地平线余凯！到2025年，上将的高速公路、NOA的自动驾驶汽车应该尽可能顺畅、性价比合理

【报告】2025年3月31日，中国电动汽车百人会主办，清华大学中国汽车工程学会、中国汽车工程学会、由行业协会、中国汽车技术研究中心、中国汽车工程研究院共同主办的中国电动汽车100强论坛（）在京开幕。

在4月1日的高层论坛上，地平线CEO余凯表示，大家不要对自动驾驶过于焦虑，因为这个行业发展并没有那么快。

今年我们真正需要做的，是让高速自动驾驶具有合理的性价比。

NOA在环线上的封闭道路自动驾驶应该会顺畅如丝，而且价格应该不会太贵。

真正让NOA进入城市需要相当多的时间和精力。

以下为地平线创始人CEO余凯讲话实录： 尊敬的万钢主席、尊敬的庆泰董事长、尊敬的苗部长、各位来宾、亲爱的朋友们，大家下午好！今天我想分享一下地平线对于自动驾驶、现状和未来的测算，特别是从用户价值的角度，分享一些对未来相对理性、冷静的思考，同时又不失张力和想象力。

首先分享一个当前的热门话题，无疑就是ChatGPT的快速发展。

然而，另一方面，自动驾驶的发展似乎并没有那么快。

为什么？第二，分享一下地平线在技术、产品、商业、生态方面的最新进展，特别是去年参加百人委员会年会以来我们这一年所做的工作。

第三，我想分享一下我对未来的展望，这纯粹是我个人对未来的想法。

毫无疑问，ChatGPT可以说是人工智能史上最伟大的进步。

我在人工智能领域工作了27年，其中很多内容都包括语言模型。

我以前也这么做过，但今天我取得了这样的进步。

可以说，超越图灵测试已经不再是问题，没有人怀疑。

但另一方面，自动驾驶还没有到来。

然而，我们看到这两个问题的实际挑战是完全不同的。

如果说ChatGPT，就像李想刚才也说的那样，它将取代并增强白领工作。

不过这个工作本身的容错率其实还是比较高的，比如百人会上让我写一篇演讲稿。

我可能会提几个关键点，但基本上我可以把它们全部写出来。

可能并不完美，因为我可以在此基础上修改。

自动驾驶则不同，尤其是无人驾驶。

容错率可能为零。

这是生死攸关的事情，因此用户对其抱有很高的期望。

我们再谈谈计算。

对于 OpenAI 和 ChatGPT，计算是在云端完成的。

你可以想象一下，在云端，有充足的能源供应、电力供应，还有非常好的系统。

不过，汽车要靠电池，那就要看电池了。

就是汽车的散热，所以这个挑战也是非常大的，也就是说自动驾驶不能用这么大的模型，这么大的计算量。

所以我们可以看到L4或者RoboTaxi的商业化，无论是Google、Waymo还是Cruise，都在推迟，包括最近的裁员。

比如我们也看到福特和大众投资的Argo AI去年也倒闭了。

福特现在正在建立一家辅助驾驶公司。

大众去年也有幸投资了Horizo??n，他们与Horizo??n一起从事量产和辅助驾驶软件。

、硬件系统技术创新。

行业似乎正在回归平静，商业价值、商业本质、用户价值。

我们先来看看什么是用户价值。

当前用户的驾驶需求真的是无人驾驶吗？我们目前的调查数据显示，87%的用户真正想要的是驾驶过程中的放松感，消除紧张和疲劳。

例如，在北京，每天上下班通常单程需要一个小时。

如果你集中一个小时，你连微信都看不下去。

这本身就是反人类的。

人们生来就需要同时处理多项任务，并且生来就容易分心。

就是注意力不集中，包括我去年从山东回北京的一次经历。

当时因为疫情防控，基本排了5个小时。

当时我坐的是理想ONE，堵车。

脚不需要一直踩，很轻松，所以这五个小时其实和之前无辅助驾驶的体验是不一样的。

其实，没有必要真正实现无人驾驶。

自高级辅助驾驶诞生以来，我们一直在为用户创造价值。

尤其是像我们今天反复讲的，智能电动车其实给了我们这个行业变道超车的机会，但是如果你看看消费者为什么不承认中国燃油车在燃油车时代可以做高端品牌但是今天智能电动车是可以接受的，因为大家认为消费者普遍接受，就是我们高端的国产智能电动车在智能电动化方面已经达到了全球领先，特别是自动驾驶，已经成为一个非常重要的目标。

买车时的考虑。

我们看看我们的行业是如何应对这样的消费者需求的？可以看到，日本和欧洲实际的辅助驾驶，如果用专业术语来说，主要是L1和L2，主要是安全法规AEB驱动或者LCC驱动，主要是车道保持、紧急制动等安全功能驱动。

。

但在中国则完全不同。

中国的安全是及格标准，要求AEB相当于做好，但实际上更多的是用户体验和用户价值驱动。

因此，去年中国的L2+高速路，包括环线高架桥，不仅有前视摄像头，还包括环视和环视。

摄像头大概有10多个，包括毫米波、雷达等配置。

去年开始量产。

今年可能是L2+高速NOA量产元年。

目前的行业，据我所知，什么是顶级水平？基本上每100公里就可以接管一次。

比如，前几天有股东告诉我，他们单位的一个年轻同学开车去张家口滑雪。

当然，他乘坐的汽车搭载了我们的征途5芯片。

整个行程在高速公路上行驶了数公里，没有发生任何情况。

这个小女孩很高兴，觉得我们投资地平线是投对了公司。

但没想到她会太过乐观。

回来后，她下了高速公路，继续自动驾驶。

结果，她遭遇了一场事故。

今年，我相信包括蔚小力在内的领先车企都会针对城市推出NOA，现在叫L2++。

不过，我认为这件事还存在技术挑战，至少需要三年的研发才能取得良好进展。

，现在基本上每20-30公里就要接管一次。

这里有很多汽车公司的老板。

我想跟大家分享的是，不要对自动驾驶过于焦虑，因为这个行业发展得没有那么快。

我认为从现在到明年我们真正需要做的是实现合理的性价比。

我们可以让高速行驶、环路行驶等封闭道路上的自动驾驶变得顺畅如丝，但价格应该不会太贵。

同时，我认为要真正让市区驾驶可用，还需要相当的时间和精力。

这是我的意见。

对了，现在的消费者，包括我刚才认识的一位媒体朋友也表示，自动驾驶似乎并没有想象中那么顺利。

比如我们可以看到自动驾驶的配置，假设算力从几十TB到一千T，其实它带来的用户体验和价值相差并不大。

这到底是怎么回事？例如，我会尝试用工程师的语言向您解释。

横轴是我用对数坐标绘制它的计算能力，纵轴是它能给用户带来什么价值。

几T到10T的范围基本上就是前置摄像头的感知，就是典型的L1和L2。

一级和二级辅助驾驶。

然而，从几十Terabytes到几百Terabytes甚至到上千Terabytes，你会发现目前的实现都是高速传输。

高速传输和高速传输的区别并不算太大，还有很多工作可以做。

该虚线代表计算能力。

假设我们的算法很完美，假设我们的数据足够，假设我们的工程足够好，那其实就是我们能为用户带来的价值的上限。

所以我们要做的就是在给定算力的基础上不断优化软件和算法，用更多的数据不断逼近上限。

我相信几年后，我们就会达到这个水平。

我估计几百TB在城市地区就可以做好，但要在更广阔的区域真正实现自动驾驶，恐怕需要一千TB以上的算力。

关于地平线，我们在过去的一年里业务不断取得进展，包括现在已经量产了50多个车型，现在预装了多个车型，出货了近万颗车规级自动驾驶芯片，其中征途5芯片现在已经成为业界已经量产并超过T算力的两款芯片之一，而且我们还拿下了标杆车企、理想汽车的一系列标杆车型和量产项目，比如L8、L7交付从去年11月开始，去年我们有幸与合资品牌大众进行了重量级的战略合作。

相信未来我们会突破更多的国际品牌。

这是我前几天看到的高工智能的研究数据。

去年因为是L2+高级辅助驾驶量产元年，所以我们市场份额排名第一，达到了49%的市场份额，特别是Horizo??n Two公司，NVIDIA和Nvidia，占据了整个市场的95% 。

因此，地平线作为一家成立不到8年的初创公司，目前进展良好。

我们也非常感谢包括车企在内的全行业合作伙伴对地平线的信任和支持。

实现这样的商业进步，背后其实有很多看不见的方面，包括技术、安全、创新、流程、体系、质量。

例如，我想向您展示我们在这里所做的事情。

这个感觉，在整个芯片流程的安全认证、架构认证，包括我们工具链的功能安全认证、信息安全、网络安全，我们都获得了全球最顶级的安全认证。

可以说，地平线征程5芯片是符合行业标准的。

产品按照最高级别的安全标准设计。

同时，如果没有对人工智能软件算法的深入理解和了解，你就不可能设计出高效的人工智能计算芯片。

这是一个结果。

我们在 2019 年 Google Waymo 首届自动驾驶算法竞赛中获胜。

共有来自世界各地的团队参加，总共 5 个比赛项目。

我们在四届比赛中获得全球冠军，在第五届比赛中获得第二名。

事实上，我们并没有松懈。

就在上周，在全球顶级人工智能计算机视觉CDPR会议上，我们作为第一作者提出了一个基于Transformer的端到端自动算法框架。

该论文在提交的论文中被选中。

我们评选出了TOP12最佳候选论文，这也是我们在软件算法方面持续的前瞻性研发。

本文首次在简单的架构中从前到后使用神经网络端到端地完成检测、跟踪、预测、建图和轨迹预测。

传统的做法是把它分成很多模块来独立完成。

这使得我们可以像ChatGPT一样使用端到端的大规模数据来训练整个自动驾驶系统。

基于这种对算法的理解，我们将算法的前瞻性研究注入到芯片架构的设计和研发中。

这是Horizo??n的底层。

我们称之为 BPU（大脑、处理单元）。

我们为此注册了一个商标，希望创造出像未来像GPU这样的世界级计算架构，叫做BPU。

BPU主要面向高级别自动驾驶，其中我们重点研究如何优化最新深度神经网络算法的计算。

例如，在Journey 5芯片中，我们有第三代BPU架构，称为贝叶斯架构。

该架构有一个特点，就是高效支持Transformer计算。

比如我们提出了Swin Transformer，并获得了当年计算机视觉领域的最高奖项Malr 奖。

Transformer图像识别算法，与竞品计算芯片相比，我们用更低的功耗完成更高效的计算。

比如DETR中的另一个Transformer算法，我们也取得了业界最好的FPS计算效率。

下一步是什么？事实上，ChatGPT最近给了我们很多启发。

我们必须继续使用大数据、更大的数据、更大的模型、无监督的尝试来学习人类驾驶，就像你从大量无监督的、无标签的自然文本中学习一样，因为每个驾驶员的序列驾驶控制就像我们的自然语言文本，那么什么是语言模型呢？也就是说，给定文本的历史，我预测下一个单词的概率。

换句话说，给定当前的交通环境、导航地图以及驾驶员的驾驶行为历史记录，我该如何预测呢？下一个驾驶动作。

这可以从大量不需要标记的无监督行为中了解到。

构建自动驾驶回归的大语言模型是我们接下来要做的。

同时我们可以看到，过去连续的实验数据表明，随着我们不断增加模型的参数规模，整个预测的实际测试损失会不断降低。

也就是说参数越多，系统就越智能。

正如你在ChatGPT中看到的，我刚才提到GPT-3有大约1亿个参数，GPT-4有近1万亿个参数。

我们的人脑有数万亿个参数。

众所周知，猫和狗大脑中的参数数量为3亿个。

从3亿个参数到人脑的神经元，因为每个神经元都有一个过程，所以大约有数万亿个参数。

参数的大小决定了智力的高低，并没有神秘的魔力，所以人类之所以如此聪明，是因为我们的大脑容量确实很大。

那么下一代计算架构是什么？我们需要为Transformer构建一个面向大参数的统一计算架构。

特别是如何计算这个架构上的效率和功耗。

我们会发现，当参数规模增大时，实际计算可能并不是最高效的。

消耗电力的地方是数据存储和数据IEO。

这里我们需要构建一个三级的分层存储架构来优化大参数下的带宽瓶颈，从而提高真正的计算性能。

在车辆功耗下，有可以容纳Transformer大参数的计算。

去年百人论坛上，我首次提出Horizo??n应该打造比开放更开放的商业模式。

也就是说，我们不仅为OEM提供黑盒芯片或软件，还帮助OEM客户实现他们的梦想。

因为很多整车厂都梦想成为苹果、特斯拉。

比如，李斌什么事情都要自己做。

我想很多汽车厂商都是这样，所以我们帮助这些汽车厂商打造自己的芯片。

我们创建了ARM+Android的商业模式。

该提案于去年首次提出。

去年，我们已经锁定了一家整车厂，并正在与另一家整车厂进行谈判。

顺便说一句，最后一件事，每个汽车制造商都必须认真考虑打造自己的自动驾驶芯片的事情，因为第一是研发方面的巨大资金和成本投入，第二是如何继续保持竞争力，所以自研和他山之石本身就是一种战略选择。

我的基本建议是，如果你的销量预计低于1万辆，这个资本的整体效率就不计入了。

同时，Horizo??n致力于构建软件生态系统。

众所周知，NVIDIA之所以伟大、成功，其实是因为它基于其CUDA打造了一个无边且丰富的软件生态系统。

去年以来，地平线还致力于打造智能驾驶和机器人计算的软件生态系统。

生态建设团队走遍了中国各地，汇聚了我们所有投入自动驾驶研发的软件公司，以及机器人研发的大大小小的公司。

我们走遍了所有的创业小公司，相当于做了统战工作。

现在你看，在业内知名的自动驾驶公司中，无论是像我们这里展示的青州，基于单颗征程5芯片的解决方案已经拿下了一个车厂项目，包括小马、文远知行，几乎所有熟悉的自动驾驶软件公司实际上都在地平线芯片上开发了自己的软件解决方案。

这是全景图。

我们在软件厂商、硬件域控方面打造了完善的智能驾驶计算生态系统。

我们认为，如果不能构建基于中国自己的计算架构的软件生态系统，我们就无法掌握自动驾驶汽车，包括智能驾驶。

电动汽车创新举措。

最后，我们来谈谈一些可能的反共识观点。

十年末，刚才有位嘉宾谈到了L3和L4。

对此我可能比较悲观。

我认为即使是L3，十年也不会真正实现。

我记得我在负责百度自动驾驶项目时接受了记者采访。

我想未来人与车的关系可能就像人与马的关系一样。

如果马撞到了小孩或人，马就要承担责任。

还是骑手有责任？但是马可以自己开车，所以这是特斯拉的路线，也是现在量产汽车的路线。

如果让汽车制造商承担这个责任，那么这种创新就不可能实现，所有汽车制造商都将不复存在，也不敢再投入研发。

我想未来人与车的关系将会像人与马的关系一样。

当然，自动驾驶是可以做到的，人和车会配合。

但如果出了什么问题，我认为司机还是有责任的。

但在特殊道路上，比如自动驾驶汽车和云协同的特殊道路上，可以实现无人驾驶，但是有一个前提条件。

任何人都不允许在这种环境下开车。

所有汽车都必须参加这条特殊道路。

所有的道路都是自动驾驶的，我认为在这些条件下可以实现完全的自动驾驶。

最后分享一下上周我在朋友圈分享的一些事情。

我说在第一阶段，人类梦想着机器人为我们做很多事情，所以我们在训练机器，但没想到机器在训练过程中变得这么聪明。

那么刚才百度李振宇谈到了激励工程师。

他们实际上做的本质上是机器训练人，因为人必须找到阀门以及如何与机器沟通，以便机器可以写出你想要的演讲。

这个东西本身就是人跟着机器，包括抖音算法。

事实上，这些内容是不断推荐的，让用户一直浏览。

它是训练人类的机器。

这已经发生了。

但我很担心，随着目前人工智能的发展，机器的霸权将会形成。

表面上，人类对算法感到满意时感到非常高兴，但实际上却放弃了自己的思考。

这样的未来恐怕不是我愿意看到的。

到达的。

第四阶段是一些人的觉醒，比如我带领的地平线团队。

我们必须促进人类和机器在人工智能计算方面的平等权利。

我们不能允许单向透明，允许每个人的数据都交给机器，而机器却是一个黑匣子。

它是如何发展的？这对我们来说已经失控了。

我们应该做什么？即我们要推动未来的分布式、本地化、保护用户隐私的对人类透明、分布式的人工智能计算。

怎么做？今天我们都思考过这个问题。

例如，未来汽车实际上将成为分布式能源存储中心。

我认为未来数亿辆汽车将配备具有数千TB计算能力的芯片。

当他们停车时他们会做什么？我在百度的时候，如果是在内蒙古，我记得建了一个数据中心，有10000台服务器。

它被认为是一个非常大的服务器中心。

那里停着数亿辆汽车，每辆车都装载着数据。

拥有数千TB的计算能力，这是全球最大的计算资源池。

所以，未来我们肯定会提供它用于星上计算之外的其他计算。

因此，未来还有无限的可能。

计算机革命才刚刚开始。

在这方面，我和长安的王军老师确实对分布式计算思考了很多，所以我感觉这样的一步即将到来。

就这样。