berita

Sumber: Visual Tiongkok

Tampaknya dalam semalam, mengemudi otonom tiba-tiba menjadi populer.

Pada bulan Juli, taksi tanpa pengemudi "Luobo Kuaipao" milik Baidu diluncurkan secara luas di Wuhan, menjadi berita hampir setiap hari.

Menurut laporan, jumlah puncak perjalanan Luobo Kuaipao dalam satu hari melebihi 20, setara dengan rata-rata jumlah taksi harian, dan pengalaman penumpang lebih baik dan nyaman. Menurut data asuransi, tingkat kecelakaan di Carrot Run hanya 1/14 dari tingkat kecelakaan manusia. Ia telah menempuh jarak lebih dari 100 juta kilometer dengan aman tanpa ada korban jiwa yang besar.

Di seberang lautan, Musk juga mengumumkan akan dirilis pada AgustusTeslaUntuk taksi self-driving pertama, Robotaxi (kemudian ditunda hingga Oktober), ia mengatakan bahwa pemilik mobil dapat memasukkan Robotaxi ke dalam bisnis persewaan di waktu luangnya, dan biaya pembelian mobil dapat diperoleh kembali dalam waktu dua tahun.

Secara kebetulan, pada tanggal 23 Juli, Google juga mengumumkan bahwa mereka akan menambah putaran baru investasi besar sebesar US$5 miliar ke Waymo untuk "mempertahankan posisi Waymo sebagai perusahaan pengemudi otonom terkemuka di dunia." Anda harus tahu bahwa Microsoft hanya menghabiskan US$1 miliar untuk itu investasinya di OpenAI sebesar US$5 miliar hampir sama dengan total pendanaan Waymo sebelumnya.

Faktanya, maraknya mobil tanpa pengemudi saat ini bukanlah suatu kebetulan. Dari sudut pandang industri, tiga tahun terakhir juga merupakan tiga tahun tercepat bagi perkembangan teknologi penggerak otonom, yang hampir bisa dikatakan "ribuan mil per hari".

Dilihat dari kemajuan saat ini di Tiongkok dan Amerika Serikat, jika kita mengesampingkan batasan standar legislatif dan waktu, kendaraan otonom kemungkinan akan sepenuhnya dikomersialkan dalam 1-2 tahun ke depan dan mencapai “kelengkapan” menyeluruh dalam bidang teknologi. 5-10 tahun. , mewujudkan bentuk tanpa pengemudi yang mirip dengan yang terlihat di film fiksi ilmiah.

Dari sudut pandang ini, meski mungkin terlalu dini untuk membicarakan "momen iPhone 4" dalam berkendara otonom, keunikan era mengemudi otonom memang telah tiba.

Pada saat yang sama, hal ini juga berpacu dengan waktu: Tiongkok dan Amerika Serikat, sebagai dua negara dengan jumlah perusahaan kendaraan otonom terbesar di dunia, siapa pun yang dapat memimpin dalam menjalankan dan membangun rantai industri terkait akan memilikinya. kesempatan untuk menentukan jalur dan memperkenalkannya ke negara lain. kemampuan mengekspor produk teknologi.

Dengan latar belakang persaingan teknologi antara Tiongkok dan Amerika Serikat, hal ini merupakan sebuah "pertempuran yang tidak seorang pun mampu untuk kalah" bagi kedua belah pihak.

Pada artikel ini, kita akan mulai dengan sejarah perkembangan kendaraan otonom dan mencoba berspekulasi tentang tren perkembangan industri ini di masa depan. Pertama, mari kita berbagi beberapa kesimpulan awal:

1. Dari peta presisi tinggi, lidar hingga BEV: semua jalur dalam evolusi pengemudian otonom adalah untuk "membuat mobil berperilaku lebih seperti manusia".

2. Tiga tahun terakhir juga merupakan tahun-tahun dengan perkembangan tercepat dalam teknologi mengemudi otonom. Sejumlah besar pemain di dalam dan luar negeri telah mencapai tingkat yang berbeda-beda. Melihat ke masa depan, ini hanya masalah waktu sebelum akhirnya mencapai bentuk akhir yang end-to-end.

3. Baik itu penglihatan murni atau rute lidar, radar gelombang milimeter adalah cara terbaik untuk menutupi kekurangan teknis keduanya. Saat radar gelombang milimeter berpindah dari 3D ke 4D ke radar gelombang milimeter pencitraan, peningkatan akurasi juga menjadikan hal ini Jalur ini memiliki peluang untuk menciptakan perusahaan bernilai tinggi.

4. Implementasi dan komersialisasi kendaraan otonom mungkin hanya permulaan. Di masa depan, lebih banyak jalur dan produk (seperti robot dalam skenario berbeda) mungkin mengulangi cerita serupa setelah mengumpulkan cukup data.

5. Sepanjang sejarah, dengan setiap pengulangan jalur teknologi, terdapat peluang bagi sejumlah perusahaan start-up untuk bangkit, dan saya yakin saat ini tidak terkecuali.

Mengapa tiga tahun terakhir dikatakan sebagai tiga tahun tercepat bagi perkembangan mobil otonom?

Asal mula mengemudi otonom diketahui pada tahun 2004. Pada saat itu, Amerika Serikat sedang terperosok dalam perang di Afghanistan dan Irak. AS sangat membutuhkan sejumlah kendaraan militer tak berawak untuk mengurangi korban militer AS, namun penelitian dan kemajuan pembangunan tidak pernah ideal.

Akibatnya, Tony Tesser, yang saat itu menjabat sebagai direktur Badan Proyek Penelitian Lanjutan Pertahanan (DARPA) A.S., melontarkan keinginan dan meluncurkan tantangan, mengumumkan bahwa siapa pun dapat menggunakan metode mengemudi tanpa awak untuk terbang dari Los Angeles ke Los Angeles dalam 10 jam. Tiba di Las Vegas dan menangkan hadiah $1 juta.

Ini sebenarnya adalah penawaran besar-besaran oleh militer AS untuk warga sipil. Penyelenggara awalnya mengira hanya sedikit orang yang akan berpartisipasi, tetapi secara tak terduga lebih dari 100 tim mendaftar. Sayangnya, tidak ada yang bisa mengambil hadiah uang pada akhirnya - karena The mobil peserta terjauh hanya menempuh jarak 12 kilometer, yaitu sekitar 5% dari keseluruhan jarak lomba.

(Gambar: Selain mobil, saat itu juga ada sepeda motor self-driving yang berkompetisi...)

Namun DARPA tidak menyerah, dan mengadakan tiga Tantangan Mengemudi Otonom berturut-turut dari tahun 2005 hingga 2007, yang menarik tim peneliti dari berbagai universitas dan perusahaan untuk berpartisipasi. Hal ini juga memungkinkan Larry Page, salah satu pendiri Google, untuk melihat potensi mengemudi otonom . Potensi mengemudi.

Pada tahun 2009, didorong oleh Page, proyek self-driving Google "Chauffeur" secara resmi diluncurkan. Kedua insinyur inti yang direkrut (Anthony Levandowski dan Sebastian Thrun) keduanya adalah mantan karyawan DARPA, keduanya kemudian juga menjadi pendiri self-driving Google. satuan penggerak.

Pada tahun 2014, Google merilis Firefly, mobil otonom penuh pertama di dunia tanpa roda kemudi dan pedal akselerator, yang tidak hanya mengejutkan dunia otomotif, tetapi juga menyadarkan dunia akan kemungkinan mengemudi secara otonom untuk pertama kalinya.

(Gambar: Firefly, mobil self-driving generasi pertama yang dikembangkan oleh Google)

Segera setelah itu, sejumlah besar modal ventura mulai mengalir ke jalur tanpa pengemudi: dari Uber, Nvidia, Amazon, hingga Baidu, Didi, Huawei, dan kemudianbenz、BMW, umum,Honda, termasuk kekuatan baru pembuat mobil dalam negeri, telah mulai berinvestasi dalam penelitian dan pengembangan kendaraan otonom. Sebagian besar perusahaan kendaraan otonom yang kita kenal saat ini didirikan pada saat itu.

Waktu dengan cepat tiba pada dua tahun kemudian. Bagi industri kendaraan otonom, 2016 adalah tahun yang sangat penting - karena tahun ini, Tesla secara resmi bergabung dalam pertempuran tersebut.

Tidaklah berlebihan untuk mengatakan,Mengambil tahun 2016 sebagai garis pemisah, seluruh paruh kedua mengemudi otonom adalah sejarah serangan balik Tesla dari pengejar industri menjadi pemimpin.Jadi saya pribadi merasa tidak ada cara untuk melebih-lebihkan momen ini.

Sebelum tahun 2016, hampir semua perusahaan self-driving memilih solusi teknis Google:

1) Penentuan posisi: penentuan posisi yang dibantu dengan peta presisi tinggi;

2) Persepsi: Gunakan lidar + kamera penglihatan untuk memberikan informasi persepsi kendaraan;

3) Regulasi dan pengendalian: Pengambilan keputusan dan pengendalian berdasarkan algoritma berbasis aturan.

Tidak sulit untuk menemukan bahwa logika yang mendasari solusi Google adalah "lapis baja bertumpuk"."Sesuatu lebih baik daripada tidak sama sekali, lebih banyak lebih baik daripada kurang."

Aliran pemikiran ini percaya bahwa dengan tingkat teknologi saat ini, tidak ada satu sensor pun yang dapat menyelesaikan semua fungsi yang diperlukan untuk mengemudi otonom, atau mencakup semua kasus sudut. Oleh karena itu, semua sensor perlu digunakan untuk membuat keputusan mengemudi otonom secara komprehensif dan menetapkan perbedaan berfungsi untuk sensor yang berbeda berat; di antara mereka, lidar memiliki bobot tertinggi, sehingga solusi grup ini disebut juga"Solusi LiDAR";Pada dasarnya, ini adalah jalur teknis berbasis perangkat keras.

Sebagai perusahaan teknologi yang memulai dengan AI, Tesla lebih menghargai perangkat lunak. Misalnya, Musk merasa bahwa lidar pada saat itu terlalu mahal, masing-masing berharga US$80.000, jadi dia lebih fokus pada pengembangan algoritma visual yang kuat dan AI Khusus. chip mencoba membuat model objek di sekitarnya dengan bantuan kamera, dan menambahkan data ke jaringan saraf untuk perhitungan, perlahan berkembang"Solusi murni visual"Ini adalah jalur teknologi yang berorientasi pada perangkat lunak.

Dalam kata-kata Musk sendiri, “Manusia dan hewan semuanya memiliki mata, bukan radar,” dan roda nasib pun mulai berputar.

Pada saat itu, kedua rute teknis tersebut memiliki kelebihannya masing-masing: Meskipun lidar memiliki biaya perangkat keras yang tinggi, lidar pada dasarnya akurat dan memiliki informasi yang mendalam (hingga saat ini, banyak insinyur masih menyukai lidar sementara kamera, meskipun murah,) memiliki resolusi yang buruk. Dengan kemampuan yang terbatas, kita hanya dapat melakukan upaya untuk membandingkan informasi pada satu sisi suatu objek di dunia dua dimensi selalu tidak seakurat dan seintuitif informasi tangan pertama.

Hal ini juga menyebabkan Tesla membangun tim pelabelannya sendiri yang terdiri dari ribuan orang sekaligus, sehingga banyak orang yang mempertanyakan Musk pada saat itu, dengan mengatakan bahwa meskipun perangkat kerasnya lebih murah, biaya keseluruhannya tidak sebaik lidar.

Faktanya, dari sini juga terlihat bahwa level AI dari keseluruhan mobil otonom pada saat itu hampir tidak ada (kecuali lidar yang memiliki beberapa algoritma AI).Ini adalah tipikal "kecerdasan buatan sebanyak jumlah kecerdasan",Jika pengembangan AI berhenti di sini, solusi penglihatan murni Tesla kemungkinan besar akan menemui hambatan.

Namun pada akhirnya, Google-lah yang menyelamatkan Tesla:

Pada tahun 2019, Google menerbitkan makalah Transformer yang terkenal (yang juga menjadi dasar model besar berikutnya).

Meskipun Transformer adalah model jaringan saraf yang didasarkan pada mekanisme perhatian, para insinyur Tesla dengan cepat menemukan bahwa Transformer tidak hanya dapat memproses informasi bahasa, tetapi juga dapat digunakan untuk memproses informasi gambar.

Singkatnya, Transformer dapat mengintegrasikan informasi yang dikumpulkan oleh delapan kamera Tesla ke dalam sistem koordinat posisi yang sama.Hal ini setara dengan memberi mobil "perspektif Tuhan" (yaitu BEV, "pandangan luas"),Mampu melihat informasi 3D lingkungan sekitar.

(Gambar: Teknologi BEV memberi Tesla “perspektif Tuhan”)

Pada hari AI tahun 2021, Tesla merilis dan sukses mempopulerkan BEV. Mulai paruh kedua tahun 2022, pemain dalam negeri juga telah mengumumkan untuk menindaklanjuti dan secara bertahap mulai menerapkan BEV pada mobilnya.

(Jadi, meskipun banyak teknologi yang tidak asli dari Tesla, kemampuannya untuk merekayasa teori-teori canggih dari eksplorasi mutakhir dan menerapkannya dalam penerapan praktis jelas berada pada tingkat kosmik.)

Pada saat yang sama, Tesla juga mulai mencoba mengotomatiskan proses pelabelan sebanyak mungkin untuk mengatasi masalah biaya yang terlalu tinggi.

Prinsipnya mirip seperti bermain tebak-tebakan: pertama, setelah kamera terpasang melihat suatu objek (seperti pohon), kamera akan mengunggah informasi ke model besar di awan, dan kemudian model besar akan "menebak" apa objeknya adalah? Jika hasil tebakan sesuai dengan 8 representasi sensor, maka pohon akan otomatis diberi label.

Dengan cara ini, Tesla menghilangkan keterbatasan tenaga kerja selama kendaraan dapat terus mengirimkan informasi jalan kembali, ia dapat melatih algoritmanya sendiri tanpa batas.

Sejauh ini, kinerja Tesla cukup luar biasa, namun setahun kemudian, Musk membuat dua langkah besar di Hari AI. Yang pertama adalah pengenalan urutan ruang-waktu, dan yang kedua adalah pengenalan jaringan okupansi.

Sederhananya,Yang pertama memungkinkan mobil memiliki kemampuan mengingat waktu, sedangkan yang kedua mencapai efek yang mirip dengan "lidar semu".Mengizinkan mobil menghitung posisi spasial dan menentukan apakah penghindaran rintangan diperlukan tanpa mengidentifikasi objeknya, memecahkan masalah sebelumnya yaitu "menabrak truk putih besar".

Sejauh ini, terlepas dari jalurnya namun dalam hal efek, solusi visual pada dasarnya telah mencapai efek yang sama dengan solusi radar.BEV+Transformer berhasil mencapai konvergensi jalur teknologi persepsi berkendara otonom dan membentuk kerangka dasar algoritma persepsi visual saat ini.

(Gambar: Menempati jaringan menghasilkan efek yang mirip dengan "pseudo lidar")

Oleh karena itu, dalam kaitannya dengan tren umum,Jalur evolusi mengemudi otonom sebenarnya sangat jelas: tujuannya adalah membuat mobil berperilaku lebih seperti manusia.Biarkan AI memprediksi apa yang akan terjadi di masa depan berdasarkan apa yang terjadi di masa lalu.

Dari perspektif ini, tiga tahun terakhir sebenarnya merupakan tahun-tahun dengan perkembangan tercepat dalam teknologi mengemudi otonom, dan AI secara bertahap menunjukkan peningkatan yang kuat dan kemampuan berulang dalam mengemudi otonom; Hanya ada sedikit kemajuan dalam mengemudi otonom.

Yang benar-benar menyadarkan masyarakat bahwa AI akan memberikan dampak revolusioner pada industri kendaraan otonom adalah beberapa hal yang terjadi pada tahun 2023:

·Musk untuk pertama kalinya menyebutkan di platform sosial bahwa "v12 dicadangkan ketika FSD adalah AI end-to-end", sehingga end-to-end menjadi perhatian publik (Nvidia mengusulkannya pada tahun 2016 tetapi memiliki pengaruh yang kecil), dan banyak orang Mulai menantikan rilis v12;

·Untuk pertama kalinya dalam sepuluh tahun terakhir, CVPR menganugerahkan makalah terbaik kepada tim Tiongkok, memuji kontribusinya terhadap realisasi mengemudi otonom menyeluruh;

·Musk melakukan siaran langsung selama 45 menit di model S yang dilengkapi dengan versi beta v12, dan hanya melakukan intervensi satu kali selama keseluruhan proses.

Namun, harus diperjelas juga bahwa saat ini tidak ada bukti langsung bahwa v12 yang ditampilkan Tesla telah mencapai performa end-to-end yang lengkap. Namun, efek tampilannya memang luar biasa, dan tingkat kecerdasannya pada dasarnya sebanding dengan pengemudi manusia yang berpengalaman.

Padahal, jika sistem penggerak otomatis dibagi menjadi persepsi, perencanaan dan pengendalian menurut pemahaman tradisional,Saat ini, apa yang paling banyak digunakan oleh OEM besar untuk memamerkan kekuatan mereka adalah modular end-to-end dengan batasan aturan dasar AI+ parsial.

Karena setiap modul memerlukan antarmuka yang ditentukan manusia, beberapa informasi akan hilang dalam prosesnya. Oleh karena itu, semakin banyak modul, semakin banyak informasi yang hilang. Bagaimana cara menyatukan semua modul menjadi satu model di masa depan, produsen besar masih harus mencari tahu bagaimana menyatukan semua modul menjadi satu model. Perlu terus bekerja keras.

Namun dari informasi yang kami kumpulkan, sesuai dengan kecepatan perkembangan teknologi dan rekayasa saat ini,Hanya masalah waktu sebelum mobil otonom akhirnya terwujud secara end-to-end. Untuk itu, prediksi saya yang relatif konservatif masih membutuhkan akumulasi sekitar 3-5 tahun.

Pada saat itu, kendaraan dapat menyelesaikan keputusan mengemudi dalam keadaan "kotak hitam" berdasarkan informasi jalan yang dikumpulkan secara real-time, dan secara langsung mengeluarkan sinyal kontrol seperti pengereman dan kemudi, mencapai bentuk akhir mengemudi tanpa pengemudi yang serupa dengan yang ada di fiksi ilmiah film.

(Gambar: Lima tahap pengembangan mobil otonom, sumber: Xianfeng Evergreen)

Peluang modal ventura yang dibawa oleh iterasi mengemudi otonom

Alasannya sangat kompleks. Berikut tiga elemen kunci yang menurut saya dibahas:

Pertama, datanya relatif melimpah.

Seperti yang kita ketahui bersama, "perjalanan" adalah permintaan yang berfrekuensi tinggi. Industri pengemudian otonom dalam negeri mulai meningkat sekitar tahun 2015, dan sudah hampir 10 tahun sejak periode ini, data yang dikumpulkan oleh OEM dan perusahaan pengemudi cerdas,. terlepas dari kualitasnya, setidaknya secara total, ia cukup kaya, yang menciptakan kondisi dasar untuk realisasi data loop tertutup di kemudian hari.

Kedua, definisi fungsinya relatif jelas dan jelas.

Sejujurnya, meski konsep gelombang AI ini sangat panas, arah pengembangan banyak produk sebenarnya masih belum jelas.

Misalnya, terkait robot humanoid, banyak perusahaan yang hanya membuat prototipe yang dapat didemonstrasikan di pameran. Namun, dalam skenario industri sebenarnya, tidak jelas dari sisi teknologi hulu masalah apa yang dapat diselesaikan oleh robot-robot tersebut dan sejauh mana. . dari.

Karena pabrik-pabrik hilir tidak memahami AI, mereka seringkali tidak mengetahui fungsi apa yang dapat dicapai oleh robot-robot ini dan apakah robot-robot tersebut dapat digabungkan dengan teknologi lain.

Namun mengemudi tanpa pengemudi tidak memiliki masalah ini. Kendaraan hanya memiliki beberapa tindakan seperti maju, mundur, berbelok, akselerasi dan pengereman, yang dapat mencakup perilaku dasar dari semua skenario mengemudi selama AI dapat melakukannya dengan baik , cukup, dan persyaratannya sederhana dan jelas.

Oleh karena itu, untuk mengubah teknologi canggih menjadi produk yang mudah digunakan, definisi fungsional yang jelas dan pembagian standar juga merupakan faktor penting.

Ketiga, landasan perangkat kerasnya relatif matang.

Baik itu laser, kamera, gelombang milimeter, dan solusi sensor lainnya, atau berbagai chip yang menyediakan transmisi dan pemrosesan sinyal, setelah 10 tahun "involusi" penuh, semuanya pada dasarnya telah memasuki tahap kinerja biaya tinggi + pasokan stabil.

Oleh karena itu, dalam proses pertumbuhan data, perangkat keras, dan teknologi, pengemudian otonom adalah yang pertama mencapai titik keseimbangan antara harga dan pengalaman, dan segera membentuk produktivitas baru.

Oleh karena itu, jika kita mengikuti logika ini satu langkah lebih jauh, pengemudian otonom mungkin hanyalah permulaan, dan kisah serupa mungkin terulang di lebih banyak jalur di masa depan.

Tentu saja, premisnya adalah harus ada beberapa perusahaan di bidang ini yang dapat terus mengumpulkan data dalam jumlah besar dengan biaya rendah (mirip dengan perusahaan seperti Didi, Baidu, dan Tesla dalam bidang mengemudi otonom), daripada hanya mengandalkan beberapa perusahaan. data kecil yang tersebar, yang mungkin menjadi dasar bagi kita untuk menilai apakah suatu industri tertentu pernah mengalami titik balik serupa.

Dari perspektif lain, dengan munculnya gelombang model besar ini, mungkin terdapat peluang investasi sistematis di masa depan di banyak bidang yang dapat diotomatisasi oleh AI namun belum dieksplorasi oleh perusahaan besar (seperti ekonomi dataran rendah dan industri manufaktur), ada mengintai emiten teknologi bernilai puluhan miliar bahkan ratusan miliar, yang juga patut menjadi perhatian investor.

Apa lagi yang bisa diinvestasikan dalam mengemudi otonom?Kita hanya berbeda sedikit, sekarang mari kita kembalikan pemikiran kita dan berbicara tentang mengemudi otonom itu sendiri. Faktanya, sepanjang sejarah, dengan setiap iterasi teknologi penggerak otonom, terdapat peluang bagi sejumlah perusahaan start-up untuk bangkit.

Misalnya, solusi utama di era Google adalah lidar + kamera + peta presisi tinggi, namun saat ini peta presisi tinggi semakin jarang digunakan di mobil penumpang, dan bahkan tidak lagi disebutkan (coba pikirkan, itu hanya dua tahun lalu) penting).

Karena pada saat itu, harga kendaraan pengumpul peta saja sudah jutaan. Jika kita ingin memastikan performa real-time semaksimal mungkin, setidaknya ratusan kendaraan harus berada di jalan pada waktu yang sama setiap hari untuk melakukannya. memenuhi pengumpulan dan pembaruan peta nasional secara real-time. Hal ini tidak mungkin dilakukan oleh perusahaan mobil maupun vendor peta mana pun.

Hasilnya adalah peluang industri akhirnya jatuh ke tangan lidar:

Yang pertama adalah bangkitnya produsen perangkat keras, seperti HesaiSagitarius, dan kemudian muncul sekelompok perusahaan seperti Wenyuan, Pony, dan Vimo yang membangun algoritme seputar lidar, diikuti oleh sekelompok pengusaha yang mulai mencoba beberapa aplikasi mengemudi otonom tingkat L4 dalam loop tertutup skala kecil berdasarkan radar + tertutup skenario. , berbagai kendaraan tak berawak di pertambangan, kendaraan tak berawak di pelabuhan, robot pengantar makanan hotel, dll. telah muncul, dan seluruh ekosistem self-driving perlahan mulai berkembang.

Namun Tesla sekali lagi menumbangkan industri ini dengan BEV+Transformer, membuktikan bahwa bahkan tanpa radar, kita dapat menilai ruang 3D. Saat ini, lidar menjadi sama dengan peta tahun berpresisi tinggi dan tidak lagi menjadi pilihan yang diperlukan.

Tentu saja, saat ini harga lidar telah turun ke level seribu yuan, dan kemungkinan akan terus turun. Oleh karena itu, dalam jangka pendek, beberapa perusahaan mobil masih akan mengadopsi solusi fusi multi-sensor.

Namun, berdasarkan logika pengurangan biaya, pada saat OEM "mengeluarkan setiap sen secara ekstrim", lidar akan secara bertahap digantikan oleh solusi visual murni di masa depan, dan seluruh pola ekologi industri pasti akan berubah.

Misalnya, radar gelombang milimeter tradisional hanya dapat memperoleh informasi bidang. Radar gelombang milimeter 4D generasi berikutnya yang dapat mendeteksi informasi ketinggian telah muncul. terdapat banyak chip dari perusahaan chip. Solusi Cascading dan SoC membuka jalan bagi solusi berpresisi tinggi dan berbiaya rendah; pada tingkat permintaan industri, OEM sangat bersemangat dan mencoba untuk memproduksi produk-produk berkendara cerdas yang independen dan canggih; peningkatan persyaratan keselamatan dan redundansi, dll.

Singkatnya, didorong oleh berbagai permintaan, kemungkinan besar akan ada beberapa pemain baru di kategori ini.

Contoh lainnya, karena semakin banyak informasi yang dikumpulkan oleh kamera dan kualitasnya semakin tinggi, terdapat permintaan akan pusat superkomputer dan chip pemrosesan sisi akhir dengan daya komputasi yang besar, termasuk chip sisi akhir generasi berikutnya. Ini bukan hanya tentang menumpuk daya komputasi, tetapi juga tentang menggabungkan arsitektur algoritme yang berbeda untuk mengadaptasi keduanya dengan lebih baik. Ini semua adalah perubahan baru yang dibawa oleh sisi perangkat keras.

Di sisi yang lebih lembut, kami akan fokus pada metode akuisisi/produksi data yang berbiaya rendah + berkualitas tinggi + berkelanjutan.

Di bawah rute end-to-end, faktanya adalah bahwa algoritma basis pembelajaran menggunakan data sebagai bahan bakar. Misalnya, V12 Tesla terungkap telah "menggunakan 10.000 H100 dan menyelesaikan sekitar 10 juta pelatihan video."

"Video-video ini berasal dari 160 miliar frame video yang dikumpulkan setiap hari dari 2 juta kendaraan nyata di seluruh dunia yang dapat mengumpulkan data, dan kurang dari 1% dari video-video ini tersedia, seperti beberapa data persimpangan yang aneh dan sangat sibuk."

Sebagai orang pertama yang mencoba sesuatu yang baru, Musk telah memberikan lembar jawaban yang cukup baik kepada industri. Jadi, tampaknya langkah selanjutnya adalah mendapatkan data berkualitas tinggi melalui mode bayangan, mesin simulasi, atau model dunia yang dimilikinya menjadi isu berikutnya dalam industri yang perlu dieksplorasi untuk mencapai konsensus.

Namun, menurut saya hal ini tidak dapat lagi diputuskan hanya oleh perusahaan-perusahaan yang berada pada jalur tertentu: meskipun jalur teknis tentu saja penting, positioning industri dan model bisnis mungkin menjadi pertimbangan awal yang harus dilakukan oleh perusahaan-perusahaan Tiongkok dalam kondisi saat ini.

Secara keseluruhan, seiring dengan peningkatan bertahap penerapan berkendara cerdas kelas atas, beberapa peluang industri baru pasti akan muncul dalam persepsi, transmisi, pengambilan keputusan, pelaksanaan, dan interaksi.

Misalnya, saya baru-baru ini berkomunikasi dengan beberapa pendiri industri otomotif dan menemukan bahwa selain bisnis utama masing-masing, mereka juga memperhatikan beberapa teknologi dan produk aplikasi lintas bidang. Banyak teknologi canggih yang tidak terduga dan lintas industri akhirnya menjadi produk mereka.

Hal ini menunjukkan bahwa ketika persaingan dalam industri telah mencapai tingkat tertentu,Ketika sulit memperoleh margin keuntungan yang cukup melalui perluasan skala + peningkatan rantai pasokan saja, perusahaan harus mencari titik terobosan baru dengan teknologi baru, mereka harus mengandalkan perkembangan teknologi untuk menerobos.

Karena keterbatasan ruang, saya hanya menyusun tabel di akhir artikel untuk memberi Anda gambaran sekilas tentang peluang kewirausahaan di era mengemudi cerdas AI.

(Gambar: Perubahan dan peluang industri yang disebabkan oleh berbagai tahap mengemudi otonom, sumber: Xianfeng Evergreen)

(Penulis artikel ini, Xu Zhen, adalah investor abadi di Xianfeng. Dia berfokus pada rantai industri kendaraan energi baru, termasuk komponen inti, semikonduktor, material, dll., dan pernah berinvestasi di Huashen Ruili atas nama Xianfeng. Dia lulus dari Universitas Zhejiang Zhu Kezhen College dan Warwick Business School.)