：毫末智行、長城汽車城市大腦大模型示范應(yīng)用：科大訊飛、中科大腦公司英國允許無人駕駛汽車商用：2023年6月，英國初創(chuàng)

《關(guān)于更好發(fā)揮數(shù)據(jù)要素作用進(jìn)一步加快發(fā)展數(shù)字經(jīng)濟(jì)的實(shí)施意見》“建設(shè)數(shù)據(jù)要素創(chuàng)新研究院，支持?jǐn)?shù)據(jù)驅(qū)動(dòng)的科學(xué)研究。探索數(shù)據(jù)訓(xùn)練基地，促進(jìn)研發(fā)自然語言、多模態(tài)、認(rèn)知等超大規(guī)模智能模型。”快關(guān)鍵芯片、高精度傳感器、操作系統(tǒng)等新新產(chǎn)品的研發(fā)和推廣應(yīng)用，提升產(chǎn)業(yè)發(fā)展內(nèi)生動(dòng)力

公司ImperiumDrive推出無人駕駛汽車租賃項(xiàng)目，該項(xiàng)服年8月，加州議會(huì)的公共事務(wù)委員會(huì)宣判，允許谷歌旗下Waymo和通用旗下Cruise的Robotaxi在舊金山不受限制載客。7x24小時(shí)、區(qū)域不限、全無人、可收費(fèi)信息來源：乘聯(lián)會(huì)、中國海關(guān)總署、公開資料、億歐智庫8信息來源：乘聯(lián)會(huì)、中國海關(guān)總署、公開資料、億歐智庫8國際市場(chǎng)逐年拓展，汽車及相關(guān)供應(yīng)鏈企業(yè)出海大勢(shì)在即中國車企出海已經(jīng)不止于面向海外售賣整車及零部件產(chǎn)品，而是進(jìn)入價(jià)值鏈全球化進(jìn)程，在云的加持下，通過技術(shù)出海、出海、品牌出海、生產(chǎn)出海等多種方式，中國品牌以產(chǎn)品、及投資在全球各區(qū)域打造多樣化服務(wù)生態(tài)圈，有望實(shí)現(xiàn)汽車生態(tài)的落地生根。億歐智庫：2018-2022中國純電動(dòng)、插電混動(dòng)乘用車出口額及純電動(dòng)出口額占比

整車出海，帶動(dòng)“全鏈”，電動(dòng)化、智能化多領(lǐng)域邁向國際市場(chǎng)39.6%

45.6%

61.7%

85.7%

88.9%1,363

隨著中國汽車工業(yè)的發(fā)展，主機(jī)廠出海越來越多，以、、品牌出海等方式，主動(dòng)“走出去”，成功打響國際化品牌。在主機(jī)廠的帶動(dòng)下，多個(gè)相關(guān)細(xì)分領(lǐng)域也向海外市場(chǎng)延伸。自動(dòng)駕駛、智能座艙、智能網(wǎng)聯(lián)、動(dòng)力電池、軟件、車載雷達(dá)等，作為智能汽車的核心部分，都跟隨整車出海，在國際市場(chǎng)上形成了一定的影響力。云服務(wù)商在中國汽車企業(yè)出海之路上搭建云端“基礎(chǔ)設(shè)施”，以保證數(shù)據(jù)快速傳輸、高效存儲(chǔ)，并為中國汽車產(chǎn)業(yè)鏈企業(yè)出海提供安全合規(guī)保障。億歐智庫：部分自動(dòng)駕駛企業(yè)出海事件百度、SBDrive、金龍客車三方合力于2018本版“Apolong”；2022年，百度在美國加州進(jìn)行自556

基礎(chǔ)設(shè)施

車載雷達(dá)

動(dòng)駕駛出行測(cè)試?yán)锍桃堰_(dá)3986km；139

3631 10968

17193

池 軟件內(nèi)飾能源服務(wù)

主機(jī)廠

比亞迪、極氪、蔚來、小鵬等新勢(shì)力車企都相繼于2020年、2021年布局海外市場(chǎng)，并逐年加碼；寧德時(shí)代、中創(chuàng)新航等動(dòng)力電池企業(yè)也較早布局海外；速騰聚創(chuàng)等激光雷達(dá)企業(yè)自2021年就已開始出海；2018年 2019

2020年

2021年

2022年

后市場(chǎng)

……智能網(wǎng)聯(lián)

毫末智行成為中國首個(gè)AEB算法落地海內(nèi)外的公司；芯馳、納芯微等諸多半導(dǎo)體企業(yè)都已開啟海外業(yè)務(wù)布局；華為云、騰訊云、阿里云等云廠商通過提供安全合規(guī)服純電動(dòng)乘用車（億元）插電式混合動(dòng)力乘用車（億元）純電動(dòng)乘用車出口額占比

云服務(wù)

務(wù)及自動(dòng)駕駛數(shù)據(jù)相關(guān)服務(wù)助力車企出海；盛弘股份、道通科技等能源服務(wù)企業(yè)穩(wěn)步發(fā)展全球業(yè)務(wù)；文遠(yuǎn)知行于2023年7月拿到中東首張國家級(jí)牌照……99多維因素助推自動(dòng)駕駛產(chǎn)業(yè)邁向高等級(jí)發(fā)展階段量產(chǎn)“加速”與應(yīng)用支撐產(chǎn)業(yè)的高速發(fā)展，未來很長一段時(shí)間，自動(dòng)駕駛產(chǎn)業(yè)的競爭重點(diǎn)將聚焦在基于海量數(shù)據(jù)之上的智能化及量產(chǎn)落地上。量產(chǎn)“加速”大模型勢(shì)頭正盛，加速助跑能化發(fā)展技術(shù)“奠基”大模型勢(shì)頭正盛，加速助跑能化發(fā)展技術(shù)“奠基”展，助推L3及以上自動(dòng)駕駛落地國內(nèi)外城市級(jí)落地促發(fā)展政策“助推”以主機(jī)廠為主整車出海，樹立品牌化、智能化多領(lǐng)域邁向國際市場(chǎng)出?！巴卣埂盉EV融合方案助力城市NOA落地，促進(jìn)自動(dòng)駕駛城市級(jí)自動(dòng)駕駛邁向高等級(jí)發(fā)展階段，大規(guī)模城市級(jí)落地將成未來重點(diǎn)自動(dòng)駕駛邁向高等級(jí)發(fā)展階段，大規(guī)模城市級(jí)落地將成未來重點(diǎn)信息來源：《自動(dòng)駕駛數(shù)據(jù)安全白皮書》（2020）PAGE信息來源：《自動(dòng)駕駛數(shù)據(jù)安全白皮書》（2020）PAGE101.2數(shù)據(jù)處理問題成為高等級(jí)自動(dòng)駕駛需要解決的“頭等難題”僅對(duì)數(shù)據(jù)處理的提出要求，同樣也為安全保障帶來巨大挑戰(zhàn)。高等級(jí)自動(dòng)駕駛數(shù)據(jù)特點(diǎn)——流動(dòng)性規(guī)模性非結(jié)構(gòu)性流動(dòng)性規(guī)模性非結(jié)構(gòu)性不同來源格式不同，數(shù)據(jù)的涉密性數(shù)據(jù)處理挑戰(zhàn)數(shù)據(jù)采集難數(shù)據(jù)處理挑戰(zhàn)

標(biāo)注要求高

模型訓(xùn)練久

標(biāo)準(zhǔn)不一致

傳輸存儲(chǔ)貴

安全要求高需要具備甲級(jí)或 復(fù)雜長尾場(chǎng)景不斷增加

算法訓(xùn)練需要有效的數(shù)據(jù)、豐富的場(chǎng)景、完備的，

去噪、清洗、統(tǒng)一格 感知、判斷、決策、執(zhí)

道路、環(huán)境、司機(jī)、乘客等數(shù)據(jù)都有安全要求，未

在此基礎(chǔ)上需重復(fù)訓(xùn)練。但目前很多模型加載慢，

式、標(biāo)注、處理等各步驟由不同企業(yè)執(zhí)行，難以通過統(tǒng)一任務(wù)需求進(jìn)行引導(dǎo)，

等各模塊間每秒傳輸量達(dá)數(shù)GB，車端與云端間同樣要求穩(wěn)定、高效的

來在城市級(jí)鋪開后，經(jīng)過敏感地區(qū)所取得的信息若數(shù)據(jù)對(duì)的量級(jí)和有效性都提出挑戰(zhàn)

本高、效率低，無法支撐快速的Connercase

訓(xùn)練時(shí)間長，由此導(dǎo)致模型迭代慢，市場(chǎng)缺乏成熟高效的訓(xùn)練模型

因而口徑不一，易造成信息損耗、數(shù)據(jù)丟失等情況

傳輸，由此產(chǎn)生的數(shù)據(jù)存儲(chǔ)與流量費(fèi)用十分可觀

不能脫敏處理與安全托管，就有可能存在遭泄漏或篡改風(fēng)險(xiǎn)，造成安全隱患信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE12高效挖掘、有效利用是自動(dòng)駕駛面對(duì)海量數(shù)據(jù)的必選項(xiàng)，數(shù)據(jù)閉環(huán)因此逐步落地傳輸處理智能電動(dòng)汽車傳輸處理智能電動(dòng)汽車集自動(dòng)駕駛數(shù)據(jù)閉環(huán)清洗算法模型云服務(wù)器驗(yàn)證標(biāo)注成熟的數(shù)據(jù)閉環(huán)將更多的使用自動(dòng)化工具和算法對(duì)數(shù)據(jù)進(jìn)行處理、清洗和轉(zhuǎn)換，以減少人工干預(yù)流程自動(dòng)化海量數(shù)據(jù)與算法能夠雙向賦能，以算法處理數(shù)據(jù)，數(shù)據(jù)訓(xùn)練算法，有效循環(huán)、高速迭代處理效率高環(huán)節(jié)流程完整、數(shù)據(jù)全程跑通、真值不丟失、反復(fù)循環(huán)進(jìn)行訓(xùn)練，實(shí)現(xiàn)不斷地、持續(xù)的數(shù)據(jù)循環(huán)完整有循環(huán)億歐智庫：自動(dòng)駕駛數(shù)據(jù)閉環(huán)定義專業(yè)測(cè)試車隊(duì)和社會(huì)化量產(chǎn)車輛其行駛數(shù)據(jù)、位置軌跡、路況數(shù)據(jù)、場(chǎng)景數(shù)據(jù)等多種信息，專業(yè)測(cè)試車隊(duì)和社會(huì)化量產(chǎn)車輛其行駛數(shù)據(jù)、位置軌跡、路況數(shù)據(jù)、場(chǎng)景數(shù)據(jù)等多種信息，處理形成數(shù)據(jù)集，經(jīng)過清洗、標(biāo)注等，基于智能云底座進(jìn)行傳輸、等操作，結(jié)合場(chǎng)景，在輸入驗(yàn)證的循環(huán)反復(fù)中，對(duì)算法進(jìn)行迭代和升級(jí)，覆蓋更多cornercase，推動(dòng)自動(dòng)駕駛解決方案向成熟進(jìn)階，提升自動(dòng)駕駛能力的快速閉環(huán)迭代，加速自動(dòng)駕駛規(guī)?；慨a(chǎn)落地。技術(shù)發(fā)展推進(jìn)數(shù)據(jù)閉環(huán)不斷升級(jí)，大數(shù)據(jù)與多場(chǎng)景逐步落地應(yīng)用自動(dòng)駕駛數(shù)據(jù)閉環(huán)建設(shè)并非一日之功，從僅限在少部分的測(cè)試車上開始，閉環(huán)通路1.0隨著技術(shù)的升級(jí)，自動(dòng)駕駛進(jìn)入高等級(jí)發(fā)展階段，數(shù)據(jù)閉環(huán)的也順勢(shì)升級(jí)進(jìn)入2.0階段；未來，將向大規(guī)模量產(chǎn)的3.0階段發(fā)展。如今，中國自動(dòng)駕駛數(shù)據(jù)閉環(huán)已經(jīng)走過了初步構(gòu)建的第一階段，正處于數(shù)據(jù)高效驅(qū)動(dòng)的第二階段，未來向搭建生態(tài)、催生商業(yè)化的第三階段進(jìn)發(fā)。隨著階段推進(jìn)，處理數(shù)據(jù)能力與自動(dòng)化運(yùn)轉(zhuǎn)能力大幅提升，產(chǎn)業(yè)協(xié)同更加高效，云商扮演更重要的角色，支撐新的商業(yè)生態(tài)建設(shè)。億歐智庫：自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展三階段1.0階段：2013-2017閉環(huán)通路初步構(gòu)建發(fā)展初期的數(shù)據(jù)閉環(huán)較為簡單，只是簡單的通路構(gòu)建，主要在測(cè)試車上發(fā)現(xiàn)問題并上傳，由工程師們分析錯(cuò)誤報(bào)告，以找出問題原因，進(jìn)而修改代碼并在下次更新后予以解決。這是傳統(tǒng)的、簡單的數(shù)據(jù)閉環(huán)，但效率不高，多個(gè)環(huán)節(jié)需要人工輔助。

2.0階段：2018-2024數(shù)據(jù)驅(qū)動(dòng)閉環(huán)升級(jí)隨著的進(jìn)步和自動(dòng)駕駛等級(jí)的發(fā)展，傳統(tǒng)的數(shù)據(jù)這一階段，面向更大規(guī)模數(shù)據(jù)的閉環(huán)及相應(yīng)技術(shù)和服務(wù)被車企及供應(yīng)商廣泛。大規(guī)模

3.0階段：2025-2030催化商業(yè)落地端助力自動(dòng)駕駛的終極實(shí)現(xiàn)。自動(dòng)駕駛數(shù)據(jù)閉環(huán)生態(tài)體系大規(guī)模標(biāo)注分析問題上傳錯(cuò)誤出現(xiàn)問題大規(guī)模分析問題上傳錯(cuò)誤出現(xiàn)問題上線測(cè)試重寫代碼上線測(cè)試重寫代碼

大規(guī)模高頻率

城市級(jí)高等級(jí)自動(dòng)駕駛量產(chǎn)低等級(jí)自動(dòng)駕駛量產(chǎn)高速測(cè)試z車端閉環(huán) 路端閉環(huán)云服務(wù)賦能2013 2018 2025目錄目錄CONTENTS01自動(dòng)駕駛發(fā)展機(jī)遇與挑戰(zhàn)01自動(dòng)駕駛產(chǎn)業(yè)發(fā)展洞察自動(dòng)駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動(dòng)駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02 云服務(wù)賦能自動(dòng)駕駛數(shù)據(jù)閉環(huán)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點(diǎn)分析02 云服務(wù)賦能自動(dòng)駕駛數(shù)據(jù)閉環(huán)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點(diǎn)分析自動(dòng)駕駛數(shù)據(jù)閉環(huán)需要云服務(wù)賦能云服務(wù)加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運(yùn)轉(zhuǎn)自動(dòng)駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式綜述云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式解析信息來源：公開資料、專家訪談14信息來源：公開資料、專家訪談142.1.1數(shù)據(jù)閉環(huán)隨自動(dòng)駕駛升級(jí)挑戰(zhàn)劇增，數(shù)據(jù)量指數(shù)級(jí)增長、長尾問題仍需突破比測(cè)試車而言數(shù)量級(jí)更大、類型更多，車端所需的數(shù)據(jù)以及提升自動(dòng)駕駛功能所需的數(shù)據(jù)隨之大幅升高。在數(shù)據(jù)量增長之外，長尾問題也日漸重要。自動(dòng)駕駛需要盡可能多地涵蓋cornercase而目前的長尾仍有很大一部分尚未覆蓋，技術(shù)有待提升。億歐智庫：各等級(jí)自動(dòng)駕駛汽車原始數(shù)據(jù)及所需存儲(chǔ)空間示意圖原始：15-20TB/小時(shí)數(shù)

長尾數(shù)據(jù)問題是高等級(jí)自動(dòng)駕駛的核心問題當(dāng)前業(yè)內(nèi)普遍形成共識(shí)，自動(dòng)駕駛的底層架構(gòu)和大部分技術(shù)問題已經(jīng)被解決，據(jù)量原始：200-300GB/小時(shí)所需空間：4-10PBL1

原始：1-2TB/小時(shí)所需空間：50-100PB

原始：4-5TB/小時(shí)所需空間：500PB-1EB

所需空間：3EB+L4

但由于現(xiàn)實(shí)道路場(chǎng)景復(fù)雜，即使現(xiàn)有已經(jīng)實(shí)現(xiàn)絕大部分場(chǎng)景的自動(dòng)駕駛，剩下的少數(shù)長尾場(chǎng)景始終無法覆蓋。駕駛場(chǎng)景出現(xiàn)頻率常見行駛場(chǎng)景：路況簡單、易應(yīng)對(duì)，駕駛場(chǎng)景出現(xiàn)頻率常見行駛場(chǎng)景：路況簡單、易應(yīng)對(duì)，出現(xiàn)頻率高極端行駛場(chǎng)景：路況復(fù)雜、響應(yīng)要求高，出現(xiàn)頻率低L2 環(huán)境天氣、地理、道路、行政區(qū)劃、停車場(chǎng)、充電樁……環(huán)境位置及軌跡出租車、乘用車、商用車、手機(jī)、共享單車、交通擁堵及事故、熱點(diǎn)區(qū)域、位置及軌跡常駐地點(diǎn)……用戶數(shù)據(jù)用戶身份信息、程序使用歷史、駕駛習(xí)慣、制動(dòng)習(xí)慣、智艙操作習(xí)慣、用戶數(shù)據(jù)購買行為及偏好、職業(yè)年齡及教育水平、交通事故違規(guī)記錄、維修保養(yǎng)信息車輛數(shù)據(jù)車門狀態(tài)、車內(nèi)溫度、胎壓、雨刮器狀態(tài)、油量/電池信息、電機(jī)速度，車燈/霧燈狀態(tài)、傳感器車輛數(shù)據(jù)

駕駛復(fù)雜程度90%尚未形成完整閉環(huán)，成了制約向高等級(jí)發(fā)展的90%最大難題。因此采集最后10%“極端工況”的長尾數(shù)據(jù)，讓真正有用的數(shù)據(jù)被利用起來，才是閉環(huán)下一步應(yīng)該具備的能力，也是高等級(jí)自動(dòng)駕駛成敗的關(guān)鍵點(diǎn)之一。信息來源：公開資料、億歐智庫15信息來源：公開資料、億歐智庫15數(shù)據(jù)增長速度與處理能力不匹配，平臺(tái)發(fā)展初期仍存“數(shù)”“智”割裂難題共同加速數(shù)據(jù)閉環(huán)，數(shù)字化與智能化融合已成為必然趨勢(shì)。然而產(chǎn)業(yè)發(fā)展初期數(shù)據(jù)與平臺(tái)仍呈割裂狀態(tài)，相互賦能的正向循環(huán)未能構(gòu)建起來。自動(dòng)駕駛在向高等級(jí)發(fā)展的過程中，極速增長的數(shù)據(jù)帶來了一系列處理難題億歐智庫：自動(dòng)駕駛技術(shù)發(fā)展三要素

數(shù)據(jù)孤島算力算法平臺(tái)/AI算力算法平臺(tái)/AI格式各不相同，方式及管理方式亦不相同；

技術(shù)割裂自動(dòng)駕駛數(shù)據(jù)閉環(huán)主要由管理和算法模型兩部分組成，前者基于以大數(shù)據(jù)為核心的數(shù)據(jù)

不可能三角自動(dòng)駕駛數(shù)據(jù)閉環(huán)追求更大數(shù)據(jù)量、更低存儲(chǔ)成本、更高計(jì)

治理困難從到模型訓(xùn)練再到仿周期漫長，導(dǎo)致極具復(fù)雜多元異構(gòu)使倉庫、數(shù)

，后者基于以機(jī)器學(xué)習(xí)技

算，而這在傳統(tǒng)架構(gòu)中是

性，管理難度高、資源消耗大，據(jù)湖、數(shù)據(jù)等數(shù)據(jù)之間形成

術(shù)為核心的 ，者

無可實(shí)現(xiàn)的不可能三角問題

且模型訓(xùn)練前的數(shù)據(jù)準(zhǔn)備工作孤島 線并不相同，易產(chǎn)生技術(shù)割

耗時(shí)耗力大量數(shù)據(jù)未被利用與托管平臺(tái)需要大規(guī)模準(zhǔn)確數(shù)據(jù)哺育原本應(yīng)緊密相連的數(shù)據(jù)平臺(tái)與平臺(tái)仍處割裂狀態(tài)大量數(shù)據(jù)未被利用與托管平臺(tái)需要大規(guī)模準(zhǔn)確數(shù)據(jù)哺育資源的優(yōu)劣極大程度決定了的落地效果。過去企業(yè)自身搭建的傳統(tǒng)治理體系，多停留在對(duì)于結(jié)構(gòu)性數(shù)據(jù)的治理優(yōu)化，在質(zhì)量、數(shù)據(jù)字段豐富度、數(shù)據(jù)分布和數(shù)據(jù)實(shí)時(shí)性等維度尚難滿足對(duì)數(shù)據(jù)的高質(zhì)量要求資源的優(yōu)劣極大程度決定了的落地效果。過去企業(yè)自身搭建的傳統(tǒng)治理體系，多停留在對(duì)于結(jié)構(gòu)性數(shù)據(jù)的治理優(yōu)化，在質(zhì)量、數(shù)據(jù)字段豐富度、數(shù)據(jù)分布和數(shù)據(jù)實(shí)時(shí)性等維度尚難滿足對(duì)數(shù)據(jù)的高質(zhì)量要求自動(dòng)駕駛等級(jí)越來越高，量產(chǎn)應(yīng)用規(guī)模越來越大，、、加工等多個(gè)環(huán)節(jié)均有大量數(shù)據(jù)未被有效利用及托管，因此無法激活要素的潛能，兌換其價(jià)值數(shù)據(jù)、大規(guī)模算力與算法/模型是最為重要的三大元素，三者相互支撐、緊密相連。信息來源：專家訪談16信息來源：專家訪談16數(shù)據(jù)處理需要大量資源及技術(shù)投入，研發(fā)與應(yīng)用成本齊飆自動(dòng)駕駛成本既包括解決長尾問題的研發(fā)成本，也包括相應(yīng)的數(shù)據(jù)成本。在收集長尾數(shù)據(jù)、自動(dòng)駕駛能力的過程中，硬件設(shè)備的改裝維修、算法模型的更新迭代、研發(fā)人員的雇傭維護(hù)以及海量數(shù)據(jù)帶來的傳輸和存儲(chǔ)都形成了數(shù)以百萬、千萬計(jì)的成本。而車企在不斷沖刺高等級(jí)自動(dòng)駕駛的同時(shí)，累積越來越多的里程與測(cè)試數(shù)據(jù)，進(jìn)一步提高了發(fā)展成本。億歐智庫：高等級(jí)自動(dòng)駕駛數(shù)據(jù)閉環(huán)各環(huán)節(jié)資源與成本消耗曲線

億歐智庫：自動(dòng)駕駛不同等級(jí)預(yù)估最小測(cè)試車維護(hù)工程師成本壓縮加密空間費(fèi)用大量標(biāo)注成本自建數(shù)據(jù)中心地圖開集群搭建系統(tǒng)OTA傳輸車維護(hù)工程師成本壓縮加密空間費(fèi)用大量標(biāo)注成本自建數(shù)據(jù)中心地圖開集群搭建系統(tǒng)OTA傳輸通信帶寬費(fèi)用挖掘算法成本場(chǎng)景搭建算法研發(fā)成本研發(fā)人力成本研發(fā)成本GPT-3費(fèi)用超過1200萬美元）工作也需要很大的成本人力成本程師不斷維護(hù)迭代/千人團(tuán)隊(duì)，人工成本3個(gè)月接近1000萬元）時(shí)間成本億論上需要3個(gè)月，、標(biāo)注、訓(xùn)練等環(huán)節(jié)都需要大量的時(shí)間成本成本主要在模型訓(xùn)練集群其次是仿真集群、數(shù)據(jù)以及數(shù)據(jù)處理與標(biāo)注最小車輛數(shù)最小里程數(shù)測(cè)試場(chǎng)景數(shù)L42000+10億公里10億+200+ 1億公里 1000萬+L310+1000萬公里10萬+6-10 10萬公里 1萬+L23-51萬公里1000+2-31千公里100+運(yùn)維成本應(yīng)用部署成本的全部原始數(shù)據(jù)都，一年信息來源：《自動(dòng)駕駛數(shù)據(jù)安全白皮書》（2020）17信息來源：《自動(dòng)駕駛數(shù)據(jù)安全白皮書》（2020）17海量數(shù)據(jù)類型復(fù)雜，各層級(jí)均存在安全風(fēng)險(xiǎn)隱患自動(dòng)駕駛數(shù)據(jù)量級(jí)越大、涉及面越廣，其安全隱患就越大。在多層級(jí)處理、流動(dòng)中都暗含大量安全風(fēng)險(xiǎn)，一旦被攻擊、竊取、篡改，將對(duì)企業(yè)、公民、社會(huì)乃至國家安全造成損害。機(jī)密性用戶隱私數(shù)據(jù)、測(cè)試數(shù)據(jù)、人機(jī)交互數(shù)據(jù)等不泄露給未授權(quán)的個(gè)人、實(shí)體、進(jìn)程，并保證其不被利用。完整性決策控制數(shù)據(jù)、動(dòng)態(tài)交通環(huán)境數(shù)據(jù)等未被更改或破壞，保證車輛信息數(shù)據(jù)的正確生成、和傳輸。可用性機(jī)密性用戶隱私數(shù)據(jù)、測(cè)試數(shù)據(jù)、人機(jī)交互數(shù)據(jù)等不泄露給未授權(quán)的個(gè)人、實(shí)體、進(jìn)程，并保證其不被利用。完整性決策控制數(shù)據(jù)、動(dòng)態(tài)交通環(huán)境數(shù)據(jù)等未被更改或破壞，保證車輛信息數(shù)據(jù)的正確生成、和傳輸?？捎眯砸咽跈?quán)的個(gè)人、實(shí)體一旦需要就可以訪問和使用自動(dòng)駕駛數(shù)據(jù)和資源。億歐智庫：自動(dòng)駕駛各層級(jí)數(shù)據(jù)安全風(fēng)險(xiǎn)層層決策/控制安全（遭竊取或篡改后，可用性和完整性被破壞，造成車輛失竊或失控）個(gè)人信息安全（越權(quán)訪問、存儲(chǔ)導(dǎo)致泄露，可能導(dǎo)致車輛被盜或被非法控制）測(cè)試/仿真安全（遭到篡改導(dǎo)致集準(zhǔn)確性降低，影響功能的安全性和可靠性）平臺(tái)安全風(fēng)險(xiǎn) 大數(shù)據(jù)處理風(fēng)險(xiǎn)（不同類型、不同級(jí)別的自動(dòng)駕駛 平臺(tái)安全風(fēng)險(xiǎn) 大數(shù)據(jù)處理風(fēng)險(xiǎn)（不同類型、不同級(jí)別的自動(dòng)駕駛 （海量數(shù)據(jù)未經(jīng)細(xì)粒度訪問控制，數(shù)據(jù)匯聚，數(shù)據(jù)價(jià)值較大，易成為 可能被濫用，未經(jīng)分類隔離、分攻擊焦點(diǎn)） 防護(hù)，數(shù)據(jù)融合易引發(fā)隱私泄露隱私泄露風(fēng)險(xiǎn)（地理信息、個(gè)人隱私、商業(yè)化測(cè)試數(shù)據(jù)、場(chǎng)景化數(shù)據(jù)、高精地圖等可能流轉(zhuǎn)外泄）越權(quán)訪問風(fēng)險(xiǎn)系統(tǒng)/軟件漏洞層（越權(quán)訪問或?yàn)E用權(quán)限，非法獲取（惡意修改平臺(tái)系統(tǒng)及軟件，造成數(shù)據(jù)破壞，篡改未加密升級(jí)包，阻止車輛安全漏洞、風(fēng)險(xiǎn)的修復(fù)）獲取用戶隱私、駕駛數(shù)據(jù)甚至車輛控制權(quán)，降低車輛安全性、穩(wěn)定性通信層惡意節(jié)點(diǎn)攻擊（傳感器節(jié)點(diǎn)與云端接口間、通信總線與ECU間缺少認(rèn)證保護(hù)機(jī)制）內(nèi)外傳輸風(fēng)險(xiǎn)（內(nèi)部交互易阻塞或被篡改，導(dǎo)致反饋不及時(shí)，外部交互易受到竊聽或攻擊，泄露地理信息、敏感數(shù)據(jù)等通信協(xié)議風(fēng)險(xiǎn)（多種網(wǎng)絡(luò)接口的通信協(xié)議安全漏洞威脅傳輸安全，可能遭到破解竊?。┎杉瘜硬杉O(shè)備安全（測(cè)試車輛二次改裝易造成組件丟失損壞，改裝設(shè)備一致性差、性能不穩(wěn)定）路測(cè)基建安全（路端基礎(chǔ)設(shè)施改造成本巨大，數(shù)據(jù)安全防護(hù)機(jī)制設(shè)計(jì)部署不足）感知數(shù)據(jù)完整（傳感器可能受到干擾而失靈，造成感知數(shù)據(jù)識(shí)別錯(cuò)誤或污染，過程可能受到阻斷）信息來源：公開資料、億歐智庫PAGE信息來源：公開資料、億歐智庫PAGE18云底座基礎(chǔ)能力云服務(wù)賦能云服務(wù)以數(shù)據(jù)處理為核心，疊加大模型深度學(xué)習(xí)能力，賦能數(shù)據(jù)閉環(huán)降本增效云底座基礎(chǔ)能力云服務(wù)賦能業(yè)實(shí)現(xiàn)降本增效和商業(yè)閉環(huán)，遵從法律法規(guī)保障安全合規(guī)等多方面，深度賦能數(shù)據(jù)閉環(huán)。數(shù)據(jù)閉環(huán)挑戰(zhàn)“數(shù)據(jù)多”低底層硬軟設(shè)施迭代慢數(shù)據(jù)處理效率低數(shù)據(jù)閉環(huán)挑戰(zhàn)“數(shù)據(jù)多”低底層硬軟設(shè)施迭代慢數(shù)據(jù)處理效率低“成本高”研發(fā)成本高 研發(fā)周期研發(fā)成果轉(zhuǎn)化慢量產(chǎn)落地進(jìn)度慢“合規(guī)難”確權(quán)模糊防護(hù)薄弱數(shù)據(jù)合規(guī)困難效率為先強(qiáng)化數(shù)據(jù)處理研發(fā)為核提升研發(fā)效率融合為方促進(jìn)數(shù)智融合安全為重保障數(shù)據(jù)合規(guī)全球?yàn)榫滞苿?dòng)商業(yè)落地大模型計(jì)算網(wǎng)絡(luò)云原生庫云傳輸云底座信息來源：公開資料、華為云PAGE信息來源：公開資料、華為云PAGE19效率為先，計(jì)算上云加速海量數(shù)據(jù)處理理自動(dòng)駕駛數(shù)據(jù)。云服務(wù)商提供高效海量數(shù)據(jù)處理方案更高算力、更高效率云計(jì)算

更大容量、更低成本云存儲(chǔ)

更低延時(shí)、更快傳輸云傳輸云端大助力提升算力、分布式緩存技術(shù)提升針對(duì)海量數(shù)據(jù)的處理能力

分布式存儲(chǔ)架構(gòu)和對(duì)象存儲(chǔ)技術(shù)，具備大容量、高可靠性、高性能、高伸縮性、低成本等優(yōu)勢(shì)第三方云可以節(jié)省成本，客戶只需支付費(fèi)用

大量數(shù)據(jù)接入點(diǎn)和網(wǎng)絡(luò)節(jié)點(diǎn)遍布各個(gè)地區(qū)，支持?jǐn)?shù)據(jù)快速上云理提升，成本降低

公有云存儲(chǔ)成本相較于自建數(shù)據(jù)中心能減少10%-20%；云平臺(tái)還可以用高壓縮態(tài)的方式存儲(chǔ)，同時(shí)進(jìn)行數(shù)據(jù)篩選。如某頭部云廠商冷數(shù)據(jù)下沉率可達(dá)96%

傳統(tǒng)網(wǎng)絡(luò)的時(shí)延以秒計(jì)算，云服務(wù)商打造數(shù)千個(gè)邊緣節(jié)點(diǎn)，就近實(shí)現(xiàn)傳輸和計(jì)算處理，能夠有效降低時(shí)延至100毫秒以下華為云：華為云云方案能夠?qū)崿F(xiàn)高效訓(xùn)練、精細(xì)存儲(chǔ)、快速入云磁盤快遞，專線傳輸完成路采24H入云全國50+接入點(diǎn)車企就近接入磁盤槽位600+，專線總帶寬1000+Gbit/s每天完成10PB上云模型推理加速InferTurbo通過圖編譯加速模型推理推理效率提升2-5倍多模型多進(jìn)程復(fù)用GPU優(yōu)化，提升GPU磁盤快遞，專線傳輸完成路采24H入云全國50+接入點(diǎn)車企就近接入磁盤槽位600+，專線總帶寬1000+Gbit/s每天完成10PB上云模型推理加速InferTurbo通過圖編譯加速模型推理推理效率提升2-5倍多模型多進(jìn)程復(fù)用GPU優(yōu)化，提升GPU模型訓(xùn)練加速TrainTurbo加載優(yōu)化，CV部分場(chǎng)景（多圖片）加速30%高性能算子和編譯優(yōu)化，訓(xùn)練效率提升40%+通信優(yōu)化，訓(xùn)練線性加速90%+數(shù)據(jù)加載加速DataTurbo利用本機(jī)SSD做分布式緩存，降低存儲(chǔ)成本讀取時(shí)間縮短50%元數(shù)據(jù)預(yù)熱速度提升20倍10億條元數(shù)據(jù)預(yù)熱時(shí)間從100H降至5H語義直通1小時(shí)預(yù)熱2億條元云上云下近GPU加速成本下降20%冷數(shù)據(jù)下沉率最高96%多種存儲(chǔ)規(guī)格4種規(guī)格適配不同熱度數(shù)據(jù)智能數(shù)據(jù)分級(jí)自動(dòng)識(shí)別冷存儲(chǔ)指標(biāo)看版70+指標(biāo)，數(shù)據(jù)精細(xì)化管理

數(shù)據(jù)入云服務(wù)研發(fā)為核，全流程用云助力構(gòu)建全棧開發(fā)工具鏈傳統(tǒng)自動(dòng)駕駛開發(fā)工具多頭建設(shè)十分零散，外購與自研并存，流程難以打通，工具鏈路調(diào)試費(fèi)時(shí)費(fèi)力，嚴(yán)重拖慢研發(fā)進(jìn)程。云以數(shù)據(jù)驅(qū)動(dòng)為指導(dǎo)，覆蓋閉環(huán)關(guān)鍵環(huán)節(jié)，提供全棧式研發(fā)工具鏈，實(shí)現(xiàn)開發(fā)入云，提升研發(fā)。業(yè)務(wù)割裂數(shù)據(jù)孤島華為云：華為云堅(jiān)持開放生態(tài)，全棧自動(dòng)駕駛開發(fā)平臺(tái)，滿足企業(yè)一站式建設(shè)方式，也支持按需搭建、靈活組合的模式業(yè)務(wù)割裂數(shù)據(jù)孤島華為云：華為云堅(jiān)持開放生態(tài)，全棧自動(dòng)駕駛開發(fā)平臺(tái)，滿足企業(yè)一站式建設(shè)方式，也支持按需搭建、靈活組合的模式為車企提供一站式平臺(tái)：開發(fā)→測(cè)試→商用，實(shí)現(xiàn)按需使用、即插即用數(shù)據(jù)驅(qū)動(dòng)閉環(huán)“自研”挖掘平臺(tái)精準(zhǔn)仿真+評(píng)價(jià)預(yù)期功能安全為車企提供模塊化解決方案：數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)駕駛開發(fā)，測(cè)試，仿真的閉環(huán)方案自動(dòng)駕駛云服務(wù)平臺(tái)算法模型 虛擬仿真和回放式仿真 開放和易擴(kuò)展平臺(tái)海量數(shù)據(jù)存儲(chǔ)與處理 可拓展的算力支持增量數(shù)據(jù)集虛擬場(chǎng)景庫仿真服務(wù) 訓(xùn)練服務(wù) 感知算法 數(shù)據(jù)標(biāo)注 數(shù)據(jù)回放難例挖掘場(chǎng)景挖掘大屏展示實(shí)車測(cè)試 數(shù)據(jù)上云/ 數(shù)據(jù)處理 數(shù)據(jù)服務(wù) 開發(fā)效率低開發(fā)工具鏈需要數(shù)據(jù)打通以提高研發(fā)效率云服務(wù)商提供端到端全棧式連貫工具鏈云服務(wù)商提供端到端全棧式連貫工具鏈上云部署仿真評(píng)測(cè)平臺(tái)模型訓(xùn)練數(shù)據(jù)處理平臺(tái)數(shù)據(jù)管理平臺(tái)工具連續(xù)從數(shù)據(jù)上云到模型，數(shù)據(jù)閉環(huán)各個(gè)環(huán)節(jié)對(duì)工具連續(xù)連通數(shù)據(jù)統(tǒng)一由云平臺(tái)管理處理，滿足合規(guī)要求，解決標(biāo)準(zhǔn)、格式不統(tǒng)一問題，打破孤島，連通加速數(shù)據(jù)流通

減少調(diào)試、時(shí)間成本、人力成本，從而降低研發(fā)成本縮短模型訓(xùn)練時(shí)間，加速算法模型迭代，提升研發(fā)效率融合為方，云服務(wù)為數(shù)智融合統(tǒng)一搭建底座合，數(shù)據(jù)與相互賦能、共同加速數(shù)據(jù)閉環(huán)的正向循環(huán)。打破孤島聯(lián)結(jié)技術(shù)割裂突破不可能三角打破孤島聯(lián)結(jié)技術(shù)割裂突破不可能三角效益限制提高業(yè)務(wù)效率

華為云：采用存儲(chǔ)-緩存-計(jì)算三層分離架構(gòu)，數(shù)智融合平臺(tái)，利用盤古大模型深度賦能數(shù)據(jù)閉環(huán)核心場(chǎng)景億歐智庫：華為云數(shù)智融合平臺(tái)架構(gòu)統(tǒng)一底座創(chuàng)新存算架構(gòu)統(tǒng)一底座創(chuàng)新存算架構(gòu)低代碼自動(dòng)化

數(shù)據(jù)閉環(huán)場(chǎng)景資產(chǎn)搜索定位全局血緣分析資產(chǎn)熱度分析資產(chǎn)搜索定位全局血緣分析資產(chǎn)熱度分析

盤古大模型深度賦能預(yù)標(biāo)注大模型難例挖掘 數(shù)據(jù)標(biāo)注 數(shù)據(jù)生成 KPI指標(biāo)分析預(yù)標(biāo)注大模型

生成理解大模型理解大模型多模態(tài)檢索大模型三大核心能力多模態(tài)檢索大模型

統(tǒng)一元數(shù)據(jù)服務(wù)訓(xùn)練數(shù)據(jù)統(tǒng)一元訪問控制數(shù)據(jù)生命周期管理實(shí)訓(xùn)練數(shù)據(jù)統(tǒng)一元訪問控制數(shù)據(jù)生命周期管理

時(shí)計(jì)算引擎 量計(jì)算引擎 交時(shí)計(jì)算引擎 量計(jì)算引擎 交處理引擎 計(jì)算擎緩存統(tǒng)一權(quán)限管控建立健全權(quán)限控制能力，明確業(yè)務(wù)間數(shù)據(jù)管控權(quán)責(zé)范圍，實(shí)現(xiàn)統(tǒng)一權(quán)限管控統(tǒng)一共享統(tǒng)一權(quán)限管控建立健全權(quán)限控制能力，明確業(yè)務(wù)間數(shù)據(jù)管控權(quán)責(zé)范圍，實(shí)現(xiàn)統(tǒng)一權(quán)限管控統(tǒng)一共享實(shí)現(xiàn)資產(chǎn)化，在統(tǒng)一中打通元數(shù)據(jù)管理模式，實(shí)現(xiàn)數(shù)據(jù)統(tǒng)一管理、共享

原始 脫敏后數(shù)據(jù)DataOps+MLOps同，在同一完成開發(fā)、測(cè)試、交付，打通技術(shù)便捷，提升業(yè)務(wù)創(chuàng)新效率間自由共享，實(shí)現(xiàn)用DataOps+MLOps同，在同一完成開發(fā)、測(cè)試、交付，打通技術(shù)便捷，提升業(yè)務(wù)創(chuàng)新效率間自由共享，實(shí)現(xiàn)用數(shù)更便捷、權(quán)限有保障；百PB級(jí)數(shù)據(jù)可視、可管三層池化架構(gòu)（池、緩存池），打破資源邊界，性價(jià)比提升30%統(tǒng)一開發(fā)編排模型訓(xùn)練任務(wù)，提升整體開發(fā)效率

統(tǒng)一存儲(chǔ)服務(wù)標(biāo)注集 集KPI標(biāo)注集集KPI統(tǒng)一元數(shù)據(jù)管理全局?jǐn)?shù)據(jù)地圖統(tǒng)一元數(shù)據(jù)管理全局?jǐn)?shù)據(jù)地圖工作流統(tǒng)一編排安全為重，數(shù)據(jù)入云確保流程安全合規(guī)據(jù)使用全程監(jiān)管、資質(zhì)圖商全程管控?！蹲匀毁Y源部關(guān)于促進(jìn)智能網(wǎng)聯(lián)汽車發(fā)展維護(hù)測(cè)繪地理信息安全的通知》 《中華人民共和國測(cè)繪法》 《中華人民共和國個(gè)人信息保護(hù)法》《自然資源部關(guān)于促進(jìn)智能網(wǎng)聯(lián)汽車發(fā)展維護(hù)測(cè)繪地理信息安全的通知》《中華人民共和國測(cè)繪法》《中華人民共和國個(gè)人信息保護(hù)法》界定測(cè)繪行為、明確測(cè)繪資質(zhì)要求、嚴(yán)控外傳

測(cè)繪合規(guī)：采集國家地理信息合規(guī)

隱私合規(guī)：采集用戶隱私相關(guān)數(shù)據(jù)合規(guī)自動(dòng)駕駛研發(fā)必須有數(shù)據(jù)合規(guī)方案數(shù)據(jù)采集數(shù)據(jù)采集傳輸數(shù)據(jù)存儲(chǔ)傳輸數(shù)據(jù)處理傳輸進(jìn)行合規(guī)。

采集之后將被到合規(guī)云，即圖商管理區(qū)。云服務(wù)商對(duì)數(shù)據(jù)進(jìn)行脫敏、脫密處理，使云服務(wù)商提供數(shù)據(jù)合規(guī)方案之成為非敏測(cè)繪成果數(shù)據(jù)；或脫敏、脫密處理使之成為非測(cè)繪成果數(shù)據(jù)，經(jīng)過圖商審查后可至其他私有云/公有云以供使用。云服務(wù)商提供數(shù)據(jù)合規(guī)方案

運(yùn)維。華為云：華為云：建設(shè)烏蘭察布汽車專區(qū)，提供全流程安全合規(guī)3分區(qū)合規(guī)架構(gòu)7層安全防護(hù)認(rèn)證資質(zhì)華為云建設(shè)專區(qū)聯(lián)合提供方案頭部圖商安全云腦 置安全運(yùn)營智能化1 2理 全 63745機(jī) 線 線 線網(wǎng)絡(luò)中繼區(qū)身份認(rèn)證|圖商審批智駕業(yè)務(wù)區(qū)閉環(huán)|數(shù)據(jù)處理區(qū)雙因子|專線接入|圖商專屬120+權(quán)威安全合規(guī)認(rèn)證集成16+安全隱私合規(guī)模塊10000+安全基線600+檢測(cè)項(xiàng)30+年安全經(jīng)驗(yàn)積累中國首個(gè)TISAX汽車行業(yè)認(rèn)證云廠商信息來源：公開資料、億歐智庫PAGE信息來源：公開資料、億歐智庫PAGE23全球?yàn)榫?，云廠商護(hù)航自動(dòng)駕駛相關(guān)企業(yè)安心出海自動(dòng)駕駛數(shù)據(jù)閉環(huán)因出境而斷層，助力中國車企安心出海。當(dāng)前汽車出海地區(qū)多為東南亞、歐洲、南美洲等地區(qū)，各云商根據(jù)海外數(shù)據(jù)中心布局情況因地制宜為汽車企業(yè)出海護(hù)航。云服務(wù)商化身車企海外運(yùn)營伙伴，發(fā)揮云服務(wù)能力維護(hù)境外數(shù)據(jù)閉環(huán)運(yùn)行，助力車企出海自動(dòng)駕駛功能繼續(xù)快速更新迭代維護(hù)境外數(shù)據(jù)閉環(huán)完整運(yùn)行專業(yè)本土團(tuán)隊(duì)全球數(shù)據(jù)中心云服務(wù)能力維護(hù)境外數(shù)據(jù)閉環(huán)完整運(yùn)行專業(yè)本土團(tuán)隊(duì)全球數(shù)據(jù)中心云服務(wù)能力統(tǒng)一存算網(wǎng)絡(luò)數(shù)據(jù)閉環(huán)出海挑戰(zhàn)

海外本土合規(guī)難跨境溝通協(xié)同難

數(shù)據(jù)閉環(huán)易斷層

數(shù)據(jù)合規(guī)化服務(wù)運(yùn)營精細(xì)化服務(wù)覆蓋多數(shù)出海地區(qū)提供強(qiáng)力存算保障安全合規(guī)云上不分家傳輸?shù)脱訒r(shí)溝通協(xié)同無障礙億歐智庫：2022年中國整車出口地域銷量占比6.9%11.9%6.9%11.9%13.9%35.6%25.8%亞洲歐洲南美洲北美洲非洲大洋洲

云服務(wù)商在全球布局?jǐn)?shù)據(jù)中心數(shù)據(jù)中心的位置通常用區(qū)域和可用區(qū)來描述：區(qū)域（Region）：從地理位置和網(wǎng)絡(luò)時(shí)延維度劃分，同一個(gè)Region內(nèi)共享彈性計(jì)算、塊、對(duì)象等公共?？捎脜^(qū)（AZ，AvailabilityZone）：一個(gè)AZ是一個(gè)或多個(gè)物理數(shù)據(jù)中心的集合，有獨(dú)立的風(fēng)火水電，AZ絡(luò)、等資源劃分成多個(gè)集群。

億歐智庫：中國部分云服務(wù)商海外布局情況（單位：個(gè)）84 887030 29 26華為云 阿里云 騰訊區(qū)域 可用區(qū)信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE24大模型加速研發(fā)步伐，從多維度推動(dòng)自動(dòng)駕駛前行大模型的性能和泛化能力相比傳統(tǒng)小模型有了顯著提高，且深度學(xué)習(xí)能力讓其可以自主加速進(jìn)行算法迭代。在需要消耗大量人力且低下的環(huán)節(jié)中，大模型都可以起到十分重要的作用，在很大程度上幫助自動(dòng)駕駛數(shù)據(jù)閉環(huán)解決效率及成本的問題。目前大模型在自動(dòng)駕駛領(lǐng)域中主要有兩種應(yīng)用方式，分別是：自建通用大模型和通過微調(diào)垂類大模型。劃、實(shí)例級(jí)的在線建圖、城市NOA、車體縱橫向控制等任務(wù)中。自建通用大是解決自動(dòng)駕駛數(shù)據(jù)問題的首要解決方案，很多車企及頭部Tier廠商選擇構(gòu)建自己的多模態(tài)通用大模型，但這同時(shí)也意味著挑戰(zhàn)。如今我國通用大仍以追趕ChatGPT為主，未來依靠頭部領(lǐng)軍企業(yè)，將逐步開發(fā)出中國自己的ChatGPT，甚至超過GPT4的水平。自建通用大模型自建通用大是解決自動(dòng)駕駛數(shù)據(jù)問題的首要解決方案，很多車企及頭部Tier廠商選擇構(gòu)建自己的多模態(tài)通用大模型，但這同時(shí)也意味著挑戰(zhàn)。如今我國通用大仍以追趕ChatGPT為主，未來依靠頭部領(lǐng)軍企業(yè)，將逐步開發(fā)出中國自己的ChatGPT，甚至超過GPT4的水平。自建通用大模型感知大模型通過半監(jiān)督方式自迭代，增強(qiáng)視覺感知小模型，賦能多模態(tài)感知；同時(shí)利用圖像弱監(jiān)督預(yù)訓(xùn)練的模型挖掘長尾數(shù)據(jù)提升模型效果。視覺感知多模態(tài)感知生成賦能增強(qiáng)小模型遠(yuǎn)距離3D視覺感知在圖像端和點(diǎn)云端提升感知效果感知大模型通過半監(jiān)督方式自迭代，增強(qiáng)視覺感知小模型，賦能多模態(tài)感知；同時(shí)利用圖像弱監(jiān)督預(yù)訓(xùn)練的模型挖掘長尾數(shù)據(jù)提升模型效果。視覺感知多模態(tài)感知生成賦能增強(qiáng)小模型遠(yuǎn)距離3D視覺感知在圖像端和點(diǎn)云端提升感知效果主要體現(xiàn)在突破長尾瓶頸、標(biāo)注、模型訓(xùn)練上，助力成本下降，便于定制化訓(xùn)練模型生成海量數(shù)據(jù)，助力仿真平臺(tái)構(gòu)建公有云公有云訓(xùn)練+推理大經(jīng)過反復(fù)訓(xùn)練，可將完整的駕駛策略分拆為自動(dòng)駕駛的動(dòng)態(tài)識(shí)別過程，進(jìn)而實(shí)現(xiàn)可理解的邏輯鏈條。汽車專區(qū)云專屬資源池車體控制遠(yuǎn)程安全接管脫困更好的車體縱橫向控制基于安全可靠的預(yù)測(cè)技術(shù)，實(shí)現(xiàn)一對(duì)多接管提升對(duì)于障礙物的檢測(cè)能力混合云HCS私有化部署恰當(dāng)?shù)奈⒄{(diào)能夠賦予模型在特定領(lǐng)域的能力和與人類“對(duì)齊”的能力。調(diào)整的方法繁多，以ChatGPT的過程為例，預(yù)好的基礎(chǔ)進(jìn)一步的通常分為三步：采用人工標(biāo)注好的數(shù)據(jù)來訓(xùn)練模型；人類對(duì)答案的排序一個(gè)獎(jiǎng)勵(lì)；使用獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)的方式訓(xùn)練ChatGPT。微調(diào)打造垂類大模型大模型規(guī)控智駕能力規(guī)控智駕能力NOA大模型泛化能力強(qiáng)，平滑性好，能夠更好的應(yīng)對(duì)復(fù)雜場(chǎng)景有效識(shí)別城市，實(shí)現(xiàn)城市導(dǎo)航輔助駕駛信息來源：公開資料、華為云PAGE信息來源：公開資料、華為云PAGE252.2.6頭部企業(yè)聚焦大模型+NeRF技術(shù)，未來將賦能城市級(jí)自動(dòng)駕駛多場(chǎng)景數(shù)據(jù)處理大模型對(duì)于閉環(huán)的賦能體現(xiàn)在車端、云端等多個(gè)方面。NeRF能自動(dòng)駕駛數(shù)據(jù)閉環(huán)多個(gè)環(huán)節(jié)。多個(gè)頭部企業(yè)也正通過技術(shù)研發(fā)，實(shí)現(xiàn)NeRF技術(shù)與大模型結(jié)合在自動(dòng)駕駛中更廣泛的應(yīng)用，主要表現(xiàn)在自動(dòng)標(biāo)注、測(cè)試、路采擴(kuò)充、cornercases生成等方面。圖像 NeRF渲染位姿

新圖像

NeRF即神經(jīng)輻射場(chǎng)，采用神經(jīng)網(wǎng)絡(luò)對(duì)隱式重建，利用可微渲染，從已有視圖中學(xué)習(xí)如何渲染新視角下的圖像，從而實(shí)現(xiàn)照片級(jí)逼真的圖像渲染。NeRF最先應(yīng)用在新視角合成方向，由于其超強(qiáng)的隱式表達(dá)三維信息的能力，如今在三維重建領(lǐng)域迅速發(fā)展起來。目前NeRF相關(guān)的大概分成兩類：單純的視覺上進(jìn)行大尺度無邊界場(chǎng)景重建，和場(chǎng)景重建后對(duì)場(chǎng)景進(jìn)行重新編輯，以進(jìn)行自動(dòng)駕駛測(cè)試。大尺度無邊界場(chǎng)景重建 場(chǎng)景重建+重新編輯商湯科技2023年7月，商湯科技與上海體系”。其中，書生·級(jí)的NeRF建模，具備千億參數(shù)，已實(shí)現(xiàn)對(duì)100平方公里城市實(shí)景進(jìn)行4K高精度建模以及編

特斯拉特斯拉率先提出將NeRF應(yīng)用在自動(dòng)駕駛領(lǐng)域，主要體現(xiàn)在兩方面：用NeRF做城市級(jí)大規(guī)模場(chǎng)景重建和借助體渲染為占用網(wǎng)絡(luò)提供額外監(jiān)督。其中城市級(jí)大規(guī)模場(chǎng)景重建能夠生成自動(dòng)駕駛模擬集，可以自定義場(chǎng)景，用以自動(dòng)駕駛訓(xùn)練。2022年2月，Waymo構(gòu)建了Block-NeRF

毫末智行毫末智行提升了NeRF最終合成的效果，除了重建三維結(jié)構(gòu)，還以高精度恢復(fù)路面紋理，以便更準(zhǔn)確地了解整個(gè)、掌控真值，從而根據(jù)需要做標(biāo)注。結(jié)合BEV模型訓(xùn)練的帶有3D標(biāo)注的真值數(shù)據(jù)，場(chǎng)景重建的誤差小于10cm，同時(shí)還能對(duì)中的動(dòng)態(tài)物體做出肉眼難辨的重建和渲染。華為云華為云場(chǎng)景生成大模型采用NeRF技術(shù)對(duì)街景&泊車進(jìn)行三維重建，實(shí)現(xiàn)“同一對(duì)象只標(biāo)一次”即可遷移所有相關(guān)圖像，“同一只采一次”即可獲得不同視角圖像?？砂葱枘M生成罕見和CornerCase，如不同天氣，行駛路線、不同光照等，加速數(shù)據(jù)爬坡進(jìn)程，降低成本和難度。同時(shí)，華為云也通過NeRF提升數(shù)據(jù)生成效率，以數(shù)據(jù)生成替代實(shí)車路采，降低仿真成本。

其他NeRF企業(yè)輯。如今，“書生”大模型正在自動(dòng)駕駛等領(lǐng)域，助力感知決策一體化，讓自動(dòng)駕駛更智能。

網(wǎng)格，用280萬張街景照片重建出整片舊金山市區(qū)的3D環(huán)境。在此前，NeRF的工作往往側(cè)重于小規(guī)模和以對(duì)象為中心的重建。

盤古大模型NeRF生成

位姿偏移自動(dòng)修正開闊大場(chǎng)景厘米級(jí)偏移生成場(chǎng)景可按需編輯信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE27云服務(wù)助益數(shù)據(jù)閉環(huán)各個(gè)環(huán)節(jié)，加速閉環(huán)高效運(yùn)轉(zhuǎn)閉環(huán)的流程可以大致分為數(shù)據(jù)、數(shù)據(jù)標(biāo)注、模型、測(cè)試和五個(gè)環(huán)節(jié)。隨著自動(dòng)駕駛的發(fā)展演進(jìn)，各環(huán)節(jié)面對(duì)海量數(shù)據(jù)都出現(xiàn)了新的發(fā)展瓶頸與痛點(diǎn)，云廠商所提供的能夠滲透進(jìn)各個(gè)環(huán)節(jié)，從前端的數(shù)據(jù)到中間的感知環(huán)節(jié)，再到后期的和部署環(huán)節(jié)，云不同程度的幫助流程做到采集用云、數(shù)據(jù)入云、存算上云、測(cè)試進(jìn)云、部署靠云的全鏈路支撐。億歐智庫：云服務(wù)能力支撐自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展應(yīng)用部署標(biāo)注 仿真測(cè)試應(yīng)用部署專業(yè)測(cè)試車輛數(shù)據(jù)生成

輸入/快遞/

處理/采樣/篩檢

算法測(cè)試...

控制邏輯驗(yàn)證編輯

結(jié)果生成/分析

車端模型部署社會(huì)化量產(chǎn)車輛

壓縮/加密/轉(zhuǎn)換

標(biāo)注、大模型

重復(fù)（下一步）

模擬/

軟件模擬

OTA升級(jí)優(yōu)化

越高等級(jí)自動(dòng)駕駛越需要仿真測(cè)試，但同時(shí)也面臨著測(cè)不

軟件包版本眾多、管理難度大；耗

率不高，且質(zhì)量不齊

持續(xù)運(yùn)轉(zhuǎn)數(shù)據(jù)閉環(huán)

全、測(cè)不快、測(cè)不準(zhǔn)、不會(huì)評(píng)等技術(shù)難題

時(shí)過長，影響用戶體驗(yàn)等問題云服務(wù)能力加速自動(dòng)駕駛數(shù)據(jù)閉環(huán)：用云、數(shù)據(jù)入云、存算上云、測(cè)試進(jìn)云、部署靠云

云服務(wù)可以支撐3D點(diǎn)云、4DClip、NerRF

云服務(wù)支撐大模型進(jìn)行大量的自主訓(xùn)練和

云服務(wù)為場(chǎng)景庫提供高彈性的資源空間，同時(shí)大模型

分布式節(jié)點(diǎn)提供更快速、及時(shí)的傳用云、清晰全面

模型等進(jìn)行更高效的自動(dòng)標(biāo)注入云、降本提速

深度學(xué)習(xí)，推動(dòng)算法不斷迭代升級(jí)存算上云、準(zhǔn)確高效

等技術(shù)可以幫助構(gòu)建高質(zhì)量的3D城市級(jí)測(cè)試進(jìn)云，高質(zhì)保量

輸服務(wù)，助力OTA升級(jí)等環(huán)節(jié)部署靠云，安全便捷最大化兌現(xiàn)大模型價(jià)值，數(shù)據(jù)閉環(huán)云端環(huán)節(jié)全面受益業(yè)內(nèi)普遍認(rèn)為，自動(dòng)駕駛的終局將會(huì)是一個(gè)超大規(guī)模的端到端自動(dòng)駕駛數(shù)據(jù)閉環(huán)，而實(shí)現(xiàn)端到端的數(shù)據(jù)閉環(huán)，海量高價(jià)值數(shù)據(jù)、車端高算力缺特斯拉、小鵬、理想等主機(jī)廠，以及毫末智行、華為云、百度智能云等Tier1、挖掘、標(biāo)注、、等多個(gè)環(huán)節(jié)，大大提升數(shù)據(jù)閉環(huán)的訓(xùn)練和迭代。車端：決策輔助物體檢測(cè)：大模型能夠更高效率的檢測(cè)到車端：決策輔助物體檢測(cè)：大模型能夠更高效率的檢測(cè)到真值比較固定的物體；合并小模型：在車端運(yùn)用大模型，主要形式是把處理不同子任務(wù)的小模型合并，形成一個(gè)“大模型”，然后做聯(lián)合推理；車道拓?fù)漕A(yù)測(cè)：動(dòng)態(tài)環(huán)境大模型，可以精準(zhǔn)預(yù)測(cè)道路的拓?fù)潢P(guān)系。云端相較于車端可以部署較大的大模型，以感知作用為主，從最開始的大模型助力長尾挖掘，到為未標(biāo)注的3D數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注，再到用這些再次訓(xùn)練感知以及測(cè)試，多次迭代后，大模型的感知性能實(shí)現(xiàn)快速提升。數(shù)據(jù)挖掘 標(biāo)注 仿真測(cè)試泛化性強(qiáng)，更善于長尾挖掘：例

標(biāo)注精度高：自動(dòng)標(biāo)注可以先用

提升訓(xùn)練量級(jí)：大模型能夠生成海量

重建和生成：利用大模型進(jìn)如CLIP模型可以在無監(jiān)督預(yù)訓(xùn)練之后將文本和圖像對(duì)應(yīng)，從而基于文本對(duì)

海量未標(biāo)注數(shù)據(jù)通過自監(jiān)督的方式預(yù)訓(xùn)練一個(gè)大模型，微調(diào)后還能具備檢

可訓(xùn)練數(shù)據(jù)，通過反復(fù)訓(xùn)練，提升模型自我迭代能力；

行自動(dòng)化、大規(guī)模的三維重建，構(gòu)建現(xiàn)實(shí)世界；圖片進(jìn)行數(shù)據(jù)挖掘；

測(cè)能力，進(jìn)行自動(dòng)標(biāo)注；

提高訓(xùn)練：自主深度學(xué)習(xí)是大模

訓(xùn)練更具針對(duì)性：大模型能夠識(shí)別自端云：通信部署促進(jìn)端云協(xié)同：大模型能夠有效促進(jìn)端云協(xié)同模型訓(xùn)練、，提升通信能力。百度文心大模型小馬智行BEV感知算法大模型摩院、上海實(shí)驗(yàn)室聯(lián)合發(fā)布“洛犀”平百度文心大模型小馬智行BEV感知算法大模型

更善于提取特征，找到相似目標(biāo)：基于Transformer的BEV方案能夠?qū)碜远鄠鞲衅鞯脑紨?shù)據(jù)結(jié)合，最大程度獲取目標(biāo)物特征。

降低成本：數(shù)據(jù)標(biāo)注原本是以人力為主導(dǎo)的行業(yè)，通過大模型自動(dòng)化輔助可以有效降低過高的人力成本。OpenAICLIP覺非科技感知大模型

型的重要特征，能夠有效建立端到端的感知決策一體化算法，提高數(shù)據(jù)閉環(huán)的訓(xùn)練效率。騰訊混元AI大模型……毫末智行DriveGPT：騰訊混元AI大模型……毫末智行DriveGPT：通過引入駕駛數(shù)據(jù)建立RLHF技術(shù)，對(duì)認(rèn)知決策模型進(jìn)行持續(xù)優(yōu)化，現(xiàn)階段主要用于自動(dòng)駕駛的認(rèn)知決策，終極目標(biāo)是端到端華為云盤古大模型：采用5+N+X分層解耦設(shè)計(jì)，可以快速適配，快速滿足行業(yè)的多變需求，能夠賦能千行百業(yè)，如今已經(jīng)應(yīng)用在自動(dòng)駕駛各環(huán)節(jié)商湯UniAD

動(dòng)駕駛系統(tǒng)的弱點(diǎn)，自動(dòng)創(chuàng)建對(duì)抗性，從錯(cuò)誤中學(xué)習(xí)，自動(dòng)迭代更新。例如，WaymoNeRF重建，訓(xùn)練新的算法，做回歸測(cè)試。采集：從測(cè)試到量產(chǎn)場(chǎng)景，數(shù)據(jù)預(yù)處理將越來越依賴云服務(wù)采集包括采集、脫敏、傳輸、儲(chǔ)存。對(duì)于L2、L3級(jí)別的DemoL4級(jí)別的Demo則會(huì)產(chǎn)生千億級(jí)的圖片數(shù)據(jù)，到了L4級(jí)的量產(chǎn)，數(shù)據(jù)將達(dá)到百萬億級(jí)。代速度的關(guān)鍵。數(shù) 億歐智庫：自動(dòng)駕駛分階段數(shù)據(jù)規(guī)模據(jù)規(guī)模百萬級(jí)圖片數(shù)據(jù) 億級(jí)圖片數(shù)據(jù) 千億級(jí)圖片+點(diǎn)云數(shù)據(jù) 百萬億級(jí)圖片+點(diǎn)云數(shù)據(jù)

華為云面向海量數(shù)據(jù)提供存儲(chǔ)、計(jì)算、合規(guī)等多方面深度歸檔存儲(chǔ)服務(wù)：對(duì)長期不訪問存檔的企業(yè)信息數(shù)據(jù)進(jìn)行歸檔。產(chǎn) 極強(qiáng)的數(shù)據(jù)采集能力、足夠的數(shù)據(jù)存儲(chǔ)空間、快速的數(shù)據(jù)傳輸速率

自動(dòng)駕駛發(fā)展階段

客戶原始數(shù)據(jù)采集系統(tǒng)

華為云

客戶業(yè)務(wù)系統(tǒng) 數(shù)據(jù)采集面臨痛點(diǎn) 云服務(wù)助力數(shù)據(jù)高效 原始類別多

DISAgent DIS OBS DLI高等級(jí)自動(dòng)駕駛數(shù)據(jù)包括攝像頭數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)、毫米波雷達(dá)數(shù)據(jù)、點(diǎn)云數(shù)據(jù)等等，來源多且類別復(fù)雜，格式屬性不一有效挖掘難收集到的數(shù)據(jù)越來越多且龐雜，但并不是每一幀畫面都有效，全部會(huì)占用極大空間，也會(huì)讓后續(xù)工作變得困難

云服務(wù)加速清洗、過濾有效，擴(kuò)容儲(chǔ)存空間大模型及算法具有高性能信息識(shí)別能力及豐富的積累，在海量數(shù)據(jù)中快速清洗、過濾、挖掘高價(jià)值

“M”個(gè)分布式車聯(lián)網(wǎng)節(jié)點(diǎn)華為云 中國聯(lián)通等運(yùn)營聯(lián)合打造分布式車聯(lián)網(wǎng)方案傳輸延時(shí)低數(shù)據(jù)入云更快捷

“N”個(gè)車用數(shù)據(jù)接入點(diǎn)華為云在全國提供50+汽車專用數(shù)據(jù)接入點(diǎn)實(shí)現(xiàn)海量數(shù)據(jù)24h高效上云傳輸速度更快傳輸數(shù)據(jù)速度慢完成后，需要進(jìn)行歸類、脫敏、壓縮和打包，通過4G/5G

云服務(wù)搭建就近接入點(diǎn)，助力高效傳輸有效建立汽車數(shù)據(jù)專用接入點(diǎn)，盡可能減少4G/5G網(wǎng)絡(luò)切換

“3”個(gè)超大數(shù)據(jù)中心構(gòu)建汽車專區(qū)烏蘭察布專區(qū)蕪湖專區(qū)貴安專區(qū)烏蘭察布專區(qū)蕪湖專區(qū)貴安專區(qū)充分滿足海量數(shù)據(jù)存儲(chǔ)需求上傳至云端服務(wù)器。但由于傳輸?shù)纳舷滦墟溌份^長，且跨越不同基站網(wǎng)絡(luò)不穩(wěn)定等原因，會(huì)導(dǎo)致傳輸速度慢甚至丟失和亂序的情況信息來源：華為云

帶來的時(shí)延問題

超大云核心樞紐滿足海量數(shù)據(jù)計(jì)算需求提供全流程安全合規(guī)28信息來源：特斯拉、華為云29信息來源：特斯拉、華為云29標(biāo)注：從人工標(biāo)注走向自動(dòng)標(biāo)注，云服務(wù)結(jié)合深度學(xué)習(xí)高效處理海量數(shù)據(jù)車端數(shù)據(jù)完成之后，還需要經(jīng)過數(shù)據(jù)標(biāo)注，包括分配類標(biāo)簽、繪制邊界框和標(biāo)記對(duì)象邊界等，經(jīng)過標(biāo)注的數(shù)據(jù)才能變成算法模型能夠使用的有效樣本。而隨著自動(dòng)駕駛技術(shù)的不斷迭代，需要大規(guī)模且高質(zhì)量的數(shù)據(jù)集進(jìn)行訓(xùn)練。了標(biāo)注。如今，已經(jīng)有不少頭部玩家正在逐步推動(dòng)自動(dòng)標(biāo)注的落地應(yīng)用。特斯拉標(biāo)注歷經(jīng)4個(gè)階段，精度、效率不斷提升特斯拉標(biāo)注歷經(jīng)4個(gè)階段，精度、效率不斷提升如今，特斯拉自動(dòng)標(biāo)注系統(tǒng)可以取代500萬小時(shí)的人工作業(yè)量，人工僅需要檢查補(bǔ)漏。華為云預(yù)標(biāo)注大模型實(shí)現(xiàn)4D智能標(biāo)注，使用NeRF進(jìn)行三維重建，實(shí)現(xiàn)“同一對(duì)象只標(biāo)一次”2019年人工進(jìn)行3D圖像標(biāo)注2020年采用BEV進(jìn)行標(biāo)注2021年提出占用網(wǎng)絡(luò)方案，在4D空間中進(jìn)行標(biāo)注華為云預(yù)標(biāo)注大模型AP/AP50綜合得分第一1/5；在權(quán)威榜單”KITTI360”中排名——NO.1建模小時(shí)級(jí)，物體建模分鐘級(jí)支持對(duì)場(chǎng)景內(nèi)物體進(jìn)行替換2018年及之前只有純?nèi)斯?維圖像標(biāo)注，較低支持RGB、Lidar等多傳感器數(shù)據(jù)支持動(dòng)態(tài)物體檢測(cè)和去除現(xiàn)階段對(duì)數(shù)據(jù)需求高質(zhì)量多元化海量

人工標(biāo)注需要較高時(shí)間和人力成本，效率不高耗時(shí)長，成本高自動(dòng)駕駛一個(gè)視覺算法訓(xùn)練涉及的圖片標(biāo)注量就達(dá)幾十萬級(jí)，人工標(biāo)注耗時(shí)耗力，1小時(shí)的視頻需要800個(gè)工時(shí)來進(jìn)行人工標(biāo)注，100幀車道線需250個(gè)標(biāo)注員一個(gè)月才能完成，效率低下；標(biāo)簽體系不統(tǒng)一，標(biāo)注質(zhì)量參差不齊由于標(biāo)注的標(biāo)準(zhǔn)難以統(tǒng)一，質(zhì)量參差不齊，數(shù)據(jù)挖掘效率低下，容易導(dǎo)致錯(cuò)誤頻發(fā)、重復(fù)挖掘、返工率高等問題，數(shù)量與質(zhì)量皆難保障。

自動(dòng)標(biāo)注基于大模型云計(jì)算能力，更能有效、加速數(shù)據(jù)處理云服務(wù)助力標(biāo)注效率提升超高算力及智能化策略，極大程度提高了海量數(shù)據(jù)處理、庫構(gòu)建等各環(huán)節(jié)效率與精準(zhǔn)度，自動(dòng)標(biāo)注的工作量相比人工標(biāo)注可以降低約80%-90%，隨著未來技術(shù)的進(jìn)步，效率將進(jìn)一步提升；有效識(shí)別高價(jià)值數(shù)據(jù)，加速難例挖掘過程云服務(wù)能夠基于高性能信息識(shí)別能力及豐富的自動(dòng)駕駛研發(fā)積累，在海量數(shù)據(jù)中快速清洗、過濾、挖掘高價(jià)值數(shù)據(jù)，幫助后續(xù)構(gòu)建高質(zhì)量數(shù)據(jù)庫與場(chǎng)景集并及時(shí)反饋給算法訓(xùn)練，優(yōu)化空間，加速自動(dòng)駕駛算法迭代；基于高效能云服務(wù)，自動(dòng)標(biāo)注技術(shù)不斷升級(jí)頭部企業(yè)不斷更新自動(dòng)標(biāo)注技術(shù)，包括Clip模型、4D標(biāo)注、NeRF三維重建等都已成為最新趨勢(shì)信息來源：公開資料、億歐智庫30信息來源：公開資料、億歐智庫30訓(xùn)練：喚醒沉睡數(shù)據(jù)，云服務(wù)加速驅(qū)動(dòng)算法迭代在完成數(shù)據(jù)標(biāo)注之后，需要對(duì)打好標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練、參數(shù)調(diào)優(yōu)等。數(shù)據(jù)處理能力的高低是決定模型能否順利進(jìn)行的前提要素，模型所必須的海量數(shù)據(jù)處理及數(shù)據(jù)集的構(gòu)建都需要云服務(wù)強(qiáng)大的計(jì)算能力和處理能力。業(yè)進(jìn)行合作，靈活自己的技術(shù)。算法模型反復(fù)訓(xùn)練真值數(shù)據(jù)，以“小循環(huán)”促進(jìn)“大循環(huán)”業(yè)務(wù)規(guī)律如今，一部分模型訓(xùn)練的工作已經(jīng)可以實(shí)現(xiàn)自動(dòng)化。自動(dòng)標(biāo)注基于通過大量數(shù)據(jù)的算法模型，能夠?qū)崿F(xiàn)對(duì)原始數(shù)據(jù)中需要標(biāo)注的元素的自動(dòng)識(shí)別、檢測(cè)以及標(biāo)注時(shí)經(jīng)過不斷訓(xùn)練的算法能夠更進(jìn)一步的賦能自動(dòng)標(biāo)注，實(shí)現(xiàn)更高精確度數(shù)據(jù)標(biāo)注與模型訓(xùn)練雙向賦能，以“小循環(huán)”促進(jìn)“大循環(huán)”訓(xùn)練、喂養(yǎng)

自建超算中心一部分主機(jī)廠選擇自建超算中心，用以支撐自動(dòng)駕駛快速進(jìn)化迭代。在此種方式下，車企需在滿足數(shù)據(jù)合規(guī)要求的前提下進(jìn)行數(shù)據(jù)，難度較大。同時(shí)超算中心初期投入較高，主機(jī)廠及Tier1對(duì)搭建計(jì)算中心的預(yù)算普遍超過億元。且自建并非一次性支出，后續(xù)人工、硬件升級(jí)、擴(kuò)容及更新迭代都需要大量的成本。以特斯拉為例——2021年8月，特斯拉正式發(fā)布自研云端超算中心Dojo，主要用于處理大量訓(xùn)練特斯拉自動(dòng)駕駛汽車軟件；2023年7月，Dojo投入生產(chǎn)；2024年，特斯拉預(yù)計(jì)將超過10億美元，以推進(jìn)超級(jí)計(jì)算機(jī)與神經(jīng)網(wǎng)絡(luò)訓(xùn)練。購買云服務(wù)除此之外，大部分自動(dòng)駕駛企業(yè)會(huì)選擇有實(shí)力的第三方云服務(wù)企業(yè)進(jìn)行合作，相對(duì)于自建云而言投入較小，也是大多數(shù)企業(yè)的首選。專業(yè)云廠商提供的云服務(wù)能夠做到標(biāo)準(zhǔn)化、集約高效、同時(shí)能夠適用更多企業(yè)主體，在成本考慮上也更加友好。采 基礎(chǔ)數(shù)據(jù)集

賦能、檢測(cè)、標(biāo)注部署

算法模型

仿 ?專業(yè)標(biāo)準(zhǔn)：從軟件算法到架構(gòu)、從建設(shè)模式到商業(yè)模式都是高標(biāo)準(zhǔn)、高專業(yè)度的；真 ?集約高效：專業(yè)云廠商有足夠的實(shí)力采用頂尖領(lǐng)先的技術(shù)，保證其產(chǎn)品及的先進(jìn)性；成本優(yōu)勢(shì)：作為自動(dòng)駕駛廠商的數(shù)據(jù)基礎(chǔ)設(shè)施服務(wù)商，其標(biāo)準(zhǔn)化產(chǎn)品適用于不同領(lǐng)域的主體，相對(duì)于前期投入極高的自建方式，更加節(jié)省成本信息來源：華為云31信息來源：華為云31仿真測(cè)試：加速數(shù)據(jù)處理、提質(zhì)生成，云服務(wù)助力實(shí)現(xiàn)高質(zhì)量城市級(jí)仿真測(cè)試在自動(dòng)駕駛階段，L2駕駛則需要海量的測(cè)試場(chǎng)景，對(duì)應(yīng)的測(cè)試要求也越來越高：極強(qiáng)的GPU算力、足夠的存儲(chǔ)帶寬和低時(shí)延等。云應(yīng)運(yùn)而生，相對(duì)于單車算力不足、周期長、低等問題，云仿真憑借其分布式架構(gòu)及并行加速計(jì)算能力，大大提升了整體效率?；贜eRF的場(chǎng)景生成能力可以助力擴(kuò)充。同時(shí)，在云端也可以幫助完成車端的測(cè)試，有效避免測(cè)試時(shí)間長、算力需求大等問題。億歐智庫：自動(dòng)駕駛數(shù)據(jù)閉環(huán)仿真測(cè)試環(huán)節(jié)架構(gòu)示意圖

測(cè)試的關(guān)鍵：實(shí)驗(yàn)評(píng)價(jià)結(jié)果對(duì)庫的構(gòu)建進(jìn)行反饋促進(jìn)其進(jìn)一步完善；對(duì)測(cè)試進(jìn)程進(jìn)行支撐；實(shí)驗(yàn)評(píng)價(jià)結(jié)果對(duì)庫的構(gòu)建進(jìn)行反饋促進(jìn)其進(jìn)一步完善；對(duì)測(cè)試進(jìn)程進(jìn)行支撐；三者緊密耦合傳感器（攝像頭…）道路信息（車道、路燈...）模擬場(chǎng)景庫交通流（行人、臨時(shí)車輛、紅綠燈...）傳感器（攝像頭…）道路信息（車道、路燈...）模擬場(chǎng)景庫交通流（行人、臨時(shí)車輛、紅綠燈...）車輛（制動(dòng)性能….）環(huán)境（天氣、光照...） 模擬仿真測(cè)試 功能安全測(cè)試駕駛員在環(huán)測(cè)試硬件在環(huán)測(cè)試軟件在環(huán)測(cè)試

大量模型 仿真模型海量數(shù)據(jù)測(cè)不全 測(cè)不快 測(cè)不準(zhǔn) 不會(huì)評(píng)術(shù)技 ?場(chǎng)景庫覆蓋度不足，基礎(chǔ)場(chǎng)景效用較低，術(shù)挑 難例場(chǎng)景挖掘困難戰(zhàn)從測(cè)試場(chǎng)景到城市級(jí)，實(shí)現(xiàn)難度大

里程數(shù)大、場(chǎng)景多，耗時(shí)長口不統(tǒng)一，測(cè)試效率低

部問題，置信度低

評(píng)價(jià)體系不完善，國標(biāo)尚未落地率低云 云助力真實(shí)路測(cè)場(chǎng)景快速轉(zhuǎn)化為場(chǎng)

以云服務(wù)豐富的場(chǎng)景庫為載體，有服 通過“以圖搜圖”快速捕捉與挖掘難例場(chǎng)景，必務(wù) 覆蓋度高進(jìn)而豐富場(chǎng)景庫必

理能力，支持多場(chǎng)景下同時(shí)完成多個(gè)任務(wù)

通訊等大量不同領(lǐng)域的專業(yè)技能、工具鏈及，實(shí)現(xiàn)高精準(zhǔn)度，降

能力支撐建立多樣化、面向多場(chǎng)景的評(píng)價(jià)指標(biāo)體系要 基于云能力運(yùn)行的NeRF可以生成性質(zhì)量的3D城市級(jí)場(chǎng)景

云提供彈性的計(jì)算資源，可根據(jù)需要隨時(shí)實(shí)現(xiàn)快速擴(kuò)容

低與實(shí)車路測(cè)的差距深度學(xué)習(xí)，生成對(duì)抗性場(chǎng)景

云可以支持客戶定制化開發(fā)仿真評(píng)價(jià)標(biāo)準(zhǔn)信息來源：國家市場(chǎng)監(jiān)督管理總局、智見OTA、毫末智行、億歐智庫32信息來源：國家市場(chǎng)監(jiān)督管理總局、智見OTA、毫末智行、億歐智庫32應(yīng)用部署：車云一體，基于高效云服務(wù)的助力模型部署、優(yōu)化升級(jí)閉環(huán)的最后一個(gè)環(huán)節(jié)是將好的自動(dòng)駕駛模型在車端，而車端繼續(xù)收集數(shù)據(jù)進(jìn)行新一輪的數(shù)據(jù)閉環(huán)，再將新的模型通過動(dòng)到車端，如此循環(huán)往復(fù)，形成數(shù)據(jù)閉環(huán)。升級(jí)數(shù)量呈爆發(fā)式增長趨勢(shì)，而高效的云能夠助力模型及的優(yōu)化升級(jí)順利進(jìn)行，進(jìn)而提供良好的終端體驗(yàn)，促進(jìn)數(shù)據(jù)閉環(huán)的持續(xù)、高效運(yùn)轉(zhuǎn)。優(yōu)化OTA升級(jí)億歐智庫：2020-2022主要車企在中國OTA升級(jí)次數(shù)（次）優(yōu)化OTA升級(jí)527對(duì)車輛的車載娛樂系統(tǒng)進(jìn)行升APP應(yīng)用在軟件層面的升級(jí)

FOTA對(duì)整車電子電氣化架構(gòu)進(jìn)行全方位升級(jí)，是實(shí)現(xiàn)自

226

351動(dòng)駕駛智能化的核心

2020 2021 2022毫末閉環(huán)產(chǎn)品不斷迭代至2023年1月，毫末產(chǎn)品的自完善閉環(huán)率超過70%；已成功助力客戶成功實(shí)現(xiàn)7次毫末閉環(huán)產(chǎn)品不斷迭代至2023年1月，毫末產(chǎn)品的自完善閉環(huán)率超過70%；已成功助力客戶成功實(shí)現(xiàn)7次OTA在線升級(jí)；2022年底數(shù)據(jù)成本降低98%；全新車型復(fù)用數(shù)據(jù)閉環(huán)開發(fā)只需4個(gè)月時(shí)間即達(dá)到量產(chǎn)落地狀態(tài)。通過高效的數(shù)據(jù)處理與汽車業(yè)務(wù)分析能力，提供軟件升級(jí)包的云端整理、版本分類管理等;依托汽車云服務(wù)的N個(gè)分布式節(jié)點(diǎn)，就近傳輸與升級(jí)，實(shí)現(xiàn)安全可靠的高速下載意獲取、隨意篡改或發(fā)布能性的區(qū)分，選擇最安全合適的時(shí)間及對(duì)車輛進(jìn)行OTA升級(jí)信息來源：億歐智庫33信息來源：億歐智庫33自動(dòng)駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜自動(dòng)駕駛數(shù)據(jù)服務(wù)商 自動(dòng)駕駛解決方案商/零部件供應(yīng)商自動(dòng)駕駛芯片供應(yīng)商

具備數(shù)據(jù)閉環(huán)能力企業(yè)

主機(jī)廠中國廠商海外廠商云服務(wù)商中國廠商海外廠商信息來源：公開資料、專家訪談34信息來源：公開資料、專家訪談34云服務(wù)廠商頭部競爭趨勢(shì)明顯，基礎(chǔ)性能逐步趨同，服務(wù)及成本將是未來競爭高點(diǎn)如今，幾大云廠商處理數(shù)據(jù)的基礎(chǔ)實(shí)力逐步趨同，包括技術(shù)、產(chǎn)品、生態(tài)、全球化、嚴(yán)格的安全控制措施，以及符合各地法規(guī)和合規(guī)要求的認(rèn)華為云 百度智能云 阿里云 騰訊云證等。億歐智庫認(rèn)為，未來行業(yè)的競爭點(diǎn)將聚焦在差異化的服務(wù)和具有吸引力的成本上，這也將是車企選擇云供應(yīng)商的最重要考量因素。華為云 百度智能云 阿里云 騰訊云產(chǎn)品力專區(qū)+盤古大模型+異騰云服務(wù)+行業(yè)應(yīng)用；深耕汽車垂直賽道多年（商乘并舉），技術(shù)硬實(shí)力強(qiáng)，云原生領(lǐng)域綜合實(shí)力排名第一、2022機(jī)器學(xué)習(xí)公有云市場(chǎng)份額排名第一產(chǎn)品力盤古大模型+昇騰AI云服務(wù)力基于底層昇騰芯片，上層搭建“基礎(chǔ)大模型-力行業(yè)大模型-場(chǎng)景大模型”架構(gòu)，賦能產(chǎn)業(yè)，在自動(dòng)駕駛領(lǐng)域已有多個(gè)成功實(shí)踐生態(tài)力460萬+開發(fā)者，41000信強(qiáng)項(xiàng)，與華人運(yùn)通（高合）、一汽、賽力斯TO、東風(fēng)集團(tuán)、Momenta、四維圖新、毫末智行、禾多科技等均有合作生態(tài)力出海力KooVerse全球存算網(wǎng)布局30個(gè)地理區(qū)域，設(shè)置84個(gè)可用區(qū)，設(shè)立4個(gè)區(qū)域服務(wù)中心、170+本地服務(wù)中心，2800+CDN節(jié)點(diǎn)，并在全球具備120+權(quán)威合規(guī)認(rèn)證以及20+安全合規(guī)遵從包出海力生態(tài)優(yōu)勢(shì)：相關(guān)多領(lǐng)域軟件性核心優(yōu)勢(shì)能優(yōu)異，盤古大模型提升開發(fā)，硬件通客戶受眾廣泛：核心優(yōu)勢(shì)基礎(chǔ)設(shè)施優(yōu)越：設(shè)施覆蓋面廣，“車路云”一體優(yōu)先布局;靈活交付方式：端到端+積木式交付方案

布局全面，體系健全：Apollo車+昆侖芯+飛漿平臺(tái)+文心大模型+行業(yè)應(yīng)用；依托圖商基因，重點(diǎn)布局安全合規(guī)方案文心大模型目前多與座艙結(jié)合；在自動(dòng)駕駛場(chǎng)景中，主要從地圖生成、環(huán)境感知、數(shù)據(jù)處理等方面賦能數(shù)據(jù)閉環(huán)，實(shí)現(xiàn)低成本數(shù)據(jù)挖掘面向汽車行業(yè)推出集團(tuán)云、網(wǎng)聯(lián)云、供應(yīng)鏈協(xié)同云“三朵云”。與長安、吉利、東風(fēng)汽車等多家車企有合作，并打造面向不同市場(chǎng)的汽車云體系海內(nèi)外共部署7個(gè)數(shù)據(jù)中心，1200+CDN打造出海易一站式數(shù)智外貿(mào)平臺(tái)，秉持百度的互聯(lián)網(wǎng)基因以及人工智能、大數(shù)據(jù)和云計(jì)算技術(shù)，為企業(yè)數(shù)智化賦能圖商基因優(yōu)勢(shì)：圖商基因使其擁有先天的數(shù)據(jù)采集優(yōu)勢(shì)及合規(guī)處理優(yōu)勢(shì)；產(chǎn)品矩陣全面：與集團(tuán)內(nèi)部Apollo合作，從而減少外采成本，自主可控的數(shù)據(jù)庫；疊加“車路云”一體化相關(guān)業(yè)務(wù)，產(chǎn)品覆蓋面廣；C端優(yōu)勢(shì)明顯：高頻連接入口

布局全面，體系健全：含光800芯片+M6-OFA底座+通義大模型+行業(yè)應(yīng)用；業(yè)務(wù)聚焦數(shù)據(jù)管理、自動(dòng)駕駛、自研工具鏈上云等通義大模型適用于不同行業(yè)；在汽車行業(yè)應(yīng)用上，通義大模型主要用于智能座艙，促進(jìn)車內(nèi)多模態(tài)交互融合阿里云以“一橫三縱”為汽車企業(yè)提供的技術(shù)和可承諾的業(yè)務(wù)效果。其“汽車云”在國內(nèi)已服務(wù)超過70%的汽車企業(yè)，主要包括小鵬、廣汽、長城、路特斯等海內(nèi)外共部署25節(jié)點(diǎn)，覆蓋全球28個(gè)地理區(qū)域，運(yùn)營85個(gè)可用區(qū)底座強(qiáng)大：電商基因賦予深厚底層算力，時(shí)疊加大模型支撐，提供強(qiáng)大的技術(shù)底座；企業(yè)客戶優(yōu)勢(shì)：立良好口碑及行業(yè)信賴；成本相對(duì)較低：定價(jià)策略相對(duì)靈活，成本較低

全鏈路開發(fā)及運(yùn)營：其中重點(diǎn)布局大數(shù)據(jù)云平臺(tái)、模擬平臺(tái)；依托高精地圖業(yè)務(wù)，布局車聯(lián)網(wǎng)解決方案混元大模型作為輔助和優(yōu)化自身業(yè)務(wù)的工具，且騰訊業(yè)務(wù)聚焦社交、通信、游戲領(lǐng)域，其混元大模型在這些領(lǐng)域內(nèi)應(yīng)用較好，自動(dòng)駕駛領(lǐng)域先較少以“車云一體化”戰(zhàn)略，與奔馳、寶馬、一汽等車企構(gòu)建了豐富的車上服務(wù)生態(tài)，落地車型超過150款，在云端助力超過100家車企和出行科技企業(yè)海內(nèi)外共部署17個(gè)數(shù)據(jù)中心，其中國外10家，海內(nèi)外共2800+CDN節(jié)點(diǎn)，在全球運(yùn)營了超過100萬臺(tái)服務(wù)器，覆蓋全球26個(gè)地理區(qū)域，擁有70個(gè)可用區(qū)，全球一套云，幫助車企在同一體系內(nèi)快速部署落地基礎(chǔ)產(chǎn)品，為各國家用戶提供服務(wù)車聯(lián)網(wǎng)布局：“車路云”一體化布局較早;生態(tài)優(yōu)勢(shì)突出：ToC持差異化產(chǎn)品力塑造，可快速實(shí)現(xiàn)出行場(chǎng)景、數(shù)字營銷等方面直連目錄目錄CONTENTS01自動(dòng)駕駛發(fā)展機(jī)遇與挑戰(zhàn)01自動(dòng)駕駛產(chǎn)業(yè)發(fā)展洞察自動(dòng)駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動(dòng)駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02云服務(wù)賦能自動(dòng)駕駛數(shù)據(jù)閉環(huán)02自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點(diǎn)分析自動(dòng)駕駛數(shù)據(jù)閉環(huán)需要云服務(wù)賦能云服務(wù)加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運(yùn)轉(zhuǎn)03 云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式03 云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式綜述云服務(wù)助力構(gòu)建自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式解析信息來源：億歐智庫36信息來源：億歐智庫363.1數(shù)智時(shí)代，自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式，需行業(yè)各方攜手共同推進(jìn)自動(dòng)駕駛數(shù)據(jù)閉環(huán)發(fā)展道路上的挑戰(zhàn)與痛點(diǎn)，本質(zhì)上是產(chǎn)品硬實(shí)力的考驗(yàn)——是否能通過數(shù)據(jù)閉環(huán)賦能自動(dòng)駕駛。以車企、Tier1核心的行業(yè)各方應(yīng)攜手并進(jìn)，從技術(shù)、、生態(tài)等多方面，突破產(chǎn)業(yè)發(fā)展瓶頸，閉環(huán)新范式，助力自動(dòng)駕駛高速發(fā)展與落地應(yīng)用。突破是實(shí)現(xiàn)數(shù)據(jù)閉環(huán)的首要任務(wù)，引入大模型，能夠加速處理海量數(shù)據(jù)，助力閉環(huán)的多個(gè)環(huán)節(jié)；量產(chǎn)落地是考驗(yàn)數(shù)據(jù)閉環(huán)是否能夠?qū)崿F(xiàn)的核心痛點(diǎn)，在搭建完成閉環(huán)流程后，如何更好的將數(shù)據(jù)用起來才是產(chǎn)品實(shí)力的體現(xiàn)；最后，數(shù)據(jù)閉環(huán)的終極使命是助推自動(dòng)駕駛的實(shí)現(xiàn)，強(qiáng)大的生態(tài)圈攜手路端感知和車端數(shù)據(jù)，將助力行業(yè)共同構(gòu)建自動(dòng)駕駛的終極形態(tài)。自動(dòng)駕駛數(shù)據(jù)閉環(huán)新范式

新技術(shù)牽引，大催化技術(shù)躍遷發(fā)展新服務(wù)新技術(shù)牽引，大催化技術(shù)躍遷發(fā)展新服務(wù)數(shù)據(jù)閉環(huán)新范式新生態(tài)閉環(huán)的發(fā)展瓶頸主要在于數(shù)據(jù)處理難度大、系統(tǒng)復(fù)雜度高、模型訓(xùn)練難度大、合規(guī)安全要求高等問題。智駕大的引入將從感知和認(rèn)知智能方面，很大程度上解決行業(yè)發(fā)展的痛點(diǎn)，以更高的可靠性、更快的響應(yīng)速度和更有效的，助力數(shù)據(jù)閉環(huán)實(shí)現(xiàn)進(jìn)階發(fā)展新服務(wù)：量產(chǎn)導(dǎo)向，商業(yè)化助推產(chǎn)品落地應(yīng)用成熟后，商業(yè)量產(chǎn)是產(chǎn)業(yè)發(fā)展必須解決的核心命題，產(chǎn)品是否能夠大規(guī)模商用？是否有車企愿意為數(shù)據(jù)閉環(huán)服務(wù)買單？及產(chǎn)品是否能海外市場(chǎng)也將成為驗(yàn)證產(chǎn)業(yè)落地的熱土新生態(tài)：端云協(xié)同，車路云共建產(chǎn)業(yè)終極形態(tài)閉環(huán)的終極目標(biāo)是催化自動(dòng)駕駛的實(shí)現(xiàn)。未來，自動(dòng)駕駛將從車端智能向車路云一體化演進(jìn)，通過車端、路端、云端協(xié)同，助力數(shù)據(jù)實(shí)現(xiàn)“大閉環(huán)”，為用戶提供更好地出行體驗(yàn)，真正實(shí)現(xiàn)自動(dòng)駕駛

行業(yè)需要的數(shù)據(jù)閉環(huán)服務(wù)商——專業(yè)強(qiáng)可信賴懂場(chǎng)景可泛化專業(yè)強(qiáng)可信賴懂場(chǎng)景可泛化強(qiáng)生態(tài)可持續(xù)強(qiáng)生態(tài)可持續(xù)信息來源：華為云37信息來源：華為云373.2.1新技術(shù)：全面接入大模型，底層模型+垂域布局提高技術(shù)應(yīng)用上限傳統(tǒng)自動(dòng)駕駛的不同場(chǎng)景對(duì)應(yīng)不同小模型，如CNN、RNN等，模型參數(shù)小、泛化性差，云服務(wù)支撐的大模型能夠吸收海量知識(shí)，適配多種場(chǎng)景。華為云作為優(yōu)秀的云商，了自動(dòng)駕駛開發(fā)，將華為和伙伴在汽車行業(yè)的多年經(jīng)驗(yàn)積累與盤古大模型等新技術(shù)進(jìn)行深度結(jié)合，基于此進(jìn)一步幫助客戶面向多個(gè)細(xì)分場(chǎng)景的大模型，以“大模型+”的形式賦能自動(dòng)駕駛數(shù)據(jù)閉環(huán)的多個(gè)環(huán)節(jié)，提高技術(shù)上限。億歐智庫：小模型→大模型，自動(dòng)駕駛從模塊化到端到端架構(gòu) 華為云：大模型打通技術(shù)與商業(yè)橋梁，為自動(dòng)駕駛提供加速“底座”且各個(gè)模塊之間相互較為獨(dú)立，容易出現(xiàn)重復(fù)計(jì)算，浪費(fèi)車載算力資源的情況

端到端架構(gòu)將多個(gè)小模型整合成了一個(gè)模塊的功能，也就是傳感器采集到

華為首創(chuàng)提出基礎(chǔ)模型、行業(yè)模型和場(chǎng)景模型三層架構(gòu)，加速推進(jìn)forIndustries。自2021年傳感器車輛行駛環(huán)境感知層傳感器車輛行駛

原始數(shù)據(jù)，并將原始輸入到一個(gè)統(tǒng)高精地圖一的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（大模型），并高精地圖直接輸出駕駛命令

基礎(chǔ)模型L0科研機(jī)構(gòu)

細(xì)分L2行業(yè)模型L1科研機(jī)構(gòu)+行業(yè)伙伴行業(yè)模型L1科研機(jī)構(gòu)+行業(yè)伙伴智慧醫(yī)療 金融風(fēng)控傳感器3C質(zhì)檢傳感器信號(hào)燈交通標(biāo)識(shí)車輛狀態(tài)……

交通參與者狀態(tài)信息道路拓?fù)浣Y(jié)構(gòu)……

輔助設(shè)計(jì)汽車制造……沉淀行業(yè)Know-how大模型行業(yè)開發(fā)套件客戶脫敏L0基礎(chǔ)大模型行為決策控制感知盤古大模型端到端自動(dòng)駕駛決策規(guī)劃層路徑規(guī)劃大模型行業(yè)開發(fā)套件客戶脫敏L0基礎(chǔ)大模型行為決策控制感知盤古大模型端到端自動(dòng)駕駛決策規(guī)劃層路徑規(guī)劃意圖識(shí)別行為預(yù)測(cè)行為決策軌跡預(yù)測(cè)軌跡規(guī)劃決策規(guī)劃場(chǎng)景生成大模型決策規(guī)劃場(chǎng)景生成大模型預(yù)標(biāo)注大模型多模態(tài)檢索大模型……L1行業(yè)大模型預(yù)標(biāo)注大模型多模態(tài)檢索大模型……L1行業(yè)大模型縱向控制橫向控制理解大模型車輛控制層縱向控制橫向控制理解大模型執(zhí)行器 車輛 執(zhí)行器

路徑規(guī)劃信息來源：公開資料、IDC、華為云38信息來源：公開資料、IDC、華為云38新技術(shù)：軟硬協(xié)同，大算