Nachricht

Quelle: Visual China

Scheinbar über Nacht wurde das autonome Fahren plötzlich populär.

Im Juli wurden Baidus selbstfahrende Taxis „Luobo Kuaipao“ in Wuhan weit verbreitet und sorgten fast täglich für Schlagzeilen.

Berichten zufolge übersteigt die Spitzenzahl der Luobo Kuaipao-Fahrten an einem einzigen Tag 20, was der durchschnittlichen täglichen Taxizahl entspricht, und das Fahrgasterlebnis ist besser und komfortabler. Laut Versicherungsdaten beträgt die Unfallrate von Carrot Run nur 1/14 der Unfallrate von Menschen. Es wurden mehr als 100 Millionen Kilometer sicher zurückgelegt, ohne dass es zu größeren Verlusten kam.

Auf der anderen Seite des Ozeans kündigte Musk auch an, dass es im August erscheinen wirdTeslaFür das erste selbstfahrende Taxi, Robotaxi (später auf Oktober verschoben), sagte er, dass Autobesitzer Robotaxi in ihrer Freizeit in das Vermietungsgeschäft einbinden können und die Kosten für den Autokauf innerhalb von zwei Jahren amortisiert werden könnten.

Zufälligerweise kündigte Google am 23. Juli auch an, eine neue Runde großer Investitionen in Höhe von 5 Milliarden US-Dollar in Waymo aufzunehmen, um „Waymos Status als weltweit führendes Unternehmen für autonomes Fahren aufrechtzuerhalten“. Sie müssen wissen, dass Microsoft nur 1 Milliarde US-Dollar dafür ausgegeben hat Die 5 Milliarden US-Dollar von OpenAI entsprechen in etwa der bisherigen Gesamtfinanzierung von Waymo.

Tatsächlich ist der heutige Ausbruch autonomer Autos kein Zufall. Aus Sicht der Branche waren die letzten drei Jahre auch die schnellsten drei Jahre für die Entwicklung der autonomen Fahrtechnologie, man kann fast von „Tausenden von Meilen pro Tag“ sprechen.

Gemessen an den aktuellen Fortschritten in China und den Vereinigten Staaten wird das autonome Fahren, wenn wir die Einschränkungen gesetzlicher Standards und Zeit außer Acht lassen, wahrscheinlich in den nächsten ein bis zwei Jahren vollständig kommerzialisiert und in den nächsten ein bis zwei Jahren vollständig kommerzialisiert 5-10 Jahre, wodurch eine fahrerlose Form realisiert wird, ähnlich der, die man in Science-Fiction-Filmen sieht.

Aus dieser Perspektive ist es zwar noch zu früh, über den „iPhone 4-Moment“ des autonomen Fahrens zu sprechen, aber die Einzigartigkeit der Ära des autonomen Fahrens ist tatsächlich angekommen.

Gleichzeitig ist dies auch ein Wettlauf gegen die Zeit: China und die USA sind die beiden Länder mit der weltweit größten Anzahl autonomer Fahrunternehmen, wer die Führung beim Durchlaufen und Aufbau entsprechender Industrieketten übernehmen kann, wird dies tun können die Möglichkeit, den Track zu definieren und ihn in anderen Ländern einzuführen. Die Fähigkeit des Landes, technologische Produkte zu exportieren.

Vor dem Hintergrund des technologischen Wettbewerbs zwischen China und den Vereinigten Staaten sei dies für beide Seiten ein „Kampf, den niemand verlieren darf“.

In diesem Artikel beginnen wir mit der Entwicklungsgeschichte des autonomen Fahrens und versuchen, über die zukünftigen Entwicklungstrends der Branche zu spekulieren. Lassen Sie uns zunächst einige vorläufige Schlussfolgerungen teilen:

1. Von hochpräzisen Karten über Lidar bis hin zu BEV: Alle Wege in der Entwicklung des autonomen Fahrens zielen darauf ab, „Autos dazu zu bringen, sich mehr wie Menschen zu verhalten“.

2. Die letzten drei Jahre waren auch die Jahre, in denen sich die autonome Fahrtechnologie am schnellsten entwickelt hat. Mit Blick auf die Zukunft ist es nur eine Frage der Zeit bevor es schließlich die endgültige End-to-End-Form erreicht.

3. Unabhängig davon, ob es sich um eine reine Sicht- oder Lidar-Route handelt, ist Millimeterwellenradar die beste Möglichkeit, die technischen Mängel beider Systeme auszugleichen. Da Millimeterwellenradar von 3D zu 4D hin zu bildgebendem Millimeterwellenradar übergeht, macht dies auch die zunehmende Genauigkeit möglich Der Kurs bietet die Möglichkeit, hochwertige Unternehmen zu gründen.

4. Die Implementierung und Kommerzialisierung des autonomen Fahrens könnte erst der Anfang sein. In Zukunft könnten weitere Strecken und Produkte (z. B. Roboter in verschiedenen Szenarien) ähnliche Geschichten wiederholen, nachdem genügend Daten gesammelt wurden.

5. Im Laufe der Geschichte gab es bei jeder Iteration von Technologierouten Möglichkeiten für eine Reihe von Start-up-Unternehmen, aufzusteigen, und ich glaube, dass dies dieses Mal keine Ausnahme sein wird.

Warum heißt es, dass die letzten drei Jahre die schnellsten drei Jahre für die Entwicklung des autonomen Fahrens waren?

Der anerkannte Ursprung des autonomen Fahrens liegt im Jahr 2004. Damals steckten die Vereinigten Staaten tief in den Kriegen in Afghanistan und im Irak. Sie brauchten dringend eine Reihe unbemannter Militärfahrzeuge, um die Verluste des US-Militärs zu reduzieren, aber die Forschung und Der Entwicklungsfortschritt war nie ideal.

Daraufhin hatte Tony Tesser, damals Direktor der US-amerikanischen Defense Advanced Research Projects Agency (DARPA), eine Laune und startete eine Herausforderung, in der er ankündigte, dass wer auch immer eine unbemannte Fahrmethode nutzen könne, um von Los Angeles nach Los Angeles zu fliegen Kommen Sie in 10 Stunden in Las Vegas an und gewinnen Sie einen Preis von 1 Million US-Dollar.

Dabei handelt es sich eigentlich um eine groß angelegte Ausschreibung des US-Militärs für Zivilisten. Der Veranstalter ging ursprünglich davon aus, dass sich nur wenige Personen beteiligen würden, doch unerwartet meldeten sich über 100 Teams. Leider konnte ihnen am Ende niemand das Preisgeld wegnehmen Das am weitesten entfernte teilnehmende Auto legte nur 12 Kilometer zurück, was etwa 5 % der gesamten Renndistanz entspricht.

(Bild: Neben Autos gab es auch selbstfahrende Motorräder...)

Aber DARPA gab nicht auf und veranstaltete von 2005 bis 2007 drei aufeinanderfolgende Autonomous Driving Challenges, an denen sich Forschungsteams zahlreicher Universitäten und Unternehmen beteiligten. Dadurch konnte auch Larry Page, einer der Gründer von Google, das Potenzial des autonomen Fahrens erkennen . Fahrpotenzial.

Im Jahr 2009 wurde auf Initiative von Page das selbstfahrende Projekt „Chauffeur“ von Google offiziell gestartet. Die beiden angeworbenen Kerningenieure (Anthony Levandowski und Sebastian Thrun) waren beide ehemalige DARPA-Mitarbeiter. Diese beiden wurden später auch die Gründer von Googles selbstfahrendem Projekt. Antriebseinheit.

Im Jahr 2014 brachte Google Firefly auf den Markt, das weltweit erste vollständig autonome Auto ohne Lenkrad und Gaspedal, was nicht nur die Automobilindustrie schockierte, sondern auch die Welt erstmals auf die Möglichkeit des autonomen Fahrens aufmerksam machte.

(Bild: Firefly, das von Google entwickelte selbstfahrende Auto der ersten Generation)

Unmittelbar danach begannen große Mengen an Risikokapital in den Bereich autonomes Fahren zu fließen: von Uber, Nvidia und Amazon bis hin zu Baidu, Didi, Huawei und dannBenz、BMW, allgemein,Honda, einschließlich neuer inländischer Automobilhersteller, haben begonnen, in die Forschung und Entwicklung des autonomen Fahrens zu investieren. Die meisten der heute bekannten Unternehmen für autonomes Fahren wurden zu dieser Zeit gegründet.

Zwei Jahre später war es schnell soweit: Für die autonome Fahrbranche war 2016 ein äußerst wichtiges Jahr – denn in diesem Jahr schloss sich Tesla offiziell dem Kampf an.

Es ist keine Übertreibung zu sagen:Nimmt man das Jahr 2016 als Trennlinie, ist die gesamte zweite Hälfte des autonomen Fahrens eine Geschichte des Gegenangriffs von Tesla vom Branchenverfolger zum Marktführer.Daher finde ich persönlich, dass man diesen Moment nicht zu sehr übertreiben kann.

Vor 2016 entschieden sich fast alle selbstfahrenden Unternehmen für die technischen Lösungen von Google:

1) Positionierung: unterstützte Positionierung mit hochpräzisen Karten;

2) Wahrnehmung: Verwenden Sie Lidar + Vision-Kamera, um Wahrnehmungsinformationen für Fahrzeuge bereitzustellen;

3) Regulierung und Kontrolle: Entscheidungsfindung und Kontrolle basierend auf regelbasierten Algorithmen.

Es ist nicht schwer herauszufinden, dass die zugrunde liegende Logik der Google-Lösung eine „gestapelte Rüstung“ ist„Etwas ist besser als nichts, mehr ist besser als weniger.“

Diese Denkschule geht davon aus, dass mit dem aktuellen Stand der Technik kein einzelner Sensor alle für das autonome Fahren erforderlichen Funktionen erfüllen oder alle Eckfälle abdecken kann. Daher ist es notwendig, alle Sensoren umfassend zu nutzen, um autonome Fahrentscheidungen zu treffen und unterschiedliche zuzuweisen Funktionen für verschiedene Sensoren; unter ihnen hat Lidar das höchste Gewicht, daher wird die Lösung dieser Gruppe auch genannt„LiDAR-Lösung“;Im Wesentlichen handelt es sich hierbei um eine hardwarebasierte technische Route.

Als Technologieunternehmen, das mit KI begann, legt Tesla Wert auf mehr Software. Beispielsweise war Musk der Meinung, dass der Lidar zu dieser Zeit zu teuer war und jeweils 80.000 US-Dollar kostete, weshalb er sich mehr auf die Entwicklung leistungsstarker visueller Algorithmen und dedizierter KI konzentrierte Chips versuchen, mit Hilfe von Kameras Modelle von umgebenden Objekten zu erstellen und Daten für Berechnungen in neuronale Netze einzuspeisen, die sich langsam weiterentwickeln„Rein visuelle Lösung“Dies ist ein softwareorientierter Technologiepfad.

In Musks eigenen Worten: „Menschen und Tiere haben alle Augen, kein Radar“, und das Schicksal begann sich zu drehen.

Zu dieser Zeit hatten die beiden technischen Wege ihre eigenen Vorzüge: Obwohl Lidar hohe Hardwarekosten verursachte, war es von Natur aus genau und verfügte über Tiefeninformationen (bis heute haben viele Ingenieure immer noch eine Schwäche für Lidar, während Kameras, obwohl billig, Mit begrenzten Fähigkeiten können wir nur versuchen, Informationen auf einer Seite eines Objekts in der zweidimensionalen Welt zu vergleichen. Die durch Berechnung und Transformation erhaltenen Informationen sind immer nicht so genau und intuitiv wie Informationen aus erster Hand.

Dies führte auch dazu, dass Tesla gleichzeitig ein eigenes Etikettierungsteam mit Tausenden von Mitarbeitern aufbaute, sodass viele Leute Musk damals befragten und sagten, dass Ihre Hardware zwar billiger sei, die Gesamtkosten jedoch nicht so gut seien wie bei Lidar.

Tatsächlich ist hier auch zu erkennen, dass das KI-Niveau des gesamten autonomen Fahrens zu dieser Zeit nahezu nicht vorhanden war (mit Ausnahme von Lidar, das über einige KI-Algorithmen verfügte).Es ist ein typisches „so viele künstliche Intelligenzen, wie es Intelligenzen gibt“.Wenn die Entwicklung der KI hier stoppt, wird Teslas reine Vision-Lösung höchstwahrscheinlich auf Engpässe stoßen.

Aber am Ende war es Google, das Tesla rettete:

Im Jahr 2019 veröffentlichte Google das berühmte Transformer-Papier (das auch die Grundlage für das nachfolgende große Modell bildete).

Obwohl Transformer ein neuronales Netzwerkmodell ist, das auf dem Aufmerksamkeitsmechanismus basiert, stellten die Tesla-Ingenieure schnell fest, dass Transformer nicht nur Sprachinformationen verarbeiten kann, sondern auch zur Verarbeitung von Bildinformationen verwendet werden kann.

Kurz gesagt: Transformer kann die von Teslas acht Kameras gesammelten Informationen in dasselbe Positionierungskoordinatensystem integrieren.Es ist gleichbedeutend damit, dem Auto eine „Gottesperspektive“ (d. h. BEV, „Vogelperspektive“) zu geben.Kann 3D-Informationen der Umgebung sehen.

(Bild: BEV-Technologie gibt Tesla eine „Gottesperspektive“)

Am KI-Tag im Jahr 2021 hat Tesla BEV auf den Markt gebracht und erfolgreich populär gemacht. Ab der zweiten Hälfte des Jahres 2022 haben auch inländische Akteure ihre Nachfolge angekündigt und nach und nach damit begonnen, BEV in das Auto einzubauen.

(Obwohl viele Technologien nicht ursprünglich von Tesla stammten, ist seine Fähigkeit, fortschrittliche Theorien aus modernster Forschung zu entwickeln und sie in die praktische Anwendung umzusetzen, definitiv auf kosmischer Ebene.)

Gleichzeitig hat Tesla auch damit begonnen, den Etikettierungsprozess so weit wie möglich zu automatisieren, um das Problem der zu hohen Kosten zu lösen.

Sein Prinzip ist ein bisschen wie das Spielen von Scharaden: Nachdem die Bordkamera ein Objekt (z. B. einen Baum) gesehen hat, lädt sie zunächst die Informationen in ein großes Modell in der Cloud hoch, und dann „errät“ das große Modell, was das Objekt ist? Wenn das geschätzte Ergebnis mit den 8 Sensordarstellungen übereinstimmt, wird der Baum automatisch beschriftet.

Auf diese Weise beseitigt Tesla die Einschränkungen der Arbeitskräfte. Solange das Fahrzeug kontinuierlich Straßeninformationen senden kann, kann es seinen eigenen Algorithmus unbegrenzt trainieren.

Bisher war die Leistung von Tesla erstaunlich, aber nur ein Jahr später unternahm Musk am AI Day zwei große Schritte. Der erste war die Einführung einer Raum-Zeit-Sequenz und der zweite die Einführung eines Belegungsnetzwerks.

Einfach gesagt,Ersteres ermöglicht es dem Auto, sich an die Zeit zu erinnern, während letzteres einen ähnlichen Effekt wie „Pseudo-Lidar“ erzielt.Dadurch, dass das Auto die räumliche Position berechnen und feststellen kann, ob eine Hindernisvermeidung erforderlich ist, ohne zu identifizieren, um welches Objekt es sich handelt, wird das bisherige Problem der „Kollision mit einem großen weißen LKW“ gelöst.

Bisher hat die visuelle Lösung unabhängig vom Pfad, aber hinsichtlich der Wirkung, im Wesentlichen die gleiche Wirkung erzielt wie die Radarlösung.BEV+Transformer erreichte erfolgreich die Pfadkonvergenz der Wahrnehmungstechnologie für autonomes Fahren und bildete das Grundgerüst des heutigen visuellen Wahrnehmungsalgorithmus.

(Bild: Die Belegung des Netzwerks erzielt einen ähnlichen Effekt wie „Pseudo-Lidar“)

Im Hinblick auf den allgemeinen Trend gilt daher:Der Entwicklungsweg des autonomen Fahrens ist eigentlich ganz klar: Der Zweck besteht darin, dass sich das Auto mehr wie ein Mensch verhält.Lassen Sie die KI anhand der Ereignisse in der Vergangenheit vorhersagen, was in der Zukunft passieren wird.

Aus dieser Perspektive waren die letzten drei Jahre tatsächlich die Jahre, in denen sich die autonome Fahrtechnologie am schnellsten entwickelte, und die KI hat nach und nach starke Upgrade- und Iterationsfähigkeiten beim autonomen Fahren gezeigt. Allerdings wussten die meisten einfachen Leute zu dieser Zeit nicht viel darüber und dachten nicht darüber nach dass es beim autonomen Fahren kaum Fortschritte gibt.

Was der Öffentlichkeit wirklich klar gemacht hat, dass KI einen revolutionären Einfluss auf die Branche des autonomen Fahrens haben wird, sind mehrere Dinge, die im Jahr 2023 passiert sind:

·Musk erwähnte zum ersten Mal auf sozialen Plattformen, dass „v12 für den Fall reserviert ist, dass FSD End-to-End-KI ist“, wodurch End-to-End in den Fokus der Öffentlichkeit gerückt wird (Nvidia schlug es 2016 vor, hatte aber wenig Einfluss) und unzählige Menschen freuen sich schon auf die Veröffentlichung von v12;

·Zum ersten Mal in den letzten zehn Jahren verlieh CVPR die beste Arbeit an ein chinesisches Team und lobte dessen Beitrag zur Verwirklichung des durchgängigen autonomen Fahrens.

·Musk hat eine 45-minütige Live-Übertragung in einem Model S mit der Beta-Version v12 durchgeführt und während des gesamten Prozesses nur einmal eingegriffen. Man kann sagen, dass die Wirkung sehr gut ist.

Es muss jedoch klargestellt werden, dass es derzeit keine direkten Beweise dafür gibt, dass der von Tesla gezeigte v12 eine vollständige End-to-End-Leistung erreicht hat. Die Wirkung seines Displays ist jedoch tatsächlich erstaunlich und sein Intelligenzniveau ist grundsätzlich vergleichbar dem von erfahrenen menschlichen Fahrern.

Wenn das automatische Fahrsystem nach traditionellem Verständnis in Wahrnehmung, Planung und Steuerung unterteilt ist,Was große OEMs derzeit vor allem nutzen, um ihre Stärken zur Schau zu stellen, sind modulare End-to-End-Module mit teilweisen AI+-Grundregeleinschränkungen.

Da jedes Modul eine vom Menschen definierte Schnittstelle erfordert, gehen dabei einige Informationen verloren. Je mehr Module, desto mehr Informationen gehen daher in Zukunft verloren. Große Hersteller müssen noch herausfinden, wie sie alle Module in einem Modell vereinen können wie man alle Module in einem Modell vereinheitlicht. Es muss weiter hart gearbeitet werden.

Aus den von uns gesammelten Informationen geht jedoch hervor, dass die aktuelle Entwicklungsgeschwindigkeit von Technologie und Ingenieurwesen so hoch ist.Es ist nur eine Frage der Zeit, bis das autonome Fahren endlich flächendeckend realisiert wird. Dafür sind meiner relativ konservativen Prognose zufolge noch ca. 3-5 Jahre Aufbauzeit nötig.

Zu diesem Zeitpunkt kann das Fahrzeug Fahrentscheidungen in einem „Black-Box“-Zustand basierend auf in Echtzeit gesammelten Straßeninformationen treffen und Steuersignale wie Bremsen und Lenken direkt ausgeben, wodurch die ultimative Form des fahrerlosen Fahrens ähnlich der in Science-Fiction erreicht wird Filme.

(Bild: Fünf Entwicklungsstufen des autonomen Fahrens, Quelle: Xianfeng Evergreen)

Risikokapitalmöglichkeiten durch die Iteration des autonomen Fahrens

Die Gründe sind sehr komplex. Hier sind nur drei Schlüsselelemente, die meiner Meinung nach diskutiert werden:

Erstens sind die Daten relativ umfangreich.

Wie wir alle wissen, ist „Reisen“ eine hochfrequente Nachfrage. Die inländische autonome Fahrbranche begann um 2015 zu wachsen, und seit heute sind die von OEMs und Smart-Driving-Unternehmen gesammelten Daten bereits fast 10 Jahre her. Unabhängig von der Qualität ist es zumindest insgesamt reich genug, was die Grundvoraussetzungen für die spätere Realisierung eines Daten-Closed-Loops schafft.

Zweitens ist die Funktionsdefinition relativ klar und klar.

Ehrlich gesagt ist die Entwicklungsrichtung vieler Produkte tatsächlich unklar, obwohl das Konzept dieser KI-Welle sehr heiß ist.

Wenn es um humanoide Roboter geht, haben viele Unternehmen beispielsweise nur Prototypen hergestellt, die auf Ausstellungen vorgeführt werden können. In tatsächlichen Industrieszenarien ist jedoch für die vorgelagerte Technologieseite nicht klar, welche Probleme diese Roboter in welchem ​​Umfang lösen können Sie können es erreichen.

Da nachgelagerte Fabriken KI nicht verstehen, wissen sie oft nicht, welche Funktionen diese Roboter leisten können und ob sie mit anderen Technologien kombiniert werden können. Es wird lange dauern, bis beide Parteien ihr Verständnis verbessern.

Beim fahrerlosen Fahren besteht dieses Problem jedoch nicht, da die KI nur die Grundverhaltensweisen aller Fahrszenarien abdecken kann Die Anforderungen sind einfach und klar.

Um fortschrittliche Technologie in benutzerfreundliche Produkte umzuwandeln, sind daher auch eine klare Funktionsdefinition und Standardaufteilung wesentliche Faktoren.

Drittens ist die Hardwarebasis relativ ausgereift.

Ob es sich um Laser-, Kamera-, Millimeterwellen- und andere Sensorlösungen oder verschiedene Chips zur Signalübertragung und -verarbeitung handelt, nach 10 Jahren vollständiger „Involution“ sind sie im Grunde in die Phase hoher Kostenleistung + stabiler Versorgung eingetreten.

Daher war das autonome Fahren im spiralförmigen Prozess von Daten, Hardware und Technologie das erste, das den Gleichgewichtspunkt zwischen Preis und Erfahrung erreichte und bald neue Produktivität hervorbrachte.

Wenn wir dieser Logik also noch einen Schritt weiter folgen, ist autonomes Fahren wahrscheinlich erst der Anfang, und ähnliche Geschichten könnten sich in Zukunft auf weiteren Strecken wiederholen.

Die Voraussetzung ist natürlich, dass es in diesem Bereich einige Unternehmen geben muss, die weiterhin große Datenmengen zu geringen Kosten sammeln können (ähnlich wie Unternehmen wie Didi, Baidu und Tesla im Bereich autonomes Fahren), anstatt sich nur auf einige zu verlassen verstreute kleine Daten, die uns als Grundlage für die Beurteilung dienen können, ob eine bestimmte Branche einen ähnlichen Wendepunkt erlebt hat.

Aus einer anderen Perspektive könnte es mit dem Aufkommen dieser Welle großer Modelle in Zukunft in vielen unterteilten Bereichen systematische Investitionsmöglichkeiten geben, die durch KI automatisiert werden können, aber noch nicht von großen Unternehmen (z. B. der Tieflandwirtschaft) genutzt werden und industrielle Fertigung) lauern börsennotierte Technologieunternehmen im Wert von mehreren zehn Milliarden oder sogar Hunderten von Milliarden, die ebenfalls die Aufmerksamkeit von Investoren verdienen.

Was kann man sonst noch in autonomes Fahren investieren?Wir sind nur ein wenig auseinandergegangen, jetzt lasst uns unsere Gedanken zurückbringen und über das autonome Fahren selbst sprechen. Tatsächlich besteht im Laufe der Geschichte mit jeder Weiterentwicklung der autonomen Fahrtechnologie eine Chance für eine Reihe von Start-up-Unternehmen, sich zu entwickeln.

Zum Beispiel war die gängige Lösung in der Google-Ära Lidar + Kamera + hochpräzise Karte, aber heute werden hochpräzise Karten immer seltener in Personenkraftwagen verwendet und nicht einmal mehr erwähnt (denken Sie darüber nach, es war nur so). vor zwei Jahren) egal).

Denn damals lagen die Kosten allein für ein Kartensammelfahrzeug im Millionenbereich. Um eine größtmögliche Echtzeitleistung zu gewährleisten, müssen täglich mindestens Hunderte von Fahrzeugen gleichzeitig unterwegs sein Die Erfassung und Aktualisierung nationaler Karten in Echtzeit war für niemanden möglich. Weder Automobilhersteller noch Kartenverkäufer können sich das leisten.

Das Ergebnis ist, dass die industriellen Chancen endlich auf Lidar fallen:

Der erste ist der Aufstieg von Hardwareherstellern wie HesaiSagitar, und dann entstand eine Gruppe von Unternehmen wie Wenyuan, Pony und Vimo, die Algorithmen rund um Lidar entwickelten, gefolgt von einer Gruppe von Unternehmern, die begannen, einige kleine, auf Radar + Closed basierende autonome Fahranwendungen auf L4-Ebene mit geschlossenem Regelkreis auszuprobieren Es sind verschiedene unbemannte Fahrzeuge in Minen, unbemannte Fahrzeuge in Häfen, Essenslieferroboter für Hotels usw. aufgetaucht, und das gesamte autonome Fahrökosystem hat langsam begonnen, aufzublühen.

Aber Tesla hat die Branche mit BEV+Transformer erneut untergraben und bewiesen, dass es auch ohne Radar möglich ist, den 3D-Raum zu beurteilen. Zu diesem Zeitpunkt wird Lidar zur hochpräzisen Karte des Jahres und ist keine notwendige Option mehr.

Natürlich ist der Preis für Lidar heute auf das Tausend-Yuan-Niveau gesunken und wird wahrscheinlich weiter sinken. Daher werden einige Automobilhersteller kurzfristig immer noch Multisensor-Fusionslösungen einführen.

Basierend auf der Logik der Kostensenkung wird Lidar jedoch in einer Zeit, in der OEMs „jeden Cent bis zum Äußersten wollen“, in Zukunft schrittweise durch rein visuelle Lösungen ersetzt, und das gesamte industrielle Umweltmuster wird sich zwangsläufig entsprechend ändern.

Herkömmliches Millimeterwellenradar kann beispielsweise nur Flugzeuginformationen erhalten. Die Richtung des 4D-Millimeterwellenradars, das Höheninformationen erkennen kann, ist unter anderem auf folgende Hinweise zurückzuführen: Das Produkt Das Niveau wird von mehreren Chips von Chipherstellern begleitet. Kaskadierungs- und SoC-Lösungen ebnen den Weg für hochpräzise und kostengünstige Lösungen auf der Ebene der industriellen Nachfrage Produkte haben verbesserte Sicherheits- und Redundanzanforderungen usw.

Kurz gesagt, aufgrund der unterschiedlichen Anforderungen dürfte es in dieser Kategorie einige neue Akteure geben.

Ein weiteres Beispiel: Da immer mehr Informationen von Kameras erfasst werden und die Qualität immer höher wird, besteht ein Bedarf an Supercomputing-Zentren und End-Side-Processing-Chips mit großer Rechenleistung, einschließlich der nächsten Generation von End-Side-Chips. Es geht nicht nur darum, Rechenleistung zu stapeln, sondern auch darum, verschiedene Algorithmusarchitekturen zu kombinieren, um beide besser anzupassen. Dies sind alles neue Änderungen, die von der Hardwareseite herrühren.

Auf der weicheren Seite werden wir uns auf kostengünstige, qualitativ hochwertige und nachhaltige Datenerfassungs-/Produktionsmethoden konzentrieren.

Unter dem End-to-End-Prinzip ist es eine Tatsache, dass lernbasierte Algorithmen Daten als Treibstoff nutzen. Beispielsweise wurde festgestellt, dass Teslas V12 „10.000 H100 verwendet und etwa 10 Millionen Videotrainings durchgeführt hat“.

„Diese Videos stammen aus 160 Milliarden Videobildern, die täglich von 2 Millionen realen Fahrzeugen auf der ganzen Welt gesammelt werden, die Daten sammeln können, und weniger als 1 % dieser Videos sind verfügbar, beispielsweise einige seltsame und ungewöhnlich verkehrsreiche Kreuzungsdaten.“

Als erster Mensch, der etwas Neues ausprobiert hat, hat Musk der Branche bereits ein ausreichend gutes Antwortblatt vorgelegt. Es scheint also, dass der nächste Schritt darin besteht, qualitativ hochwertige Daten über den Schattenmodus, die Simulations-Engine oder das Weltmodell zu erhalten wird zum nächsten Thema in der Branche, das für einen Konsens untersucht werden muss.

Ich denke jedoch, dass dies nicht mehr allein von den Unternehmen in einem bestimmten Zusammenhang entschieden werden kann: Obwohl technische Wege sicherlich wichtig sind, können die industrielle Positionierung und die Geschäftsmodelle die Vorüberlegungen sein, die chinesische Unternehmen im aktuellen Umfeld vornehmen müssen.

Alles in allem werden sich mit der schrittweisen Verbesserung der Implementierung von intelligentem High-End-Fahren zwangsläufig einige neue Branchenchancen in den Bereichen Wahrnehmung, Übertragung, Entscheidungsfindung, Ausführung und Interaktion ergeben.

Ich habe beispielsweise kürzlich mit einigen Gründern der Automobilindustrie kommuniziert und festgestellt, dass sie neben ihren jeweiligen Hauptgeschäftsfeldern auch auf einige bereichsübergreifende Anwendungstechnologien und Produkte achten. Endlich sind viele unerwartete und branchenübergreifende fortschrittliche Technologien geworden ihre Produkte.

Dies zeigt, dass, wenn der Wettbewerb innerhalb der Branche ein bestimmtes Niveau erreicht hat,Wenn es schwierig ist, allein durch Skalenerweiterung und Verbesserung der Lieferkette ausreichende Gewinnspannen zu erzielen, müssen Unternehmen mit neuen Technologien nach neuen Durchbruchspunkten suchen. Am Ende der Revolution müssen sie sich auf die technologische Entwicklung verlassen, um durchzubrechen.

Aus Platzgründen habe ich am Ende des Artikels einfach eine Tabelle zusammengestellt, um Ihnen einen Einblick in die unternehmerischen Möglichkeiten im Zeitalter des KI-intelligenten Fahrens zu geben. Ich hoffe, dass sie Ihnen eine andere Denkweise vermitteln kann.

(Bild: Industrielle Veränderungen und Chancen durch verschiedene Stufen des autonomen Fahrens, Quelle: Xianfeng Evergreen)

(Der Autor dieses Artikels, Xu Zhen, ist ein immergrüner Investor von Xianfeng. Er konzentriert sich auf die Industriekette für neue Energiefahrzeuge, einschließlich Kernkomponenten, Halbleiter, Materialien usw., und investierte einst im Namen von Xianfeng in Huashen Ruili. Er Absolvent der Zhejiang University (Zhu Kezhen College) und der Warwick Business School.)