近期，工信部发布的一纸A4监管文件令众多智能驾驶评测媒体感到困扰，他们之前制作的大量短视频不得不重新调整内容与表述。
最显著的变化是，若未达到L3级别，则必须将其称作辅助驾驶系统。此外，这也表明，一旦达到L3级别，便可以将其称为自动驾驶系统。
所以，当务之急是尽快进阶到L3，那么，到底该怎么实现呢？
鲁迅先生家后面有两棵树，一棵是枣树，另一棵也是枣树。
大模型技术的进步得益于算力、算法、数据三大关键要素，而智驾系统的升级同样离不开这三大要素的支持。
在最近一两年间，国内汽车制造商与智能驾驶技术提供商在提升计算能力方面展开了激烈的竞争，彼此争相超越，甚至不惜在言辞上展开一场关于谁更能夸大其词的军备竞赛。
因此，在众多人的观念中，所谓的算力主要是指那些用于支撑智能驾驶模型进行训练的远程服务器计算能力。
实际上，云端的AI算力范畴不仅涵盖训练能力，而且随着能够产出高品质、高逼真度的驾驶场景视频数据的世界级模型相继推出，云端推理算力的比重也在持续攀升。
此外，算力的范畴不仅涵盖了云端人工智能的算力，还涵盖了在车辆端实际部署的推理算力。
在云端AI算力方面，两年前，行业领先智能驾驶汽车企业的AI算力普遍仅为数百P FLOPS，而如今，这一数值已基本实现了一个数量级的飞跃。
商汤科技在24年3月份举办的电动汽车百人会上所提供的数据显示，蔚来汽车的AI算力达到了1400P，而理想汽车的AI算力为750P，小鹏汽车的AI算力则是600P。
截至目前，理想汽车的AI算力已提升至8E FLOPS，而小鹏汽车近期宣布已建成一个总算力高达10E FLOPS的万卡智算集群。
在车端算力方面，头部智能驾驶企业原先普遍采用的顶级配置为双颗Orin X 508芯片，其算力达到了508 TOPS。
今年，蔚来汽车已将神玑NX 9031实车投入使用，该芯片被誉为相当于四颗Orin。在搭载高级智能驾驶原生架构的蔚来ET9车型中，采用了两颗神玑芯片，其计算能力大约为2000TOPS。
小鹏汽车打算在第二季度开始大规模生产搭载三颗Orin芯片的图灵AI芯片，其L3级别的车型很可能模仿蔚来，采用两颗图灵AI芯片，其计算能力大约在1500TOPS上下。
理想汽车在本年度对AD Max进行了更新迭代，其计算平台已升级至英伟达最新推出的Thor U平台，该芯片的算力高达1000TOPS。由此可见，L3级别自动驾驶所需的车辆端算力门槛大约在1000TOPS左右。
总的来说，云端的算力实现了大幅度的扩充，而车载的算力也得到了显著的提升，这一切努力的目的都是为了加速推进智能驾驶系统的自动驾驶水平。
即便那些阅历丰富、心态平和的大师们敢于直言不讳，无所畏惧，然而互联网却保留着一切过往的痕迹。
在2024年3月的英伟达GTC年度盛会上，理想汽车提出了一个观点，指出要实现L3级别的端到端自动驾驶，必须依赖于大型模型，而L4级别的自动驾驶则需借助更大规模的模型技术。
英雄们的见解多有相似之处，何小鹏不久之后也迅速提出了相近的看法。然而，如今看来，他们或许需要对自身的判断进行一番调整。
理想汽车新近发布了25款升级版车型，这些车型配备的Thor-U智驾芯片，其算力看似略逊于小鹏的双图灵和蔚来的双神玑，然而，在性能上，或许并不输给它们，甚至可能更为出色。此外，这些车型还支持先进的下一代自动驾驶算法架构VLA。
理想汽车对外宣称其将在2025年达到L3级自动驾驶水平，同时，其推出的25款全新车型理想AD Max所配备的配置也值得关注。综合这两点，我们可以清楚地看出，只有采用大模型形式的VLA，才能真正实现L3级自动驾驶。
在自动驾驶技术领域，众多研究者仍将目光聚焦于去年备受瞩目的端到端算法，而对于端到端算法与大型模型之间的联系，似乎存在着一定的困惑。
总之，端到端主要描述的是算法的表现形态，而大模型所阐述的是算法的结构设计，这两者之间存在着形式与实质的关联。
换言之，我们所说的端到端主要涉及一个完整的架构模式，而大模型则是指这一模式的具体技术手段。
端到端技术标志着自动驾驶算法已从结合神经网络与规则代码的混合模式转变为纯神经网络模式，而大模型技术则见证了自动驾驶算法架构的演变，从原本仅针对智能驾驶场景的BEV+OCC+AI规划型的小规模模型，升级为拥有全球通用知识的生成型大规模模型。
车企们选定的首款生成式大模型为视觉语言模型VLM，这一模型拥有慢思考特性，能够增强系统在复杂环境中的处理能力；然而，VLM并不直接生成轨迹，导致其无法实现全程可导，进而使得智驾场景数据在反向传播过程中无法更新和优化模型参数。
随后，在克服了算力不足的问题后，行业领先的车载智能驾驶企业纷纷将原本的双系统算法结构进行了优化，升级为更为高效的单一系统VLA架构。
目前这个阶段，我们尚不能确定VLA是否是最终的自动驾驶算法体系结构，然而，至少我们可以确保其能够达到L3级别的自动驾驶功能。
数据在人工智能时代被比作石油，然而，这并不意味着所有数据都能被有效提取出价值。
如同世上众多个体仅是角色扮演者，众多数据的归宿最终亦不过是排队踏入数据之墓。
在智能驾驶数据方面，即便是普通人也能掌握驾驶技能，这一观点本身便暗示了大多数驾驶员的驾驶记录对于培养高级别的自动驾驶系统而言，价值相对有限。
随着自动驾驶算法步入端到端的框架模式，此类算法转变为一种接收输入、输出结果的深度神经网络。
唯有高质量且内容丰富的数据，才有可能促进自动驾驶算法性能的提升。
谈及数据，首先浮现在众人脑海中的必然是那些实车在各类驾驶环境中持续生成的真实数据。
这项测试主要考察的是汽车制造商在构建云端基础设施以及实现数据闭环方面的实力，这一过程涵盖了数据收集、保存、分析、标记、模型培育、模拟验证以及部署等多个环节。
若此类真实数据量庞大至无限，从理论上讲，它能够包括各式道路、各类光照、各种气候以及不同路面状况，以及各式交通方式。同时，它将提供配备丰富传感器、时间高度同步且保持一致性的综合数据。
但是，理想很丰满，现实很骨感。
一则在很多复杂场景下，理智的车主不会开启智驾功能。
此外，面对极端气候以及糟糕的道路状况，众多驾驶员往往选择放弃驾驶。
首先，交通事故的恶劣程度所引发的频率相当稀少；其次，由此产生的数据量不足以作为依据，来对自动驾驶系统进行针对极端情况的优化调整。
在这种情境下，一种能够重新构建道路结构、精确模拟车辆动力学的全球模型便应运而生。
一方面，这种技术能够以远低于实际车辆采集的费用，生成大量危险场景。
此外，它还能利用数据增强技术，创造出极端环境下的样本数据，从而有效增强模型的广泛适用性。
随着对世界模型真实性的不断提高，我们有望借助生成数据，有效攻克L3级及以上自动驾驶领域中的那些边缘问题。
工信部的文件似乎对智能辅助驾驶的进步实施了暂缓，然而深入分析，我们发现工信部实际上是在踩油门，目的是推动车企加快步伐，向着真正的L3级自动驾驶迈进。
