蔚来因为企业文化和宣传调性的原因，日常不太喜欢分享自己在智能化上的一些成果和数据。 很多人都知道蔚来有4 Orin ADAM中央计算平台，群体智能和全域NOP，但对现阶段的智驾思考和平台化能力了解不多。 近期随着蔚来智驾团队组织调整，研发力量全面转型和切换端到端。任少卿离职的谣言也不攻自破。 CICV 2024上，蔚来AI平台负责人、资深研发总监白宇利分享了关于自动驾驶大规模应用的内容，并解读了蔚来智驾对于 AI 技术应用 以下是演讲分享的主要内容： 自动驾驶大规模应用的挑战包括使用规模和功能规模，使用规模涉及用户量、覆盖区域、里程数和支持车型， 自2022年自研智驾以来，NT2平台用户从8万增至30万人，验证道路里程达140万公里。 功能规模涉及数据规模、算力需求、研发子任务复杂程度和验证评测体系。 蔚来在计算、数据和成本三个层面采取了以下方法应对挑战： - 在计算层面，蔚来建立了高性能计算平台，支持每天数百万次任务请求，1.5万个节点并发。 蔚来开发了EFLOPS量级分布式计算集群，自研高速分布式缓存系统，容量达10PB。 通过高效合理的调度系统，利用异构调度、任务拆分和动态负载均衡优化资源利用。 - 在数据层面，蔚来将数据分类为训练数据、验证数据和反馈数据，重点提升数据供给的有效性。 蔚来建立了“群体智能”解决方案，通过影子模式在实车上快速验证算法。 通过算法和规则筛选反馈数据，压缩后上传云端进行World Model(世界模型)训练。 - 在成本层面，蔚来建立了边缘计算能力，车云算力联合调度，整体端云算力达到 260 亿E-OPS。 蔚来设计了混合云机制，部署多个云节点，实现峰值弹性扩展，控制波峰波谷在10%以内。 关于端到端模式，白宇利认为，端到端模式并非灵丹妙药，需要满足多个条件： - 数据验证体系的自动化率要高； - 模型要就绪，感知和规控全面模型化； - 驾驶方案需有图/无图完整切换，实现数据驱动研发迭代； - 至少需万卡级的算力集群，确保训练有效率和恢复时间。 在数据量和算力足够大的情况下，端到端模型联合优化可以提升智驾算法功能和体验上限。 但工程效率和质量必须提高，否则端到端带来的优势将被低效的工程效率掩盖。