商业化自己是财经需要找到一条公平的验证道路
，最终用户用患上起
、汽车用患上好；对于企业而言，云沙做一些投入以及产出时能取患上公平的龙追商业酬谢。这需要财富链以及生态配合增长 ，寻智致使需要纪律以及政策的驶大商业反对于
，搜罗一些都市试验场景的规模铺开。

21世纪经济报道记者杜巧梅 北京报道

汽车的中国智能化正在减速增长 。

在以前多少年里，妄想基于车载合计机、财经传感器、汽车相机等配置装备部署，云沙经由感知 、龙追抉择规画、寻智操作等多个关键技术的驶大商业后退，汽车逐渐从一个主要由硬件驱动的机械产物 ，酿成一个由软硬件配合驱动的智能产物，智能驾驶正成为当下汽车产物的标配 。

残缺的自动驾驶可能残缺约束人类双手，并清晰提升驾驶清静 ，这是时事所趋 ，也是行业共识 。不外，智能驾驶从试验室走向落地、进入规模化量产阶段并逐渐走向都市面路  ，还需要迈过“老本”这道门槛，其商业化方式的实现也不断是业内关注的焦点下场 。

特意是进入2023年以来
，价钱战挤压卑劣提供链 ，智能驾驶也从高功能走向性价比，若何让破费者为智能驾驶配置装备部署买单也是留给车企致使提供链企业的命题 。

在这个历程中，不论是对于无图化、车云一体化技术道路的品评辩说、仍是智能驾驶中间数据价钱的萃取以及释放、抑或者是AI减速磨炼等，中间都是为了飞腾老本 ，提升效力 、并增长智能驾驶走向“艰深苍生家” 。

因此，智能驾驶走向大规模商业化还面临哪些挑战？特斯拉FSD入华，是机缘仍是挑战？相助强烈的智能驾驶赛道上
，财富链的各方应若何协同 ？“车云一体化”若何赋能行业？大模子的到来又将给行业睁开带来奈何样的想象空间？

针对于这些疑难，8月31日，21财经、21世纪新汽车钻研院散漫腾讯智慧出行配合推出「行者有云」主题沙龙，聘用车企 、智能驾驶妄想提供商 、云效率商等财富链差距关键的企业以及学界驰名教授，用一场舒畅淋漓的云对于话，从技术、市场以及行业多个维度品评辩说统筹老本以及功能的实用道路以及实际履历，配合追寻智能驾驶大规模商业化的中国妄想 。

主持人
：

21世纪经济报道汽车主编、21世纪新汽车钻研院实施院长 何芳   

对于话贵宾 ：

腾讯智慧出行副总裁 钟学丹  

长安汽车智能化钻研院副总司理 梁锋华

小马智行副总裁
、卡车营业负责人 李衡宇

智慧互通家养智能迷信家、清华大学家养智能钻研院  邓志东

智能驾驶商业化的中间挑战

何芳 ：自动驾驶不断都是行业的热门的话题，在自动驾驶大规模商业化历程中 ，面临的最主要挑战是甚么？

邓志东：中国在汽车电动化与软件化这个赛道上做的不错，位于全天下第一营垒，而且仍是先历水平 。从L2++的高速 
、都市NOA，到车云一体化，再到整车L3的商业化落地 
，前面这个赛道属于中国妄想；此外尚有一个赛道——便是一步到位的L4 ，搜罗最后一公里的物流车
、配送车以及相对于封锁的口岸 、矿山等
。当初需要思考降本增效妨碍大规模商业化落地的赛道是L2++的NOA，这也是相助最强烈的
。若何走向L3以及L4，技术上挑战很大 ，若何妄想、财富空间有多大 ，可能还需要妨碍探究。

在天生式家养智能规模，咱们跟外洋的开始历水平仍是存在差距的 ，这也搜罗视觉大模子驱动下的智能汽车以及自动驾驶 。

钟学丹：实现商业化落地是技术成熟之后在实际的运用途景下的运用
，会带来多少个挑战 ：

一是政策纪律的挑战，也便是对于自动驾驶大批依赖的数据清静性、合规性提出更高的要求。若何能保障技术的验证以及睁开的历程中适宜数据的清静合规，有良多使命要做
。好比腾讯曩昔两年就开始做自动驾驶的合规云平台，辅助相助过错实现数据合规性的验证以及规画。

二是端上的技术的成熟度越来越高，巨匠对于舆图数据的要求 ，特意是都市级的数据别致度的要求颇为高。假如用传统的数据破费方式，数据的老本颇为高 ，有利于自动驾驶更好的商业化。以是需要更新的舆图数据效率以及技术方式
，确保面向都市级舆图的需要。

三是自动驾驶也从车端向云端谋求技术反对于以及睁开的时候，自动驾驶的研发大批需要云真个平台，BEV+Transformer这样一些新的方式也会发生大批的数据 
，自动化数据的标注以及磨炼对于云真个需要也会带来老本的回升。奈何样确保这方面的老本可控 ，黑白常关键的下场。

最后
，在自动驾驶技术以及能耐都成熟的情景下 ，若何让技术真正有商业的酬谢以及价钱 ，需要计划一种商业道路——若何从小规模到大规模的演进，以及实现资源可控可能都是明天面临的一些挑战。

梁锋华
：自动驾驶如今简直是处于颇为关键的时期。一方面是智能驾驶部份搭载的规模在急剧扩展；另一方面，智能驾驶部份能耐也在快捷提升。

但从跟用户深度交流的情景来看，仍是有一些挑战需要克制 ：

第一，清静以及体验的统筹性下场。一个智能驾驶零星假如清静方面做的不够好就缺少存在的根基；假如体验做的不够好
，商品价钱就不存在。

其次，依然需要技术不断演进 。尽管智能驾驶大规模推广，但当初搭载量削减最快的仍是比力根基的L2级智能驾驶零星
 ，比力高阶的零星搭载比例总体上依然是偏低的 。

最后 ，更高阶的智能驾驶零星需要财富短缺协同。运用财富的优势飞腾老本；经由技术的提升、架构的优化、妄想的会集，从技术方面来飞腾老本；也需要财富一起推广，进一步提升搭载量 。尽管搭载量提升也会进一步增长财富链各关键的老本飞腾 ，快捷组成良性循环。

李衡宇：中国的场景路况是比力重大的，不论是哪一个级此外智能驾驶 ，都要应答重大的场景以及路况。应答这样的挑战 ，必需去做的使命是群集到饶富多的场景数据来保障技术可能取患上后退以及突破  。

何芳：特斯拉的FSD可能很快进入中国市场 ，这对于全部行业带来甚么样的挑战？

梁锋华：FSD进入中国市场对于全部财富
，特意智能驾驶财富既是挑战也是减速增长的机缘
。

一方面，咱们自己也在不断刷新全部架构并不断优化；另一方面 ，环抱中国场景，特意是中国用户所面临的一些场景提供针对于性的处置妄想
，也让咱们的价钱不断最大化
。中国用户配合的场景需要颇为多元 。好比短途智能停车可能处置需要亲自下楼挪车的痛点下场
。减速开掘用户场景需要的速率以及力度，从而给用户提供更详尽以及更深入的效率，可能让咱们的价钱不断扩展
。

李衡宇：不论是特斯拉车辆大规模的进入中国市场 ，仍是FSD进入中国的市场都是坏事 。从历史履始终看 ，正是由于有特斯拉电动车的泛起，而后才有了如今发达睁开的电动车财富。咱们并无由于特斯拉在中国建厂，而让咱们的财富被相助扩展，反而是愈加发达的睁开。如今已经有良多中国车企已经可能跟特斯拉掰能耐了
。

FSD也是同样的逻辑 ，假如真能进入中国市场，那对于咱们的智驾 ，对于咱们这些提供商，对于咱们做自动驾驶的这些从业者是利好的。由于咱们可能跟天下同频同步，也可能把咱们财富做患上更好。同时
，咱们不会耽忧特斯拉一统天下 。中国企业有饶富的技术积攒，有良多独到之处 ，依然会做出更好的产物。

邓志东 ：FSD引进中国黑白常好的一件使命
。苹果手机进入中国建议外乡智能手机财富的睁开；上海引进特斯拉超级工场建议了全部新能源汽车提供链的降级换代 ，并增长中国新能源汽车财富的发达睁开 。FSD的到来至少可能美满外乡智能汽车的提供链与财富链，鼓舞中国汽车智能化水平的提级换挡。

钟学丹 ：汽车智能化的睁开历程中取患上的这些下场也好 、技术后退也好，不光是一个车企的技术输入 ，而是全部财富链以及生态的后退。腾讯也是一家跟汽车行业看起来不沾边儿的公司 。但不断以来自动于跟主机厂共创，把在互联网上的一些好的技术以及积淀的一些履历运用到智能化场景中，经由一些技术的输入以及对于新的运用途景的清晰以及共创减速部份技术的后退以及产物的落地。

智能驾驶降本增效确凿定道路

何芳：提到智能驾驶行业的挑战，也看到部份汽车行业面临的价钱战，已经或者多或者少、或者迟或者早的传导到财富链的各个关键。列位是否觉患上到了压力 ，特意是降本的压力
？行业奈何样可能在财富协同的情景下把老本做到最优 ？

钟学丹 ：压力仍是很清晰的，主要来自于多少个方面
：一是全部市场相助减轻；二是智能汽车在智能化的睁开历程中，自己给整车老本带来了压力——要搭载搜罗合计平台、传感器 、软硬件以及云真个这些效率——带来重大的老本的压力。

腾讯能做的使命
，便是辅助巨匠用更好的算力平台提升合计功能并飞腾数据存储老本。让相助过错实现从真个智能化到云的智能化历程中，用更重大以及更低老本的配置装备部署以及算法的锐敏运用 ，节约单车的算力老本的投入。

梁锋华：价钱战是市场行动，是对于全部财富链调解的历程 。不光仅是对于整车厂 ，也是对于全部财富链的重新魔难 。巨匠都需要重新思考财富链若何更高效。与其叫飞腾老本，不如说叫后退功能。若何提升部份的开拓功能 、若何经由技术后退去掉不用要的老本。

李衡宇
：从去年开始，小马智行衍生出一个营业，便是特意给主机厂提供智能驾驶处置妄想。协同不光仅是数据
，技术上也要做协同。老本也是一个新的魔难 。特意是硬件 。从前小马智行用的硬件可能是很贵的合计硬件，可是如今不可，假如价钱过高，会让搭载咱们处置妄想的汽车的相助力着落。以是也做了良多硬件的研发投入，打造顺应市场的妄想。

邓志东：L2++的NOA这块需要思考老本，国内企业也面临特斯拉的市场价钱挑战。国内的新造车权柄
，搜罗传统主机厂 ，在新能源汽车的破费制作工艺下面，根基上没甚么太大的刷新 
，利润空间就很小。最终仍是要靠技术立异来处置下场 。不倾覆性技术立异很难去打过人家 。尽管咱们仍是有些根基，好比新能源汽车财富链上有自主立异的电池技术 ，那老本就能操作住。

何芳  ：智能汽车老本都搜罗哪些因素？主要的老本如今哪些方面？有无更多降本增效的空间 ？

梁锋华：智能化特意是智能驾驶
，所波及规模比力广 ，既搜罗车端也搜罗云端
，还搜罗此外财富链，都市对于零星的老本发生比力大的影响
。

车端波及传感器、实施零星
。实施零星又搜罗制动、转向、能源等方面 。尚有一些其分割关连零星会削减传感器 、线速等 。云端则波及超算中间以及数据标注 。数据的破费 、收集 、标注、磨炼等各个关键都市发生老本。好比说流量，数据群集所需要的流量会越来越多。

降本增效需要财富协同。若何经由协同的方式把老本飞腾到适宜形态 ，需批评零星以及全财富链思考。

李衡宇：小马智行积攒的良多L4上的算法概况能耐可能打组成处置妄想，为用户提供智驾体验
。尽管，需要的功能越低级 ，硬件的老本也越高 ，由于需要更多的传感器。以是老本也是凭证用户的市场的需要变更的。同样，假如功能越丰硕越重大，要应答的场景越多，那研发老本也会越大。

那奈何样来应答降本的需要呢？一个比力好的措施便是上量
。不论是硬件仍是软件，一旦实现大规模的运用
，老本就会飞腾。这个需要财富的自动，尽管也需要妄想可能规模化的铺开。

“车云一体化”的事实意思

何芳：提到财富协同 
，一个特意紧张的话题便是“车云一体化”。云合计越来越被看成是实现自动驾驶的关键决胜条件 ，“车云一体化”是否未来确凿定趋向 ？

钟学丹 ：从技术的演进上来讲 ，单车智能带来的价钱便是车上需要更强的算力平台以及感知的配置装备部署以及能耐。智能驾驶对于合计的要求
、数据的要求
，单车很难直接处置 。以是确定要借助云真个能耐。自动驾驶的研发，从一起头便是借助云真个平台的能耐去构建的 。对于大规模合计的需要 、算力的需要不太可能在一个算力平台实现。

何芳 ：从主机厂的角度来看，上云对于降本增效的实际价钱在哪？

梁锋华 ：“车云一体化”不是一个趋向而是一个形态 。随着一体化的深度不断加深，环抱着若何给用户提供更好的效率，好比短途诊断、短途操作 ，经由云的方式，不断提升用户体验；经由云端来构建算力中间，为数据的存储 ，数据的磨炼、模子的构建提供颇为关键的根基配置装备部署。

再进一步，随着云端发挥的熏染不断加深
，在开拓端发挥的熏染也会不断提升。从效率到工具再到开拓平台
，会增长财富相助从车云扩展到车路云 。

何芳：大模子在“车云一体化”这方面的运用 ，会对于车企概况自动驾驶降本增效带来甚么实际价钱？

邓志东：L2及L2++ NOA财富化的道路比力清晰，关键是L3以及L4真正实现大规模的财富化，需要家养智能的突破
，也便是说需要与大模子散漫  。需要端-边-云的架构，边缘很紧张
。惟独云的话仍是处置不了实时照应的下场。汽车是高速行动的，而且是对于清静性要求特意高的挪移载具，必需要实时感知 、实时反映、实时照应，以是边缘效率颇有需要 。

好比特斯拉FSD便是真正依靠大模子实现的，将所有的视频与导航数据记实下来
，而后用超算做超大规模的预磨炼。除了数据闭环这个维度
 ，第二个维度就看算力根基配置装备部署，特斯拉很早就有自主车载芯片研发了，不光做FSD芯片 ，而且还做Dojo超算。在数据 、AI算力、视觉大模子方面，中国企业差距黑白常清晰的，才适才起步 。

L3赛道是一其中国妄想的赛道。那末L4的部份就要先看一看FSD V12了，假如FSD V12这种残缺的端到端真乐成了，汽车智能化财富就会爆发很大的修正 。

钟学丹：从邓教师提到的多少个点来看，智能驾驶数据规模急剧缩短，特意像大模子的合计，腾讯也宣告了HCC的超算合计集群 。

一方面是算力  ，另一方面是集群通讯的带宽。之后做到业界最高，抵达了3.22Tbps的带宽的水平。同时算力功能比原本提升了三倍 。尚有便是数据 ，针对于大规模以及相同性子的数据宣告了向量数据库 ，带来有十倍以上的功能提升 ，而且老本也会有数目级的着落。在磨炼平台方面，腾讯会有一个磨炼平台做特意、专项的优化
。在磨炼功能等方面都有比力大的功能提升。

这些当初只是起步 ，还在不断演进 ，特意是运用到智能驾驶的场景以及需要上比此外一些通用的概况垂类大模子的挑战以及难度会更高 ，还需要跟财富的各个关键共创 。

李衡宇
：从智能驾驶角度 ，车云始终是一体的
。小马智行在算法迭代上、智能驾驶的技术的研发上 ，很大水平上患上益于根基架构方面的贡献以及对于数据的高效运用，好比自研工具链
、仿真平台。尽管更根基的能耐来自相似腾讯云效率商的产物 。惟独云以及根基架构的能耐的提升，能耐带来算法能耐的提升以及产物体验的提升，车以及云做作是一体的。

大模子上车带来的新思考

何芳 ：列位在大模子的运用上做了哪些试验 ，未来有哪些妄想 ？

钟学丹 ：从前巨匠还没那末看重大模子 ，但ChatGPT进去之后，全部行业特意火爆。从汽车规模来看，除了语音交互，经由大模子对于汽车行业的知识的学习，提升汽车破费制作、研发，搜罗在自动驾驶规模 、智能客服等方面发挥熏染 。

梁锋华：大模子有可能在智能交互等名目即将落地，体验度会有颇为大的提升；在智能驾驶方面，经由大模子可能处置自动化标注、在仿真场景天生Corner case等下场 。

跟汽车智能驾驶相散漫的大模子还需要比力长的探究历程，好比端到端大模子还存在下场，可批注性 、实际下场
、工程化可实施性要一起克制。总体来说 ，大模子在智能驾驶上的运用远景广漠，可是尚有良多下场需要克制。

李衡宇：大模子的技术对于智能驾驶是一个利好 ，可能帮咱们提升智能驾驶下场 。回顾历史
，自动驾驶行业的崛起，其中一个重大的增长力以及条件便是深度学习的泛起。新的措施，新的破费工具，不论是在感知规模 ，仍是在妄想操作规模，都在运用这样的措施并已经取患了很好的下场 。

何芳
：随着BEV + Transformer成为主流的妄想，大模子的运用会对于云平台的能耐搭建提出一些甚么样的新的需要 ？

钟学丹：除了根基的技术能耐以及工具链、合计平台，在数据的处置方面可能带来新的话题
。以前自动驾驶会比力依赖高精概况根基的一些数据 。但在运用一些新技术时 ，巨匠正在用一些感知的能耐散漫轻量化舆图来处置下场 。腾讯在舆图效率以及这些能耐上，也有良多蕴藏以及数据破费的能耐。去年腾讯将SD舆图
，ADAS舆图以及HD舆图实现三图合一，把车端实时感知归来的数据跟云端图的数据做融会合。

何芳：钟总又引出了一个话题，如今主流道路彷佛是轻舆图重感知，未来睁开趋向中，舆图的数据价钱真的是越来越小吗
？

梁锋华 ：所有技术道路的源头都要回到用户
，中间便是若何更高效地给用户提供体验以及效率。舆图以及感知轻重关连的下场不理当相对于化，未来会做到比力适宜的搭配。舆图的优势是提供一些先验性的信息 ，但之后传统的高精度舆图无奈残缺知足智能驾驶的需要，咱们需要对于舆图的形态重新审阅以及界说 。若何提升舆图的鲜度，若何让舆图的老本大幅度飞腾，同时还能给用户提供更好的体验，是需要思考的下场。

李衡宇 ：两者不是统一的。舆图的运用是要看处置妄想要处置甚么下场，实际上是一个功能以及老本、清静之间的一个协调以及退让。

假如能大规模 、低老本的取患上高精度舆图 ，所有人都市用。但事实简直是不可能的 ，以是产物上就要飞腾对于舆图的依赖，这黑白常事实的一个抉择。随着感知能耐的后退可能进一步飞腾对于高精舆图的需要 
。以是轻舆图也好，重舆图也好 ，会随着光阴的变更而变更 ，这些仍是要从运用途景以及产物动身 。

智能驾驶商业化的中国妄想

何芳  ：回到最后的话题 ，从“车云一体化”到大模子，列位以为智能驾驶大规模商业化的中国妄想是甚么？

邓志东：L3是真正的中国妄想，单车智能加之智能路网 ，属于车云一体，这是组成中国优势的紧张方面 。假如智能路网根基配置装备部署可能构建起来
，对于大模子在自动驾驶中的运用是一个紧张利好 。假如美全是拼单车智能 、拼车载算力，咱们不用定能做到技术争先
 、财富落地。

钟学丹：确定不是某个企业的一个妄想就能处置所有的商业化道路的下场。商业化自己是需要找到一条公平的验证道路
 ，最终用户用患上起、用的好；对于企业而言，做一些投入以及产出时能取患上公平的商业酬谢。这需要财富链以及生态配合增长 ，致使需要纪律以及政策的反对于 ，搜罗一些都市试验场景的铺开。

在这些反对于下，咱们反而可能有些走在争先的位置。明天谈到车云一体 ，腾讯是一家用数字化技术助力主机厂在智能化、在数字化发力的助力者，优势更概况是在云真个大规模合计能耐、AI能耐以及对于数据的清晰以及处置能耐  ，愿望在这些历程中，经由这些技术与自动驾驶公司、主机厂一起组成能减速智能化技术妨碍的实力。同时散漫财富的 ，配合追寻一种更公平化的商业道路，成为很好的助力者以及共创者。

梁锋华：我以为有三个方面  ：

第一个可能叫新的技术机缘
。大模子便是一个颇为宜技术机缘，能不能在新的技术机缘睁开的历程之中占有制高点黑白常关键的一个方面 ，需要行业 ，特意整车厂 、互联网公司短缺发挥各自的优势 ，减速大模子自己的研发、迭代以及降级。概况大模子不是中国最先提进去 ，可是假如你能占有制高点 ，那便是中国妄想，而且是一个可能面向全天下的中国妄想 。

第二个叫新基建。智慧的车加智慧的路，中国在这个方面可能减速睁开。

第三个叫中国场景。中国的场景有良多特意之处，可能更好地处置中国场景，我感应也是中国妄想的机缘。

李衡宇：从自动驾驶卡车物流角度来看，自动驾驶卡车在中国的大规模的落地需要至少三个倾向的自动——技术、场景以及的车辆 ，需要自动驾驶公司、主机厂以及市场三方协力；尚有一个紧张的方面便是法律纪律以及政策的突破 。三方的自动以及政策纪律的增长，财富的配合的后退，才有可能实智能驾驶大规模的运用以及商业化的实现 。