云服務驅(qū)動自動駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書2023前言《云服務新引擎，高效驅(qū)動自動駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書》簡介Tier1赴”。通過云底座核心能力和云端大模型深度賦能數(shù)據(jù)處理全流程，構建全棧式自動駕駛開發(fā)平臺，為主機廠、Tier1等企業(yè)提供更智能、更高效率的數(shù)據(jù)及服務，強化數(shù)據(jù)驅(qū)動能力，加速數(shù)據(jù)閉環(huán)，助力客戶實現(xiàn)自動駕駛開發(fā)降本增效和量產(chǎn)落地。同時探索具備專業(yè)積累及強大感知、計算、處理、等能力的云服務商可賦予各環(huán)節(jié)的價值。在高速發(fā)展的中國汽車產(chǎn)業(yè)背景下，車企及相關供應商應進一步開放合作，攜手共建盛世繁榮的產(chǎn)業(yè)生態(tài)?！对品招乱?，高效驅(qū)動自動駕駛數(shù)據(jù)閉環(huán)發(fā)展白皮書》核心觀點中國智能汽車逐步向高等級自動駕駛發(fā)展，數(shù)據(jù)驅(qū)動開發(fā)模式下，構建高效數(shù)據(jù)閉環(huán)刻不容緩；自動駕駛數(shù)據(jù)閉環(huán)發(fā)展主要面臨海量數(shù)據(jù)處理能力弱、基礎設施研發(fā)成本高和數(shù)據(jù)安全合規(guī)保障難力賦能數(shù)據(jù)閉環(huán)，為自動駕駛研發(fā)提供完整有效的解決方案；云服務搭載大模型深度賦能數(shù)據(jù)閉環(huán)各個環(huán)節(jié)，如clip內(nèi)容理解、自動標注、加速模型、生成高質(zhì)量場景庫與場景庫等；華為云從技術、服務、生態(tài)三方面構建自動駕駛數(shù)據(jù)閉環(huán)新范式進一步通過路端大生態(tài)的打通，構建基于云服務更大的數(shù)據(jù)閉環(huán)。23.13.13.2目錄目錄CONTENTS01自動駕駛發(fā)展機遇與挑戰(zhàn)01自動駕駛產(chǎn)業(yè)發(fā)展洞察自動駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02云服務賦能自動駕駛數(shù)據(jù)閉環(huán)02自動駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點分析自動駕駛數(shù)據(jù)閉環(huán)需要云服務賦能云服務加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運轉(zhuǎn)自動駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式03目錄目錄CONTENTS01 自動駕駛發(fā)展機遇與挑戰(zhàn)自動駕駛產(chǎn)業(yè)發(fā)展洞察01 自動駕駛發(fā)展機遇與挑戰(zhàn)自動駕駛產(chǎn)業(yè)發(fā)展洞察自動駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02自動駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點分析自動駕駛數(shù)據(jù)閉環(huán)需要云服務賦能云服務加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運轉(zhuǎn)自動駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式03信息來源：華西證券、中金證券、億歐智庫5信息來源：華西證券、中金證券、億歐智庫5自動駕駛發(fā)展進入下半場，技術逐步向高等級自動化發(fā)展展。億歐智庫：自動駕駛產(chǎn)業(yè)發(fā)展速度示意圖領先試水領先試水谷歌啟動項目局無人駕駛百度成立自動駕駛團隊司成立Waymo開始RobotaxiUber無人駕駛汽車上路試驗阿里、滴滴設立自動駕駛部門Momenta等公司成立華為成立智能汽車解決方案業(yè)務單元化測試四維圖新獲國內(nèi)首個L3以上高精度地圖訂單華為發(fā)布鴻蒙車載OS系統(tǒng)；百度L4巴士量產(chǎn)頭部企業(yè)開始投放L4Robotaxi運營城市NOA加速規(guī)?；瘧酶叩燃壸詣玉{駛逐步落地應用廣泛應用，跨越升級逐步泛化高速發(fā)展創(chuàng)新起步2009 2013

2015

2018 2023步入平穩(wěn)發(fā)展階段，逐步轉(zhuǎn)向高速、礦山、港口等封閉/半封閉場景應用，代表技術包括：步入平穩(wěn)發(fā)展階段，逐步轉(zhuǎn)向高速、礦山、港口等封閉/半封閉場景應用，代表技術包括：HWP（高速駕駛引導）、TJP（交通擁堵領航）、NOAHighway（高速領航駕駛輔助）等進入快速發(fā)展階段，電動化成為行業(yè)競爭焦點，代表技術包括：APA（自動泊車輔助）、APO（自動駛出）、HWA（高速駕駛輔助）等智能化成為競爭焦點，大模型等技術發(fā)展助推自動駕駛邁向新的階段，代表技術包括：NOACity（城區(qū)領航駕駛輔助）、AVP（自動代客泊車）等自動駕駛從實驗室轉(zhuǎn)向商業(yè)研發(fā)，少數(shù)頭部開始布局自動駕駛，代表技術包括：ACC（自適應巡航）、AEB（自動緊急制動）等大模型勢頭正盛，助推自動駕駛向高等級發(fā)展

數(shù)據(jù)與算力互促互進，助推行業(yè)智能化發(fā)展

億歐智庫：自動駕駛數(shù)據(jù)及算力增長速度曲線示意圖2023年，城區(qū)自動駕駛成為主要發(fā)力方向，多家Tier1、科技企業(yè)發(fā)布應用于自動駕駛和智能座艙的大模型，通過深度學習與反復

華為 OpenAI百度科大訊飛商湯中科創(chuàng)達阿里 毫末智行

自動駕駛發(fā)展前期，數(shù)據(jù)量從TB級增長至PB數(shù)據(jù)增長速度快于算力。遠快于數(shù)據(jù)增長速度。

<1TOPSTB級

10TOPS

500TOPSPB級100TOPS

EB級5000TOPS自動駕駛算力增長速度曲線自動駕駛產(chǎn)生數(shù)據(jù)訓練，助推高等級自動駕駛。

……

2013 2023

增長速度曲線信息來源：公開資料、億歐智庫6信息來源：公開資料、億歐智庫6汽車系統(tǒng)快速迭代，高階智駕方案量產(chǎn)加速布局軟件定義汽車如今已經(jīng)成為業(yè)內(nèi)共識，智能汽車軟件系統(tǒng)持續(xù)快速更新迭代。以特斯拉為例，其智駕系統(tǒng)經(jīng)歷了數(shù)次更新迭代，近期FSD即將面向中國開放。另一方面，在“重感知輕地圖”的爭議之下，BEV自主品牌已經(jīng)紛紛開啟L4級自動駕駛量產(chǎn)落地計劃，向城市級應用進發(fā)。汽車智駕系統(tǒng)快速發(fā)展，BEV融合方案助力城市NOA規(guī)?；涞丶す饫走_原始數(shù)據(jù) 原始數(shù)據(jù)特征提取 特征提取攝像頭毫米波雷達原始數(shù)據(jù)特征提取激光雷達原始數(shù)據(jù) 原始數(shù)據(jù)特征提取 特征提取攝像頭毫米波雷達原始數(shù)據(jù)特征提取輪速傳感器IMU提供全局視野：俯視圖視角少有遮擋，算法也可以對被遮擋區(qū)域進行預測，同時引入時序信息，讓感知結果更連續(xù)穩(wěn)定特征級融合：減少層層處理以及先驗規(guī)則帶來的信息丟失，讓多模態(tài)數(shù)據(jù)特征在同一空間中融合，信息關聯(lián)性更強4D數(shù)據(jù)：靜態(tài)道路信息與動態(tài)道路參與方統(tǒng)一在同一個坐標系下，通過實時感知與轉(zhuǎn)換，在行駛中即可實時生成“活地圖”結果輸出映射到統(tǒng)一坐標系下融合訓練學習結果輸出映射到統(tǒng)一坐標系下融合

近幾年，“重感知輕地圖”的爭議一直未有定論，隨著BEV方案的出現(xiàn)，車企看到了不依賴高精地圖的可能性，即通過GPSIMU、輪速計以及導航地圖，實現(xiàn)精準定位；通過BEV+Transformer，提升車輛感知和決策能力。FSD/AP系統(tǒng)APHW1.0FSD/AP系統(tǒng)APHW1.0APHW2.0APHW2.5FSD/APHW3.0FSDHW4.0自主品牌20212022202320242025長安L2L2.5L2.9L4上線時間2014.092016.102017.082019.042023H2(E)長城L2.5L2.9L4比亞迪L2L2.5L2.9L4處理平臺/主芯片MobileyeEyeQ3NvidiaDrivePX2NvidiaDrivePX2+TeslaFSDTeslaFSD2代一汽L2.5L3L4吉利L2.9L3L4算力(Tops)0.2562020144(雙芯片)預計性能將是HW3.0三倍左右廣汽L2.9L4功耗(W)25250300220北汽L2.5L2.9L4上汽L2.5L2.9L4圖像處理能力（fps）361101102300奇瑞L2L2.5L2.9L4東風L2.9L4特斯拉自動駕駛系統(tǒng)經(jīng)歷近十年迭代，軟硬件都有大幅提升。2023年5月，F(xiàn)SDBeta版本更新至11.4.2，對路面檢測、切入切出、車道保持等功能進行優(yōu)化。FSD入華也隨著內(nèi)外部條件的成熟而變得更加有可能性，將進一步刺激中國消費市場對高等級智駕的接受度。

億歐智庫：部分自主品牌車企智駕功能量產(chǎn)落地規(guī)劃近兩年，自主品牌已全面以高階輔助駕駛功能作為其品牌智能化主打特色，并進行相關戰(zhàn)略，這也意味著市場即將迎來以NOA為主打的高階智駕功能的量產(chǎn)落地。信息來源：公開資料、國務院新聞辦、各城市智能網(wǎng)聯(lián)汽車測試工作小組7信息來源：公開資料、國務院新聞辦、各城市智能網(wǎng)聯(lián)汽車測試工作小組7政策引導助推自動駕駛產(chǎn)業(yè)升級，城市落地驗證新興技術應用發(fā)展減免政策至2027年底，從供需兩端推動產(chǎn)業(yè)迭代升級?！败?路-云”一體化融合發(fā)展也將成為未來產(chǎn)業(yè)推進的關鍵所在，完善的云控基礎及云端計算能力，能夠從多方面推進智能網(wǎng)聯(lián)以及高等級自動駕駛大規(guī)模、高質(zhì)量發(fā)展。大模型算法等關鍵技術的研發(fā)均受到城市級關注。國外相關政策也積極推動自動駕駛城市級應用的落地推廣。2023年6月21日國務院政策例行吹風會：促進新能源汽車產(chǎn)業(yè)高質(zhì)量發(fā)展深化測試示范應用啟動智能網(wǎng)聯(lián)汽車準入和上路通行試點，組織開展城市級“車路云一體化”示范應用，支持L3及更高級別自動駕駛功能商業(yè)化進一步完善網(wǎng)聯(lián)基礎設施加快C-V2X、路側感知、邊緣計算等基礎設施建設，建立基于邊緣云、區(qū)

武漢開放路網(wǎng)里程：1500.0km發(fā)放牌照：200+個重慶開放路網(wǎng)里程：1486.8km發(fā)放牌照：60+個廣州開放路網(wǎng)里程：1749.8發(fā)放牌照：220+個

國內(nèi)外自動駕駛相關落地政策及城市應用最新進展全國已建成17個全國已建成17個測試示范區(qū)、16個“雙智”試點城市、7個完成了7000多公里道路智能化升級改造，裝配路側網(wǎng)聯(lián)設備7000余臺套2022功能的L2級乘用車新車滲透率達到了34.5%開放路網(wǎng)里程：1143.8km發(fā)放牌照：600+個上海開放路網(wǎng)里程：1800.0km發(fā)放牌照：600+個長沙開放路網(wǎng)里程：317.0km發(fā)放牌照：55+個深圳開放路網(wǎng)里程：201.4km發(fā)放牌照：260+個域云和中心云三級架構的云控基礎平臺，形成統(tǒng)一接口、數(shù)據(jù)和通信標準，提升網(wǎng)絡感知、云端計算能力支持關鍵技術攻關支持重點大企業(yè)牽頭，大中小企業(yè)參與，開展跨行業(yè)跨領域協(xié)同創(chuàng)新。加

北京市科委、中關村管委會發(fā)布北京市首批人工智能行業(yè)大模型應用案例自動駕駛大模型DriveGPT示范應用：毫末智行、長城汽車城市大腦大模型示范應用：科大訊飛、中科大腦公司英國允許無人駕駛汽車商用：2023年6月，英國初創(chuàng)

《關于更好發(fā)揮數(shù)據(jù)要素作用進一步加快發(fā)展數(shù)字經(jīng)濟的實施意見》“建設數(shù)據(jù)要素創(chuàng)新研究院，支持數(shù)據(jù)驅(qū)動的科學研究。探索數(shù)據(jù)訓練基地，促進研發(fā)自然語言、多模態(tài)、認知等超大規(guī)模智能模型?！笨礻P鍵芯片、高精度傳感器、操作系統(tǒng)等新新產(chǎn)品的研發(fā)和推廣應用，提升產(chǎn)業(yè)發(fā)展內(nèi)生動力

公司ImperiumDrive推出無人駕駛汽車租賃項目，該項服年8月，加州議會的公共事務委員會宣判，允許谷歌旗下Waymo和通用旗下Cruise的Robotaxi在舊金山不受限制載客。7x24小時、區(qū)域不限、全無人、可收費信息來源：乘聯(lián)會、中國海關總署、公開資料、億歐智庫8信息來源：乘聯(lián)會、中國海關總署、公開資料、億歐智庫8國際市場逐年拓展，汽車及相關供應鏈企業(yè)出海大勢在即中國車企出海已經(jīng)不止于面向海外售賣整車及零部件產(chǎn)品，而是進入價值鏈全球化進程，在云的加持下，通過技術出海、出海、品牌出海、生產(chǎn)出海等多種方式，中國品牌以產(chǎn)品、及投資在全球各區(qū)域打造多樣化服務生態(tài)圈，有望實現(xiàn)汽車生態(tài)的落地生根。億歐智庫：2018-2022中國純電動、插電混動乘用車出口額及純電動出口額占比

整車出海，帶動“全鏈”，電動化、智能化多領域邁向國際市場39.6%

45.6%

61.7%

85.7%

88.9%1,363

隨著中國汽車工業(yè)的發(fā)展，主機廠出海越來越多，以、、品牌出海等方式，主動“走出去”，成功打響國際化品牌。在主機廠的帶動下，多個相關細分領域也向海外市場延伸。自動駕駛、智能座艙、智能網(wǎng)聯(lián)、動力電池、軟件、車載雷達等，作為智能汽車的核心部分，都跟隨整車出海，在國際市場上形成了一定的影響力。云服務商在中國汽車企業(yè)出海之路上搭建云端“基礎設施”，以保證數(shù)據(jù)快速傳輸、高效存儲，并為中國汽車產(chǎn)業(yè)鏈企業(yè)出海提供安全合規(guī)保障。億歐智庫：部分自動駕駛企業(yè)出海事件百度、SBDrive、金龍客車三方合力于2018本版“Apolong”；2022年，百度在美國加州進行自556

基礎設施

車載雷達

動駕駛出行測試里程已達3986km；139

3631 10968

17193

池 軟件內(nèi)飾能源服務

主機廠

比亞迪、極氪、蔚來、小鵬等新勢力車企都相繼于2020年、2021年布局海外市場，并逐年加碼；寧德時代、中創(chuàng)新航等動力電池企業(yè)也較早布局海外；速騰聚創(chuàng)等激光雷達企業(yè)自2021年就已開始出海；2018年 2019

2020年

2021年

2022年

后市場

……智能網(wǎng)聯(lián)

毫末智行成為中國首個AEB算法落地海內(nèi)外的公司；芯馳、納芯微等諸多半導體企業(yè)都已開啟海外業(yè)務布局；華為云、騰訊云、阿里云等云廠商通過提供安全合規(guī)服純電動乘用車（億元）插電式混合動力乘用車（億元）純電動乘用車出口額占比

云服務

務及自動駕駛數(shù)據(jù)相關服務助力車企出海；盛弘股份、道通科技等能源服務企業(yè)穩(wěn)步發(fā)展全球業(yè)務；文遠知行于2023年7月拿到中東首張國家級牌照……99多維因素助推自動駕駛產(chǎn)業(yè)邁向高等級發(fā)展階段量產(chǎn)“加速”與應用支撐產(chǎn)業(yè)的高速發(fā)展，未來很長一段時間，自動駕駛產(chǎn)業(yè)的競爭重點將聚焦在基于海量數(shù)據(jù)之上的智能化及量產(chǎn)落地上。量產(chǎn)“加速”大模型勢頭正盛，加速助跑能化發(fā)展技術“奠基”大模型勢頭正盛，加速助跑能化發(fā)展技術“奠基”展，助推L3及以上自動駕駛落地國內(nèi)外城市級落地促發(fā)展政策“助推”以主機廠為主整車出海，樹立品牌化、智能化多領域邁向國際市場出?！巴卣埂盉EV融合方案助力城市NOA落地，促進自動駕駛城市級自動駕駛邁向高等級發(fā)展階段，大規(guī)模城市級落地將成未來重點自動駕駛邁向高等級發(fā)展階段，大規(guī)模城市級落地將成未來重點信息來源：《自動駕駛數(shù)據(jù)安全白皮書》（2020）PAGE信息來源：《自動駕駛數(shù)據(jù)安全白皮書》（2020）PAGE101.2數(shù)據(jù)處理問題成為高等級自動駕駛需要解決的“頭等難題”僅對數(shù)據(jù)處理的提出要求，同樣也為安全保障帶來巨大挑戰(zhàn)。高等級自動駕駛數(shù)據(jù)特點——流動性規(guī)模性非結構性流動性規(guī)模性非結構性不同來源格式不同，數(shù)據(jù)的涉密性數(shù)據(jù)處理挑戰(zhàn)數(shù)據(jù)采集難數(shù)據(jù)處理挑戰(zhàn)

標注要求高

模型訓練久

標準不一致

傳輸存儲貴

安全要求高需要具備甲級或 復雜長尾場景不斷增加

算法訓練需要有效的數(shù)據(jù)、豐富的場景、完備的，

去噪、清洗、統(tǒng)一格 感知、判斷、決策、執(zhí)

道路、環(huán)境、司機、乘客等數(shù)據(jù)都有安全要求，未

在此基礎上需重復訓練。但目前很多模型加載慢，

式、標注、處理等各步驟由不同企業(yè)執(zhí)行，難以通過統(tǒng)一任務需求進行引導，

等各模塊間每秒傳輸量達數(shù)GB，車端與云端間同樣要求穩(wěn)定、高效的

來在城市級鋪開后，經(jīng)過敏感地區(qū)所取得的信息若數(shù)據(jù)對的量級和有效性都提出挑戰(zhàn)

本高、效率低，無法支撐快速的Connercase

訓練時間長，由此導致模型迭代慢，市場缺乏成熟高效的訓練模型

因而口徑不一，易造成信息損耗、數(shù)據(jù)丟失等情況

傳輸，由此產(chǎn)生的數(shù)據(jù)存儲與流量費用十分可觀

不能脫敏處理與安全托管，就有可能存在遭泄漏或篡改風險，造成安全隱患信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE12高效挖掘、有效利用是自動駕駛面對海量數(shù)據(jù)的必選項，數(shù)據(jù)閉環(huán)因此逐步落地傳輸處理智能電動汽車傳輸處理智能電動汽車集自動駕駛數(shù)據(jù)閉環(huán)清洗算法模型云服務器驗證標注成熟的數(shù)據(jù)閉環(huán)將更多的使用自動化工具和算法對數(shù)據(jù)進行處理、清洗和轉(zhuǎn)換，以減少人工干預流程自動化海量數(shù)據(jù)與算法能夠雙向賦能，以算法處理數(shù)據(jù)，數(shù)據(jù)訓練算法，有效循環(huán)、高速迭代處理效率高環(huán)節(jié)流程完整、數(shù)據(jù)全程跑通、真值不丟失、反復循環(huán)進行訓練，實現(xiàn)不斷地、持續(xù)的數(shù)據(jù)循環(huán)完整有循環(huán)億歐智庫：自動駕駛數(shù)據(jù)閉環(huán)定義專業(yè)測試車隊和社會化量產(chǎn)車輛其行駛數(shù)據(jù)、位置軌跡、路況數(shù)據(jù)、場景數(shù)據(jù)等多種信息，專業(yè)測試車隊和社會化量產(chǎn)車輛其行駛數(shù)據(jù)、位置軌跡、路況數(shù)據(jù)、場景數(shù)據(jù)等多種信息，處理形成數(shù)據(jù)集，經(jīng)過清洗、標注等，基于智能云底座進行傳輸、等操作，結合場景，在輸入驗證的循環(huán)反復中，對算法進行迭代和升級，覆蓋更多cornercase，推動自動駕駛解決方案向成熟進階，提升自動駕駛能力的快速閉環(huán)迭代，加速自動駕駛規(guī)模化量產(chǎn)落地。技術發(fā)展推進數(shù)據(jù)閉環(huán)不斷升級，大數(shù)據(jù)與多場景逐步落地應用自動駕駛數(shù)據(jù)閉環(huán)建設并非一日之功，從僅限在少部分的測試車上開始，閉環(huán)通路1.0隨著技術的升級，自動駕駛進入高等級發(fā)展階段，數(shù)據(jù)閉環(huán)的也順勢升級進入2.0階段；未來，將向大規(guī)模量產(chǎn)的3.0階段發(fā)展。如今，中國自動駕駛數(shù)據(jù)閉環(huán)已經(jīng)走過了初步構建的第一階段，正處于數(shù)據(jù)高效驅(qū)動的第二階段，未來向搭建生態(tài)、催生商業(yè)化的第三階段進發(fā)。隨著階段推進，處理數(shù)據(jù)能力與自動化運轉(zhuǎn)能力大幅提升，產(chǎn)業(yè)協(xié)同更加高效，云商扮演更重要的角色，支撐新的商業(yè)生態(tài)建設。億歐智庫：自動駕駛數(shù)據(jù)閉環(huán)發(fā)展三階段1.0階段：2013-2017閉環(huán)通路初步構建發(fā)展初期的數(shù)據(jù)閉環(huán)較為簡單，只是簡單的通路構建，主要在測試車上發(fā)現(xiàn)問題并上傳，由工程師們分析錯誤報告，以找出問題原因，進而修改代碼并在下次更新后予以解決。這是傳統(tǒng)的、簡單的數(shù)據(jù)閉環(huán)，但效率不高，多個環(huán)節(jié)需要人工輔助。

2.0階段：2018-2024數(shù)據(jù)驅(qū)動閉環(huán)升級隨著的進步和自動駕駛等級的發(fā)展，傳統(tǒng)的數(shù)據(jù)這一階段，面向更大規(guī)模數(shù)據(jù)的閉環(huán)及相應技術和服務被車企及供應商廣泛。大規(guī)模

3.0階段：2025-2030催化商業(yè)落地端助力自動駕駛的終極實現(xiàn)。自動駕駛數(shù)據(jù)閉環(huán)生態(tài)體系大規(guī)模標注分析問題上傳錯誤出現(xiàn)問題大規(guī)模分析問題上傳錯誤出現(xiàn)問題上線測試重寫代碼上線測試重寫代碼

大規(guī)模高頻率

城市級高等級自動駕駛量產(chǎn)低等級自動駕駛量產(chǎn)高速測試z車端閉環(huán) 路端閉環(huán)云服務賦能2013 2018 2025目錄目錄CONTENTS01自動駕駛發(fā)展機遇與挑戰(zhàn)01自動駕駛產(chǎn)業(yè)發(fā)展洞察自動駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02 云服務賦能自動駕駛數(shù)據(jù)閉環(huán)自動駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點分析02 云服務賦能自動駕駛數(shù)據(jù)閉環(huán)自動駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點分析自動駕駛數(shù)據(jù)閉環(huán)需要云服務賦能云服務加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運轉(zhuǎn)自動駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜及分析03云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式綜述云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式解析信息來源：公開資料、專家訪談14信息來源：公開資料、專家訪談142.1.1數(shù)據(jù)閉環(huán)隨自動駕駛升級挑戰(zhàn)劇增，數(shù)據(jù)量指數(shù)級增長、長尾問題仍需突破比測試車而言數(shù)量級更大、類型更多，車端所需的數(shù)據(jù)以及提升自動駕駛功能所需的數(shù)據(jù)隨之大幅升高。在數(shù)據(jù)量增長之外，長尾問題也日漸重要。自動駕駛需要盡可能多地涵蓋cornercase而目前的長尾仍有很大一部分尚未覆蓋，技術有待提升。億歐智庫：各等級自動駕駛汽車原始數(shù)據(jù)及所需存儲空間示意圖原始：15-20TB/小時數(shù)

長尾數(shù)據(jù)問題是高等級自動駕駛的核心問題當前業(yè)內(nèi)普遍形成共識，自動駕駛的底層架構和大部分技術問題已經(jīng)被解決，據(jù)量原始：200-300GB/小時所需空間：4-10PBL1

原始：1-2TB/小時所需空間：50-100PB

原始：4-5TB/小時所需空間：500PB-1EB

所需空間：3EB+L4

但由于現(xiàn)實道路場景復雜，即使現(xiàn)有已經(jīng)實現(xiàn)絕大部分場景的自動駕駛，剩下的少數(shù)長尾場景始終無法覆蓋。駕駛場景出現(xiàn)頻率常見行駛場景：路況簡單、易應對，駕駛場景出現(xiàn)頻率常見行駛場景：路況簡單、易應對，出現(xiàn)頻率高極端行駛場景：路況復雜、響應要求高，出現(xiàn)頻率低L2 環(huán)境天氣、地理、道路、行政區(qū)劃、停車場、充電樁……環(huán)境位置及軌跡出租車、乘用車、商用車、手機、共享單車、交通擁堵及事故、熱點區(qū)域、位置及軌跡常駐地點……用戶數(shù)據(jù)用戶身份信息、程序使用歷史、駕駛習慣、制動習慣、智艙操作習慣、用戶數(shù)據(jù)購買行為及偏好、職業(yè)年齡及教育水平、交通事故違規(guī)記錄、維修保養(yǎng)信息車輛數(shù)據(jù)車門狀態(tài)、車內(nèi)溫度、胎壓、雨刮器狀態(tài)、油量/電池信息、電機速度，車燈/霧燈狀態(tài)、傳感器車輛數(shù)據(jù)

駕駛復雜程度90%尚未形成完整閉環(huán)，成了制約向高等級發(fā)展的90%最大難題。因此采集最后10%“極端工況”的長尾數(shù)據(jù)，讓真正有用的數(shù)據(jù)被利用起來，才是閉環(huán)下一步應該具備的能力，也是高等級自動駕駛成敗的關鍵點之一。信息來源：公開資料、億歐智庫15信息來源：公開資料、億歐智庫15數(shù)據(jù)增長速度與處理能力不匹配，平臺發(fā)展初期仍存“數(shù)”“智”割裂難題共同加速數(shù)據(jù)閉環(huán)，數(shù)字化與智能化融合已成為必然趨勢。然而產(chǎn)業(yè)發(fā)展初期數(shù)據(jù)與平臺仍呈割裂狀態(tài)，相互賦能的正向循環(huán)未能構建起來。自動駕駛在向高等級發(fā)展的過程中，極速增長的數(shù)據(jù)帶來了一系列處理難題億歐智庫：自動駕駛技術發(fā)展三要素

數(shù)據(jù)孤島算力算法平臺/AI算力算法平臺/AI格式各不相同，方式及管理方式亦不相同；

技術割裂自動駕駛數(shù)據(jù)閉環(huán)主要由管理和算法模型兩部分組成，前者基于以大數(shù)據(jù)為核心的數(shù)據(jù)

不可能三角自動駕駛數(shù)據(jù)閉環(huán)追求更大數(shù)據(jù)量、更低存儲成本、更高計

治理困難從到模型訓練再到仿周期漫長，導致極具復雜多元異構使倉庫、數(shù)

，后者基于以機器學習技

算，而這在傳統(tǒng)架構中是

性，管理難度高、資源消耗大，據(jù)湖、數(shù)據(jù)等數(shù)據(jù)之間形成

術為核心的 ，者

無可實現(xiàn)的不可能三角問題

且模型訓練前的數(shù)據(jù)準備工作孤島 線并不相同，易產(chǎn)生技術割

耗時耗力大量數(shù)據(jù)未被利用與托管平臺需要大規(guī)模準確數(shù)據(jù)哺育原本應緊密相連的數(shù)據(jù)平臺與平臺仍處割裂狀態(tài)大量數(shù)據(jù)未被利用與托管平臺需要大規(guī)模準確數(shù)據(jù)哺育資源的優(yōu)劣極大程度決定了的落地效果。過去企業(yè)自身搭建的傳統(tǒng)治理體系，多停留在對于結構性數(shù)據(jù)的治理優(yōu)化，在質(zhì)量、數(shù)據(jù)字段豐富度、數(shù)據(jù)分布和數(shù)據(jù)實時性等維度尚難滿足對數(shù)據(jù)的高質(zhì)量要求資源的優(yōu)劣極大程度決定了的落地效果。過去企業(yè)自身搭建的傳統(tǒng)治理體系，多停留在對于結構性數(shù)據(jù)的治理優(yōu)化，在質(zhì)量、數(shù)據(jù)字段豐富度、數(shù)據(jù)分布和數(shù)據(jù)實時性等維度尚難滿足對數(shù)據(jù)的高質(zhì)量要求自動駕駛等級越來越高，量產(chǎn)應用規(guī)模越來越大，、、加工等多個環(huán)節(jié)均有大量數(shù)據(jù)未被有效利用及托管，因此無法激活要素的潛能，兌換其價值數(shù)據(jù)、大規(guī)模算力與算法/模型是最為重要的三大元素，三者相互支撐、緊密相連。信息來源：專家訪談16信息來源：專家訪談16數(shù)據(jù)處理需要大量資源及技術投入，研發(fā)與應用成本齊飆自動駕駛成本既包括解決長尾問題的研發(fā)成本，也包括相應的數(shù)據(jù)成本。在收集長尾數(shù)據(jù)、自動駕駛能力的過程中，硬件設備的改裝維修、算法模型的更新迭代、研發(fā)人員的雇傭維護以及海量數(shù)據(jù)帶來的傳輸和存儲都形成了數(shù)以百萬、千萬計的成本。而車企在不斷沖刺高等級自動駕駛的同時，累積越來越多的里程與測試數(shù)據(jù)，進一步提高了發(fā)展成本。億歐智庫：高等級自動駕駛數(shù)據(jù)閉環(huán)各環(huán)節(jié)資源與成本消耗曲線

億歐智庫：自動駕駛不同等級預估最小測試車維護工程師成本壓縮加密空間費用大量標注成本自建數(shù)據(jù)中心地圖開集群搭建系統(tǒng)OTA傳輸車維護工程師成本壓縮加密空間費用大量標注成本自建數(shù)據(jù)中心地圖開集群搭建系統(tǒng)OTA傳輸通信帶寬費用挖掘算法成本場景搭建算法研發(fā)成本研發(fā)人力成本研發(fā)成本GPT-3費用超過1200萬美元）工作也需要很大的成本人力成本程師不斷維護迭代/千人團隊，人工成本3個月接近1000萬元）時間成本億論上需要3個月，、標注、訓練等環(huán)節(jié)都需要大量的時間成本成本主要在模型訓練集群其次是仿真集群、數(shù)據(jù)以及數(shù)據(jù)處理與標注最小車輛數(shù)最小里程數(shù)測試場景數(shù)L42000+10億公里10億+200+ 1億公里 1000萬+L310+1000萬公里10萬+6-10 10萬公里 1萬+L23-51萬公里1000+2-31千公里100+運維成本應用部署成本的全部原始數(shù)據(jù)都，一年信息來源：《自動駕駛數(shù)據(jù)安全白皮書》（2020）17信息來源：《自動駕駛數(shù)據(jù)安全白皮書》（2020）17海量數(shù)據(jù)類型復雜，各層級均存在安全風險隱患自動駕駛數(shù)據(jù)量級越大、涉及面越廣，其安全隱患就越大。在多層級處理、流動中都暗含大量安全風險，一旦被攻擊、竊取、篡改，將對企業(yè)、公民、社會乃至國家安全造成損害。機密性用戶隱私數(shù)據(jù)、測試數(shù)據(jù)、人機交互數(shù)據(jù)等不泄露給未授權的個人、實體、進程，并保證其不被利用。完整性決策控制數(shù)據(jù)、動態(tài)交通環(huán)境數(shù)據(jù)等未被更改或破壞，保證車輛信息數(shù)據(jù)的正確生成、和傳輸?？捎眯詸C密性用戶隱私數(shù)據(jù)、測試數(shù)據(jù)、人機交互數(shù)據(jù)等不泄露給未授權的個人、實體、進程，并保證其不被利用。完整性決策控制數(shù)據(jù)、動態(tài)交通環(huán)境數(shù)據(jù)等未被更改或破壞，保證車輛信息數(shù)據(jù)的正確生成、和傳輸?？捎眯砸咽跈嗟膫€人、實體一旦需要就可以訪問和使用自動駕駛數(shù)據(jù)和資源。億歐智庫：自動駕駛各層級數(shù)據(jù)安全風險層層決策/控制安全（遭竊取或篡改后，可用性和完整性被破壞，造成車輛失竊或失控）個人信息安全（越權訪問、存儲導致泄露，可能導致車輛被盜或被非法控制）測試/仿真安全（遭到篡改導致集準確性降低，影響功能的安全性和可靠性）平臺安全風險 大數(shù)據(jù)處理風險（不同類型、不同級別的自動駕駛 平臺安全風險 大數(shù)據(jù)處理風險（不同類型、不同級別的自動駕駛 （海量數(shù)據(jù)未經(jīng)細粒度訪問控制，數(shù)據(jù)匯聚，數(shù)據(jù)價值較大，易成為 可能被濫用，未經(jīng)分類隔離、分攻擊焦點） 防護，數(shù)據(jù)融合易引發(fā)隱私泄露隱私泄露風險（地理信息、個人隱私、商業(yè)化測試數(shù)據(jù)、場景化數(shù)據(jù)、高精地圖等可能流轉(zhuǎn)外泄）越權訪問風險系統(tǒng)/軟件漏洞層（越權訪問或濫用權限，非法獲?。◥阂庑薷钠脚_系統(tǒng)及軟件，造成數(shù)據(jù)破壞，篡改未加密升級包，阻止車輛安全漏洞、風險的修復）獲取用戶隱私、駕駛數(shù)據(jù)甚至車輛控制權，降低車輛安全性、穩(wěn)定性通信層惡意節(jié)點攻擊（傳感器節(jié)點與云端接口間、通信總線與ECU間缺少認證保護機制）內(nèi)外傳輸風險（內(nèi)部交互易阻塞或被篡改，導致反饋不及時，外部交互易受到竊聽或攻擊，泄露地理信息、敏感數(shù)據(jù)等通信協(xié)議風險（多種網(wǎng)絡接口的通信協(xié)議安全漏洞威脅傳輸安全，可能遭到破解竊?。┎杉瘜硬杉O備安全（測試車輛二次改裝易造成組件丟失損壞，改裝設備一致性差、性能不穩(wěn)定）路測基建安全（路端基礎設施改造成本巨大，數(shù)據(jù)安全防護機制設計部署不足）感知數(shù)據(jù)完整（傳感器可能受到干擾而失靈，造成感知數(shù)據(jù)識別錯誤或污染，過程可能受到阻斷）信息來源：公開資料、億歐智庫PAGE信息來源：公開資料、億歐智庫PAGE18云底座基礎能力云服務賦能云服務以數(shù)據(jù)處理為核心，疊加大模型深度學習能力，賦能數(shù)據(jù)閉環(huán)降本增效云底座基礎能力云服務賦能業(yè)實現(xiàn)降本增效和商業(yè)閉環(huán)，遵從法律法規(guī)保障安全合規(guī)等多方面，深度賦能數(shù)據(jù)閉環(huán)。數(shù)據(jù)閉環(huán)挑戰(zhàn)“數(shù)據(jù)多”低底層硬軟設施迭代慢數(shù)據(jù)處理效率低數(shù)據(jù)閉環(huán)挑戰(zhàn)“數(shù)據(jù)多”低底層硬軟設施迭代慢數(shù)據(jù)處理效率低“成本高”研發(fā)成本高 研發(fā)周期研發(fā)成果轉(zhuǎn)化慢量產(chǎn)落地進度慢“合規(guī)難”確權模糊防護薄弱數(shù)據(jù)合規(guī)困難效率為先強化數(shù)據(jù)處理研發(fā)為核提升研發(fā)效率融合為方促進數(shù)智融合安全為重保障數(shù)據(jù)合規(guī)全球為局推動商業(yè)落地大模型計算網(wǎng)絡云原生庫云傳輸云底座信息來源：公開資料、華為云PAGE信息來源：公開資料、華為云PAGE19效率為先，計算上云加速海量數(shù)據(jù)處理理自動駕駛數(shù)據(jù)。云服務商提供高效海量數(shù)據(jù)處理方案更高算力、更高效率云計算

更大容量、更低成本云存儲

更低延時、更快傳輸云傳輸云端大助力提升算力、分布式緩存技術提升針對海量數(shù)據(jù)的處理能力

分布式存儲架構和對象存儲技術，具備大容量、高可靠性、高性能、高伸縮性、低成本等優(yōu)勢第三方云可以節(jié)省成本，客戶只需支付費用

大量數(shù)據(jù)接入點和網(wǎng)絡節(jié)點遍布各個地區(qū)，支持數(shù)據(jù)快速上云理提升，成本降低

公有云存儲成本相較于自建數(shù)據(jù)中心能減少10%-20%；云平臺還可以用高壓縮態(tài)的方式存儲，同時進行數(shù)據(jù)篩選。如某頭部云廠商冷數(shù)據(jù)下沉率可達96%

傳統(tǒng)網(wǎng)絡的時延以秒計算，云服務商打造數(shù)千個邊緣節(jié)點，就近實現(xiàn)傳輸和計算處理，能夠有效降低時延至100毫秒以下華為云：華為云云方案能夠?qū)崿F(xiàn)高效訓練、精細存儲、快速入云磁盤快遞，專線傳輸完成路采24H入云全國50+接入點車企就近接入磁盤槽位600+，專線總帶寬1000+Gbit/s每天完成10PB上云模型推理加速InferTurbo通過圖編譯加速模型推理推理效率提升2-5倍多模型多進程復用GPU優(yōu)化，提升GPU磁盤快遞，專線傳輸完成路采24H入云全國50+接入點車企就近接入磁盤槽位600+，專線總帶寬1000+Gbit/s每天完成10PB上云模型推理加速InferTurbo通過圖編譯加速模型推理推理效率提升2-5倍多模型多進程復用GPU優(yōu)化，提升GPU模型訓練加速TrainTurbo加載優(yōu)化，CV部分場景（多圖片）加速30%高性能算子和編譯優(yōu)化，訓練效率提升40%+通信優(yōu)化，訓練線性加速90%+數(shù)據(jù)加載加速DataTurbo利用本機SSD做分布式緩存，降低存儲成本讀取時間縮短50%元數(shù)據(jù)預熱速度提升20倍10億條元數(shù)據(jù)預熱時間從100H降至5H語義直通1小時預熱2億條元云上云下近GPU加速成本下降20%冷數(shù)據(jù)下沉率最高96%多種存儲規(guī)格4種規(guī)格適配不同熱度數(shù)據(jù)智能數(shù)據(jù)分級自動識別冷存儲指標看版70+指標，數(shù)據(jù)精細化管理

數(shù)據(jù)入云服務研發(fā)為核，全流程用云助力構建全棧開發(fā)工具鏈傳統(tǒng)自動駕駛開發(fā)工具多頭建設十分零散，外購與自研并存，流程難以打通，工具鏈路調(diào)試費時費力，嚴重拖慢研發(fā)進程。云以數(shù)據(jù)驅(qū)動為指導，覆蓋閉環(huán)關鍵環(huán)節(jié)，提供全棧式研發(fā)工具鏈，實現(xiàn)開發(fā)入云，提升研發(fā)。業(yè)務割裂數(shù)據(jù)孤島華為云：華為云堅持開放生態(tài)，全棧自動駕駛開發(fā)平臺，滿足企業(yè)一站式建設方式，也支持按需搭建、靈活組合的模式業(yè)務割裂數(shù)據(jù)孤島華為云：華為云堅持開放生態(tài)，全棧自動駕駛開發(fā)平臺，滿足企業(yè)一站式建設方式，也支持按需搭建、靈活組合的模式為車企提供一站式平臺：開發(fā)→測試→商用，實現(xiàn)按需使用、即插即用數(shù)據(jù)驅(qū)動閉環(huán)“自研”挖掘平臺精準仿真+評價預期功能安全為車企提供模塊化解決方案：數(shù)據(jù)驅(qū)動的自動駕駛開發(fā)，測試，仿真的閉環(huán)方案自動駕駛云服務平臺算法模型 虛擬仿真和回放式仿真 開放和易擴展平臺海量數(shù)據(jù)存儲與處理 可拓展的算力支持增量數(shù)據(jù)集虛擬場景庫仿真服務 訓練服務 感知算法 數(shù)據(jù)標注 數(shù)據(jù)回放難例挖掘場景挖掘大屏展示實車測試 數(shù)據(jù)上云/ 數(shù)據(jù)處理 數(shù)據(jù)服務 開發(fā)效率低開發(fā)工具鏈需要數(shù)據(jù)打通以提高研發(fā)效率云服務商提供端到端全棧式連貫工具鏈云服務商提供端到端全棧式連貫工具鏈上云部署仿真評測平臺模型訓練數(shù)據(jù)處理平臺數(shù)據(jù)管理平臺工具連續(xù)從數(shù)據(jù)上云到模型，數(shù)據(jù)閉環(huán)各個環(huán)節(jié)對工具連續(xù)連通數(shù)據(jù)統(tǒng)一由云平臺管理處理，滿足合規(guī)要求，解決標準、格式不統(tǒng)一問題，打破孤島，連通加速數(shù)據(jù)流通

減少調(diào)試、時間成本、人力成本，從而降低研發(fā)成本縮短模型訓練時間，加速算法模型迭代，提升研發(fā)效率融合為方，云服務為數(shù)智融合統(tǒng)一搭建底座合，數(shù)據(jù)與相互賦能、共同加速數(shù)據(jù)閉環(huán)的正向循環(huán)。打破孤島聯(lián)結技術割裂突破不可能三角打破孤島聯(lián)結技術割裂突破不可能三角效益限制提高業(yè)務效率

華為云：采用存儲-緩存-計算三層分離架構，數(shù)智融合平臺，利用盤古大模型深度賦能數(shù)據(jù)閉環(huán)核心場景億歐智庫：華為云數(shù)智融合平臺架構統(tǒng)一底座創(chuàng)新存算架構統(tǒng)一底座創(chuàng)新存算架構低代碼自動化

數(shù)據(jù)閉環(huán)場景資產(chǎn)搜索定位全局血緣分析資產(chǎn)熱度分析資產(chǎn)搜索定位全局血緣分析資產(chǎn)熱度分析

盤古大模型深度賦能預標注大模型難例挖掘 數(shù)據(jù)標注 數(shù)據(jù)生成 KPI指標分析預標注大模型

生成理解大模型理解大模型多模態(tài)檢索大模型三大核心能力多模態(tài)檢索大模型

統(tǒng)一元數(shù)據(jù)服務訓練數(shù)據(jù)統(tǒng)一元訪問控制數(shù)據(jù)生命周期管理實訓練數(shù)據(jù)統(tǒng)一元訪問控制數(shù)據(jù)生命周期管理

時計算引擎 量計算引擎 交時計算引擎 量計算引擎 交處理引擎 計算擎緩存統(tǒng)一權限管控建立健全權限控制能力，明確業(yè)務間數(shù)據(jù)管控權責范圍，實現(xiàn)統(tǒng)一權限管控統(tǒng)一共享統(tǒng)一權限管控建立健全權限控制能力，明確業(yè)務間數(shù)據(jù)管控權責范圍，實現(xiàn)統(tǒng)一權限管控統(tǒng)一共享實現(xiàn)資產(chǎn)化，在統(tǒng)一中打通元數(shù)據(jù)管理模式，實現(xiàn)數(shù)據(jù)統(tǒng)一管理、共享

原始 脫敏后數(shù)據(jù)DataOps+MLOps同，在同一完成開發(fā)、測試、交付，打通技術便捷，提升業(yè)務創(chuàng)新效率間自由共享，實現(xiàn)用DataOps+MLOps同，在同一完成開發(fā)、測試、交付，打通技術便捷，提升業(yè)務創(chuàng)新效率間自由共享，實現(xiàn)用數(shù)更便捷、權限有保障；百PB級數(shù)據(jù)可視、可管三層池化架構（池、緩存池），打破資源邊界，性價比提升30%統(tǒng)一開發(fā)編排模型訓練任務，提升整體開發(fā)效率

統(tǒng)一存儲服務標注集 集KPI標注集集KPI統(tǒng)一元數(shù)據(jù)管理全局數(shù)據(jù)地圖統(tǒng)一元數(shù)據(jù)管理全局數(shù)據(jù)地圖工作流統(tǒng)一編排安全為重，數(shù)據(jù)入云確保流程安全合規(guī)據(jù)使用全程監(jiān)管、資質(zhì)圖商全程管控?！蹲匀毁Y源部關于促進智能網(wǎng)聯(lián)汽車發(fā)展維護測繪地理信息安全的通知》 《中華人民共和國測繪法》 《中華人民共和國個人信息保護法》《自然資源部關于促進智能網(wǎng)聯(lián)汽車發(fā)展維護測繪地理信息安全的通知》《中華人民共和國測繪法》《中華人民共和國個人信息保護法》界定測繪行為、明確測繪資質(zhì)要求、嚴控外傳

測繪合規(guī)：采集國家地理信息合規(guī)

隱私合規(guī)：采集用戶隱私相關數(shù)據(jù)合規(guī)自動駕駛研發(fā)必須有數(shù)據(jù)合規(guī)方案數(shù)據(jù)采集數(shù)據(jù)采集傳輸數(shù)據(jù)存儲傳輸數(shù)據(jù)處理傳輸進行合規(guī)。

采集之后將被到合規(guī)云，即圖商管理區(qū)。云服務商對數(shù)據(jù)進行脫敏、脫密處理，使云服務商提供數(shù)據(jù)合規(guī)方案之成為非敏測繪成果數(shù)據(jù)；或脫敏、脫密處理使之成為非測繪成果數(shù)據(jù)，經(jīng)過圖商審查后可至其他私有云/公有云以供使用。云服務商提供數(shù)據(jù)合規(guī)方案

運維。華為云：華為云：建設烏蘭察布汽車專區(qū)，提供全流程安全合規(guī)3分區(qū)合規(guī)架構7層安全防護認證資質(zhì)華為云建設專區(qū)聯(lián)合提供方案頭部圖商安全云腦 置安全運營智能化1 2理 全 63745機 線 線 線網(wǎng)絡中繼區(qū)身份認證|圖商審批智駕業(yè)務區(qū)閉環(huán)|數(shù)據(jù)處理區(qū)雙因子|專線接入|圖商專屬120+權威安全合規(guī)認證集成16+安全隱私合規(guī)模塊10000+安全基線600+檢測項30+年安全經(jīng)驗積累中國首個TISAX汽車行業(yè)認證云廠商信息來源：公開資料、億歐智庫PAGE信息來源：公開資料、億歐智庫PAGE23全球為局，云廠商護航自動駕駛相關企業(yè)安心出海自動駕駛數(shù)據(jù)閉環(huán)因出境而斷層，助力中國車企安心出海。當前汽車出海地區(qū)多為東南亞、歐洲、南美洲等地區(qū)，各云商根據(jù)海外數(shù)據(jù)中心布局情況因地制宜為汽車企業(yè)出海護航。云服務商化身車企海外運營伙伴，發(fā)揮云服務能力維護境外數(shù)據(jù)閉環(huán)運行，助力車企出海自動駕駛功能繼續(xù)快速更新迭代維護境外數(shù)據(jù)閉環(huán)完整運行專業(yè)本土團隊全球數(shù)據(jù)中心云服務能力維護境外數(shù)據(jù)閉環(huán)完整運行專業(yè)本土團隊全球數(shù)據(jù)中心云服務能力統(tǒng)一存算網(wǎng)絡數(shù)據(jù)閉環(huán)出海挑戰(zhàn)

海外本土合規(guī)難跨境溝通協(xié)同難

數(shù)據(jù)閉環(huán)易斷層

數(shù)據(jù)合規(guī)化服務運營精細化服務覆蓋多數(shù)出海地區(qū)提供強力存算保障安全合規(guī)云上不分家傳輸?shù)脱訒r溝通協(xié)同無障礙億歐智庫：2022年中國整車出口地域銷量占比6.9%11.9%6.9%11.9%13.9%35.6%25.8%亞洲歐洲南美洲北美洲非洲大洋洲

云服務商在全球布局數(shù)據(jù)中心數(shù)據(jù)中心的位置通常用區(qū)域和可用區(qū)來描述：區(qū)域（Region）：從地理位置和網(wǎng)絡時延維度劃分，同一個Region內(nèi)共享彈性計算、塊、對象等公共?？捎脜^(qū)（AZ，AvailabilityZone）：一個AZ是一個或多個物理數(shù)據(jù)中心的集合，有獨立的風火水電，AZ絡、等資源劃分成多個集群。

億歐智庫：中國部分云服務商海外布局情況（單位：個）84 887030 29 26華為云 阿里云 騰訊區(qū)域 可用區(qū)信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE24大模型加速研發(fā)步伐，從多維度推動自動駕駛前行大模型的性能和泛化能力相比傳統(tǒng)小模型有了顯著提高，且深度學習能力讓其可以自主加速進行算法迭代。在需要消耗大量人力且低下的環(huán)節(jié)中，大模型都可以起到十分重要的作用，在很大程度上幫助自動駕駛數(shù)據(jù)閉環(huán)解決效率及成本的問題。目前大模型在自動駕駛領域中主要有兩種應用方式，分別是：自建通用大模型和通過微調(diào)垂類大模型。劃、實例級的在線建圖、城市NOA、車體縱橫向控制等任務中。自建通用大是解決自動駕駛數(shù)據(jù)問題的首要解決方案，很多車企及頭部Tier廠商選擇構建自己的多模態(tài)通用大模型，但這同時也意味著挑戰(zhàn)。如今我國通用大仍以追趕ChatGPT為主，未來依靠頭部領軍企業(yè)，將逐步開發(fā)出中國自己的ChatGPT，甚至超過GPT4的水平。自建通用大模型自建通用大是解決自動駕駛數(shù)據(jù)問題的首要解決方案，很多車企及頭部Tier廠商選擇構建自己的多模態(tài)通用大模型，但這同時也意味著挑戰(zhàn)。如今我國通用大仍以追趕ChatGPT為主，未來依靠頭部領軍企業(yè)，將逐步開發(fā)出中國自己的ChatGPT，甚至超過GPT4的水平。自建通用大模型感知大模型通過半監(jiān)督方式自迭代，增強視覺感知小模型，賦能多模態(tài)感知；同時利用圖像弱監(jiān)督預訓練的模型挖掘長尾數(shù)據(jù)提升模型效果。視覺感知多模態(tài)感知生成賦能增強小模型遠距離3D視覺感知在圖像端和點云端提升感知效果感知大模型通過半監(jiān)督方式自迭代，增強視覺感知小模型，賦能多模態(tài)感知；同時利用圖像弱監(jiān)督預訓練的模型挖掘長尾數(shù)據(jù)提升模型效果。視覺感知多模態(tài)感知生成賦能增強小模型遠距離3D視覺感知在圖像端和點云端提升感知效果主要體現(xiàn)在突破長尾瓶頸、標注、模型訓練上，助力成本下降，便于定制化訓練模型生成海量數(shù)據(jù)，助力仿真平臺構建公有云公有云訓練+推理大經(jīng)過反復訓練，可將完整的駕駛策略分拆為自動駕駛的動態(tài)識別過程，進而實現(xiàn)可理解的邏輯鏈條。汽車專區(qū)云專屬資源池車體控制遠程安全接管脫困更好的車體縱橫向控制基于安全可靠的預測技術，實現(xiàn)一對多接管提升對于障礙物的檢測能力混合云HCS私有化部署恰當?shù)奈⒄{(diào)能夠賦予模型在特定領域的能力和與人類“對齊”的能力。調(diào)整的方法繁多，以ChatGPT的過程為例，預好的基礎進一步的通常分為三步：采用人工標注好的數(shù)據(jù)來訓練模型；人類對答案的排序一個獎勵；使用獎勵強化學習的方式訓練ChatGPT。微調(diào)打造垂類大模型大模型規(guī)控智駕能力規(guī)控智駕能力NOA大模型泛化能力強，平滑性好，能夠更好的應對復雜場景有效識別城市，實現(xiàn)城市導航輔助駕駛信息來源：公開資料、華為云PAGE信息來源：公開資料、華為云PAGE252.2.6頭部企業(yè)聚焦大模型+NeRF技術，未來將賦能城市級自動駕駛多場景數(shù)據(jù)處理大模型對于閉環(huán)的賦能體現(xiàn)在車端、云端等多個方面。NeRF能自動駕駛數(shù)據(jù)閉環(huán)多個環(huán)節(jié)。多個頭部企業(yè)也正通過技術研發(fā)，實現(xiàn)NeRF技術與大模型結合在自動駕駛中更廣泛的應用，主要表現(xiàn)在自動標注、測試、路采擴充、cornercases生成等方面。圖像 NeRF渲染位姿

新圖像

NeRF即神經(jīng)輻射場，采用神經(jīng)網(wǎng)絡對隱式重建，利用可微渲染，從已有視圖中學習如何渲染新視角下的圖像，從而實現(xiàn)照片級逼真的圖像渲染。NeRF最先應用在新視角合成方向，由于其超強的隱式表達三維信息的能力，如今在三維重建領域迅速發(fā)展起來。目前NeRF相關的大概分成兩類：單純的視覺上進行大尺度無邊界場景重建，和場景重建后對場景進行重新編輯，以進行自動駕駛測試。大尺度無邊界場景重建 場景重建+重新編輯商湯科技2023年7月，商湯科技與上海體系”。其中，書生·級的NeRF建模，具備千億參數(shù)，已實現(xiàn)對100平方公里城市實景進行4K高精度建模以及編

特斯拉特斯拉率先提出將NeRF應用在自動駕駛領域，主要體現(xiàn)在兩方面：用NeRF做城市級大規(guī)模場景重建和借助體渲染為占用網(wǎng)絡提供額外監(jiān)督。其中城市級大規(guī)模場景重建能夠生成自動駕駛模擬集，可以自定義場景，用以自動駕駛訓練。2022年2月，Waymo構建了Block-NeRF

毫末智行毫末智行提升了NeRF最終合成的效果，除了重建三維結構，還以高精度恢復路面紋理，以便更準確地了解整個、掌控真值，從而根據(jù)需要做標注。結合BEV模型訓練的帶有3D標注的真值數(shù)據(jù)，場景重建的誤差小于10cm，同時還能對中的動態(tài)物體做出肉眼難辨的重建和渲染。華為云華為云場景生成大模型采用NeRF技術對街景&泊車進行三維重建，實現(xiàn)“同一對象只標一次”即可遷移所有相關圖像，“同一只采一次”即可獲得不同視角圖像?？砂葱枘M生成罕見和CornerCase，如不同天氣，行駛路線、不同光照等，加速數(shù)據(jù)爬坡進程，降低成本和難度。同時，華為云也通過NeRF提升數(shù)據(jù)生成效率，以數(shù)據(jù)生成替代實車路采，降低仿真成本。

其他NeRF企業(yè)輯。如今，“書生”大模型正在自動駕駛等領域，助力感知決策一體化，讓自動駕駛更智能。

網(wǎng)格，用280萬張街景照片重建出整片舊金山市區(qū)的3D環(huán)境。在此前，NeRF的工作往往側重于小規(guī)模和以對象為中心的重建。

盤古大模型NeRF生成

位姿偏移自動修正開闊大場景厘米級偏移生成場景可按需編輯信息來源：億歐智庫PAGE信息來源：億歐智庫PAGE27云服務助益數(shù)據(jù)閉環(huán)各個環(huán)節(jié)，加速閉環(huán)高效運轉(zhuǎn)閉環(huán)的流程可以大致分為數(shù)據(jù)、數(shù)據(jù)標注、模型、測試和五個環(huán)節(jié)。隨著自動駕駛的發(fā)展演進，各環(huán)節(jié)面對海量數(shù)據(jù)都出現(xiàn)了新的發(fā)展瓶頸與痛點，云廠商所提供的能夠滲透進各個環(huán)節(jié)，從前端的數(shù)據(jù)到中間的感知環(huán)節(jié)，再到后期的和部署環(huán)節(jié)，云不同程度的幫助流程做到采集用云、數(shù)據(jù)入云、存算上云、測試進云、部署靠云的全鏈路支撐。億歐智庫：云服務能力支撐自動駕駛數(shù)據(jù)閉環(huán)發(fā)展應用部署標注 仿真測試應用部署專業(yè)測試車輛數(shù)據(jù)生成

輸入/快遞/

處理/采樣/篩檢

算法測試...

控制邏輯驗證編輯

結果生成/分析

車端模型部署社會化量產(chǎn)車輛

壓縮/加密/轉(zhuǎn)換

標注、大模型

重復（下一步）

模擬/

軟件模擬

OTA升級優(yōu)化

越高等級自動駕駛越需要仿真測試，但同時也面臨著測不

軟件包版本眾多、管理難度大；耗

率不高，且質(zhì)量不齊

持續(xù)運轉(zhuǎn)數(shù)據(jù)閉環(huán)

全、測不快、測不準、不會評等技術難題

時過長，影響用戶體驗等問題云服務能力加速自動駕駛數(shù)據(jù)閉環(huán)：用云、數(shù)據(jù)入云、存算上云、測試進云、部署靠云

云服務可以支撐3D點云、4DClip、NerRF

云服務支撐大模型進行大量的自主訓練和

云服務為場景庫提供高彈性的資源空間，同時大模型

分布式節(jié)點提供更快速、及時的傳用云、清晰全面

模型等進行更高效的自動標注入云、降本提速

深度學習，推動算法不斷迭代升級存算上云、準確高效

等技術可以幫助構建高質(zhì)量的3D城市級測試進云，高質(zhì)保量

輸服務，助力OTA升級等環(huán)節(jié)部署靠云，安全便捷最大化兌現(xiàn)大模型價值，數(shù)據(jù)閉環(huán)云端環(huán)節(jié)全面受益業(yè)內(nèi)普遍認為，自動駕駛的終局將會是一個超大規(guī)模的端到端自動駕駛數(shù)據(jù)閉環(huán)，而實現(xiàn)端到端的數(shù)據(jù)閉環(huán)，海量高價值數(shù)據(jù)、車端高算力缺特斯拉、小鵬、理想等主機廠，以及毫末智行、華為云、百度智能云等Tier1、挖掘、標注、、等多個環(huán)節(jié)，大大提升數(shù)據(jù)閉環(huán)的訓練和迭代。車端：決策輔助物體檢測：大模型能夠更高效率的檢測到車端：決策輔助物體檢測：大模型能夠更高效率的檢測到真值比較固定的物體；合并小模型：在車端運用大模型，主要形式是把處理不同子任務的小模型合并，形成一個“大模型”，然后做聯(lián)合推理；車道拓撲預測：動態(tài)環(huán)境大模型，可以精準預測道路的拓撲關系。云端相較于車端可以部署較大的大模型，以感知作用為主，從最開始的大模型助力長尾挖掘，到為未標注的3D數(shù)據(jù)進行自動標注，再到用這些再次訓練感知以及測試，多次迭代后，大模型的感知性能實現(xiàn)快速提升。數(shù)據(jù)挖掘 標注 仿真測試泛化性強，更善于長尾挖掘：例

標注精度高：自動標注可以先用

提升訓練量級：大模型能夠生成海量

重建和生成：利用大模型進如CLIP模型可以在無監(jiān)督預訓練之后將文本和圖像對應，從而基于文本對

海量未標注數(shù)據(jù)通過自監(jiān)督的方式預訓練一個大模型，微調(diào)后還能具備檢

可訓練數(shù)據(jù)，通過反復訓練，提升模型自我迭代能力；

行自動化、大規(guī)模的三維重建，構建現(xiàn)實世界；圖片進行數(shù)據(jù)挖掘；

測能力，進行自動標注；

提高訓練：自主深度學習是大模

訓練更具針對性：大模型能夠識別自端云：通信部署促進端云協(xié)同：大模型能夠有效促進端云協(xié)同模型訓練、，提升通信能力。百度文心大模型小馬智行BEV感知算法大模型摩院、上海實驗室聯(lián)合發(fā)布“洛犀”平百度文心大模型小馬智行BEV感知算法大模型

更善于提取特征，找到相似目標：基于Transformer的BEV方案能夠?qū)碜远鄠鞲衅鞯脑紨?shù)據(jù)結合，最大程度獲取目標物特征。

降低成本：數(shù)據(jù)標注原本是以人力為主導的行業(yè)，通過大模型自動化輔助可以有效降低過高的人力成本。OpenAICLIP覺非科技感知大模型

型的重要特征，能夠有效建立端到端的感知決策一體化算法，提高數(shù)據(jù)閉環(huán)的訓練效率。騰訊混元AI大模型……毫末智行DriveGPT：騰訊混元AI大模型……毫末智行DriveGPT：通過引入駕駛數(shù)據(jù)建立RLHF技術，對認知決策模型進行持續(xù)優(yōu)化，現(xiàn)階段主要用于自動駕駛的認知決策，終極目標是端到端華為云盤古大模型：采用5+N+X分層解耦設計，可以快速適配，快速滿足行業(yè)的多變需求，能夠賦能千行百業(yè)，如今已經(jīng)應用在自動駕駛各環(huán)節(jié)商湯UniAD

動駕駛系統(tǒng)的弱點，自動創(chuàng)建對抗性，從錯誤中學習，自動迭代更新。例如，WaymoNeRF重建，訓練新的算法，做回歸測試。采集：從測試到量產(chǎn)場景，數(shù)據(jù)預處理將越來越依賴云服務采集包括采集、脫敏、傳輸、儲存。對于L2、L3級別的DemoL4級別的Demo則會產(chǎn)生千億級的圖片數(shù)據(jù)，到了L4級的量產(chǎn)，數(shù)據(jù)將達到百萬億級。代速度的關鍵。數(shù) 億歐智庫：自動駕駛分階段數(shù)據(jù)規(guī)模據(jù)規(guī)模百萬級圖片數(shù)據(jù) 億級圖片數(shù)據(jù) 千億級圖片+點云數(shù)據(jù) 百萬億級圖片+點云數(shù)據(jù)

華為云面向海量數(shù)據(jù)提供存儲、計算、合規(guī)等多方面深度歸檔存儲服務：對長期不訪問存檔的企業(yè)信息數(shù)據(jù)進行歸檔。產(chǎn) 極強的數(shù)據(jù)采集能力、足夠的數(shù)據(jù)存儲空間、快速的數(shù)據(jù)傳輸速率

自動駕駛發(fā)展階段

客戶原始數(shù)據(jù)采集系統(tǒng)

華為云

客戶業(yè)務系統(tǒng) 數(shù)據(jù)采集面臨痛點 云服務助力數(shù)據(jù)高效 原始類別多

DISAgent DIS OBS DLI高等級自動駕駛數(shù)據(jù)包括攝像頭數(shù)據(jù)、激光雷達數(shù)據(jù)、毫米波雷達數(shù)據(jù)、點云數(shù)據(jù)等等，來源多且類別復雜，格式屬性不一有效挖掘難收集到的數(shù)據(jù)越來越多且龐雜，但并不是每一幀畫面都有效，全部會占用極大空間，也會讓后續(xù)工作變得困難

云服務加速清洗、過濾有效，擴容儲存空間大模型及算法具有高性能信息識別能力及豐富的積累，在海量數(shù)據(jù)中快速清洗、過濾、挖掘高價值

“M”個分布式車聯(lián)網(wǎng)節(jié)點華為云 中國聯(lián)通等運營聯(lián)合打造分布式車聯(lián)網(wǎng)方案傳輸延時低數(shù)據(jù)入云更快捷

“N”個車用數(shù)據(jù)接入點華為云在全國提供50+汽車專用數(shù)據(jù)接入點實現(xiàn)海量數(shù)據(jù)24h高效上云傳輸速度更快傳輸數(shù)據(jù)速度慢完成后，需要進行歸類、脫敏、壓縮和打包，通過4G/5G

云服務搭建就近接入點，助力高效傳輸有效建立汽車數(shù)據(jù)專用接入點，盡可能減少4G/5G網(wǎng)絡切換

“3”個超大數(shù)據(jù)中心構建汽車專區(qū)烏蘭察布專區(qū)蕪湖專區(qū)貴安專區(qū)烏蘭察布專區(qū)蕪湖專區(qū)貴安專區(qū)充分滿足海量數(shù)據(jù)存儲需求上傳至云端服務器。但由于傳輸?shù)纳舷滦墟溌份^長，且跨越不同基站網(wǎng)絡不穩(wěn)定等原因，會導致傳輸速度慢甚至丟失和亂序的情況信息來源：華為云

帶來的時延問題

超大云核心樞紐滿足海量數(shù)據(jù)計算需求提供全流程安全合規(guī)28信息來源：特斯拉、華為云29信息來源：特斯拉、華為云29標注：從人工標注走向自動標注，云服務結合深度學習高效處理海量數(shù)據(jù)車端數(shù)據(jù)完成之后，還需要經(jīng)過數(shù)據(jù)標注，包括分配類標簽、繪制邊界框和標記對象邊界等，經(jīng)過標注的數(shù)據(jù)才能變成算法模型能夠使用的有效樣本。而隨著自動駕駛技術的不斷迭代，需要大規(guī)模且高質(zhì)量的數(shù)據(jù)集進行訓練。了標注。如今，已經(jīng)有不少頭部玩家正在逐步推動自動標注的落地應用。特斯拉標注歷經(jīng)4個階段，精度、效率不斷提升特斯拉標注歷經(jīng)4個階段，精度、效率不斷提升如今，特斯拉自動標注系統(tǒng)可以取代500萬小時的人工作業(yè)量，人工僅需要檢查補漏。華為云預標注大模型實現(xiàn)4D智能標注，使用NeRF進行三維重建，實現(xiàn)“同一對象只標一次”2019年人工進行3D圖像標注2020年采用BEV進行標注2021年提出占用網(wǎng)絡方案，在4D空間中進行標注華為云預標注大模型AP/AP50綜合得分第一1/5；在權威榜單”KITTI360”中排名——NO.1建模小時級，物體建模分鐘級支持對場景內(nèi)物體進行替換2018年及之前只有純?nèi)斯?維圖像標注，較低支持RGB、Lidar等多傳感器數(shù)據(jù)支持動態(tài)物體檢測和去除現(xiàn)階段對數(shù)據(jù)需求高質(zhì)量多元化海量

人工標注需要較高時間和人力成本，效率不高耗時長，成本高自動駕駛一個視覺算法訓練涉及的圖片標注量就達幾十萬級，人工標注耗時耗力，1小時的視頻需要800個工時來進行人工標注，100幀車道線需250個標注員一個月才能完成，效率低下；標簽體系不統(tǒng)一，標注質(zhì)量參差不齊由于標注的標準難以統(tǒng)一，質(zhì)量參差不齊，數(shù)據(jù)挖掘效率低下，容易導致錯誤頻發(fā)、重復挖掘、返工率高等問題，數(shù)量與質(zhì)量皆難保障。

自動標注基于大模型云計算能力，更能有效、加速數(shù)據(jù)處理云服務助力標注效率提升超高算力及智能化策略，極大程度提高了海量數(shù)據(jù)處理、庫構建等各環(huán)節(jié)效率與精準度，自動標注的工作量相比人工標注可以降低約80%-90%，隨著未來技術的進步，效率將進一步提升；有效識別高價值數(shù)據(jù)，加速難例挖掘過程云服務能夠基于高性能信息識別能力及豐富的自動駕駛研發(fā)積累，在海量數(shù)據(jù)中快速清洗、過濾、挖掘高價值數(shù)據(jù)，幫助后續(xù)構建高質(zhì)量數(shù)據(jù)庫與場景集并及時反饋給算法訓練，優(yōu)化空間，加速自動駕駛算法迭代；基于高效能云服務，自動標注技術不斷升級頭部企業(yè)不斷更新自動標注技術，包括Clip模型、4D標注、NeRF三維重建等都已成為最新趨勢信息來源：公開資料、億歐智庫30信息來源：公開資料、億歐智庫30訓練：喚醒沉睡數(shù)據(jù)，云服務加速驅(qū)動算法迭代在完成數(shù)據(jù)標注之后，需要對打好標簽的數(shù)據(jù)進行訓練、參數(shù)調(diào)優(yōu)等。數(shù)據(jù)處理能力的高低是決定模型能否順利進行的前提要素，模型所必須的海量數(shù)據(jù)處理及數(shù)據(jù)集的構建都需要云服務強大的計算能力和處理能力。業(yè)進行合作，靈活自己的技術。算法模型反復訓練真值數(shù)據(jù)，以“小循環(huán)”促進“大循環(huán)”業(yè)務規(guī)律如今，一部分模型訓練的工作已經(jīng)可以實現(xiàn)自動化。自動標注基于通過大量數(shù)據(jù)的算法模型，能夠?qū)崿F(xiàn)對原始數(shù)據(jù)中需要標注的元素的自動識別、檢測以及標注時經(jīng)過不斷訓練的算法能夠更進一步的賦能自動標注，實現(xiàn)更高精確度數(shù)據(jù)標注與模型訓練雙向賦能，以“小循環(huán)”促進“大循環(huán)”訓練、喂養(yǎng)

自建超算中心一部分主機廠選擇自建超算中心，用以支撐自動駕駛快速進化迭代。在此種方式下，車企需在滿足數(shù)據(jù)合規(guī)要求的前提下進行數(shù)據(jù)，難度較大。同時超算中心初期投入較高，主機廠及Tier1對搭建計算中心的預算普遍超過億元。且自建并非一次性支出，后續(xù)人工、硬件升級、擴容及更新迭代都需要大量的成本。以特斯拉為例——2021年8月，特斯拉正式發(fā)布自研云端超算中心Dojo，主要用于處理大量訓練特斯拉自動駕駛汽車軟件；2023年7月，Dojo投入生產(chǎn)；2024年，特斯拉預計將超過10億美元，以推進超級計算機與神經(jīng)網(wǎng)絡訓練。購買云服務除此之外，大部分自動駕駛企業(yè)會選擇有實力的第三方云服務企業(yè)進行合作，相對于自建云而言投入較小，也是大多數(shù)企業(yè)的首選。專業(yè)云廠商提供的云服務能夠做到標準化、集約高效、同時能夠適用更多企業(yè)主體，在成本考慮上也更加友好。采 基礎數(shù)據(jù)集

賦能、檢測、標注部署

算法模型

仿 ?專業(yè)標準：從軟件算法到架構、從建設模式到商業(yè)模式都是高標準、高專業(yè)度的；真 ?集約高效：專業(yè)云廠商有足夠的實力采用頂尖領先的技術，保證其產(chǎn)品及的先進性；成本優(yōu)勢：作為自動駕駛廠商的數(shù)據(jù)基礎設施服務商，其標準化產(chǎn)品適用于不同領域的主體，相對于前期投入極高的自建方式，更加節(jié)省成本信息來源：華為云31信息來源：華為云31仿真測試：加速數(shù)據(jù)處理、提質(zhì)生成，云服務助力實現(xiàn)高質(zhì)量城市級仿真測試在自動駕駛階段，L2駕駛則需要海量的測試場景，對應的測試要求也越來越高：極強的GPU算力、足夠的存儲帶寬和低時延等。云應運而生，相對于單車算力不足、周期長、低等問題，云仿真憑借其分布式架構及并行加速計算能力，大大提升了整體效率。基于NeRF的場景生成能力可以助力擴充。同時，在云端也可以幫助完成車端的測試，有效避免測試時間長、算力需求大等問題。億歐智庫：自動駕駛數(shù)據(jù)閉環(huán)仿真測試環(huán)節(jié)架構示意圖

測試的關鍵：實驗評價結果對庫的構建進行反饋促進其進一步完善；對測試進程進行支撐；實驗評價結果對庫的構建進行反饋促進其進一步完善；對測試進程進行支撐；三者緊密耦合傳感器（攝像頭…）道路信息（車道、路燈...）模擬場景庫交通流（行人、臨時車輛、紅綠燈...）傳感器（攝像頭…）道路信息（車道、路燈...）模擬場景庫交通流（行人、臨時車輛、紅綠燈...）車輛（制動性能….）環(huán)境（天氣、光照...） 模擬仿真測試 功能安全測試駕駛員在環(huán)測試硬件在環(huán)測試軟件在環(huán)測試

大量模型 仿真模型海量數(shù)據(jù)測不全 測不快 測不準 不會評術技 ?場景庫覆蓋度不足，基礎場景效用較低，術挑 難例場景挖掘困難戰(zhàn)從測試場景到城市級，實現(xiàn)難度大

里程數(shù)大、場景多，耗時長口不統(tǒng)一，測試效率低

部問題，置信度低

評價體系不完善，國標尚未落地率低云 云助力真實路測場景快速轉(zhuǎn)化為場

以云服務豐富的場景庫為載體，有服 通過“以圖搜圖”快速捕捉與挖掘難例場景，必務 覆蓋度高進而豐富場景庫必

理能力，支持多場景下同時完成多個任務

通訊等大量不同領域的專業(yè)技能、工具鏈及，實現(xiàn)高精準度，降

能力支撐建立多樣化、面向多場景的評價指標體系要 基于云能力運行的NeRF可以生成性質(zhì)量的3D城市級場景

云提供彈性的計算資源，可根據(jù)需要隨時實現(xiàn)快速擴容

低與實車路測的差距深度學習，生成對抗性場景

云可以支持客戶定制化開發(fā)仿真評價標準信息來源：國家市場監(jiān)督管理總局、智見OTA、毫末智行、億歐智庫32信息來源：國家市場監(jiān)督管理總局、智見OTA、毫末智行、億歐智庫32應用部署：車云一體，基于高效云服務的助力模型部署、優(yōu)化升級閉環(huán)的最后一個環(huán)節(jié)是將好的自動駕駛模型在車端，而車端繼續(xù)收集數(shù)據(jù)進行新一輪的數(shù)據(jù)閉環(huán)，再將新的模型通過動到車端，如此循環(huán)往復，形成數(shù)據(jù)閉環(huán)。升級數(shù)量呈爆發(fā)式增長趨勢，而高效的云能夠助力模型及的優(yōu)化升級順利進行，進而提供良好的終端體驗，促進數(shù)據(jù)閉環(huán)的持續(xù)、高效運轉(zhuǎn)。優(yōu)化OTA升級億歐智庫：2020-2022主要車企在中國OTA升級次數(shù)（次）優(yōu)化OTA升級527對車輛的車載娛樂系統(tǒng)進行升APP應用在軟件層面的升級

FOTA對整車電子電氣化架構進行全方位升級，是實現(xiàn)自

226

351動駕駛智能化的核心

2020 2021 2022毫末閉環(huán)產(chǎn)品不斷迭代至2023年1月，毫末產(chǎn)品的自完善閉環(huán)率超過70%；已成功助力客戶成功實現(xiàn)7次毫末閉環(huán)產(chǎn)品不斷迭代至2023年1月，毫末產(chǎn)品的自完善閉環(huán)率超過70%；已成功助力客戶成功實現(xiàn)7次OTA在線升級；2022年底數(shù)據(jù)成本降低98%；全新車型復用數(shù)據(jù)閉環(huán)開發(fā)只需4個月時間即達到量產(chǎn)落地狀態(tài)。通過高效的數(shù)據(jù)處理與汽車業(yè)務分析能力，提供軟件升級包的云端整理、版本分類管理等;依托汽車云服務的N個分布式節(jié)點，就近傳輸與升級，實現(xiàn)安全可靠的高速下載意獲取、隨意篡改或發(fā)布能性的區(qū)分，選擇最安全合適的時間及對車輛進行OTA升級信息來源：億歐智庫33信息來源：億歐智庫33自動駕駛數(shù)據(jù)閉環(huán)產(chǎn)業(yè)圖譜自動駕駛數(shù)據(jù)服務商 自動駕駛解決方案商/零部件供應商自動駕駛芯片供應商

具備數(shù)據(jù)閉環(huán)能力企業(yè)

主機廠中國廠商海外廠商云服務商中國廠商海外廠商信息來源：公開資料、專家訪談34信息來源：公開資料、專家訪談34云服務廠商頭部競爭趨勢明顯，基礎性能逐步趨同，服務及成本將是未來競爭高點如今，幾大云廠商處理數(shù)據(jù)的基礎實力逐步趨同，包括技術、產(chǎn)品、生態(tài)、全球化、嚴格的安全控制措施，以及符合各地法規(guī)和合規(guī)要求的認華為云 百度智能云 阿里云 騰訊云證等。億歐智庫認為，未來行業(yè)的競爭點將聚焦在差異化的服務和具有吸引力的成本上，這也將是車企選擇云供應商的最重要考量因素。華為云 百度智能云 阿里云 騰訊云產(chǎn)品力專區(qū)+盤古大模型+異騰云服務+行業(yè)應用；深耕汽車垂直賽道多年（商乘并舉），技術硬實力強，云原生領域綜合實力排名第一、2022機器學習公有云市場份額排名第一產(chǎn)品力盤古大模型+昇騰AI云服務力基于底層昇騰芯片，上層搭建“基礎大模型-力行業(yè)大模型-場景大模型”架構，賦能產(chǎn)業(yè)，在自動駕駛領域已有多個成功實踐生態(tài)力460萬+開發(fā)者，41000信強項，與華人運通（高合）、一汽、賽力斯TO、東風集團、Momenta、四維圖新、毫末智行、禾多科技等均有合作生態(tài)力出海力KooVerse全球存算網(wǎng)布局30個地理區(qū)域，設置84個可用區(qū)，設立4個區(qū)域服務中心、170+本地服務中心，2800+CDN節(jié)點，并在全球具備120+權威合規(guī)認證以及20+安全合規(guī)遵從包出海力生態(tài)優(yōu)勢：相關多領域軟件性核心優(yōu)勢能優(yōu)異，盤古大模型提升開發(fā)，硬件通客戶受眾廣泛：核心優(yōu)勢基礎設施優(yōu)越：設施覆蓋面廣，“車路云”一體優(yōu)先布局;靈活交付方式：端到端+積木式交付方案

布局全面，體系健全：Apollo車+昆侖芯+飛漿平臺+文心大模型+行業(yè)應用；依托圖商基因，重點布局安全合規(guī)方案文心大模型目前多與座艙結合；在自動駕駛場景中，主要從地圖生成、環(huán)境感知、數(shù)據(jù)處理等方面賦能數(shù)據(jù)閉環(huán)，實現(xiàn)低成本數(shù)據(jù)挖掘面向汽車行業(yè)推出集團云、網(wǎng)聯(lián)云、供應鏈協(xié)同云“三朵云”。與長安、吉利、東風汽車等多家車企有合作，并打造面向不同市場的汽車云體系海內(nèi)外共部署7個數(shù)據(jù)中心，1200+CDN打造出海易一站式數(shù)智外貿(mào)平臺，秉持百度的互聯(lián)網(wǎng)基因以及人工智能、大數(shù)據(jù)和云計算技術，為企業(yè)數(shù)智化賦能圖商基因優(yōu)勢：圖商基因使其擁有先天的數(shù)據(jù)采集優(yōu)勢及合規(guī)處理優(yōu)勢；產(chǎn)品矩陣全面：與集團內(nèi)部Apollo合作，從而減少外采成本，自主可控的數(shù)據(jù)庫；疊加“車路云”一體化相關業(yè)務，產(chǎn)品覆蓋面廣；C端優(yōu)勢明顯：高頻連接入口

布局全面，體系健全：含光800芯片+M6-OFA底座+通義大模型+行業(yè)應用；業(yè)務聚焦數(shù)據(jù)管理、自動駕駛、自研工具鏈上云等通義大模型適用于不同行業(yè)；在汽車行業(yè)應用上，通義大模型主要用于智能座艙，促進車內(nèi)多模態(tài)交互融合阿里云以“一橫三縱”為汽車企業(yè)提供的技術和可承諾的業(yè)務效果。其“汽車云”在國內(nèi)已服務超過70%的汽車企業(yè)，主要包括小鵬、廣汽、長城、路特斯等海內(nèi)外共部署25節(jié)點，覆蓋全球28個地理區(qū)域，運營85個可用區(qū)底座強大：電商基因賦予深厚底層算力，時疊加大模型支撐，提供強大的技術底座；企業(yè)客戶優(yōu)勢：立良好口碑及行業(yè)信賴；成本相對較低：定價策略相對靈活，成本較低

全鏈路開發(fā)及運營：其中重點布局大數(shù)據(jù)云平臺、模擬平臺；依托高精地圖業(yè)務，布局車聯(lián)網(wǎng)解決方案混元大模型作為輔助和優(yōu)化自身業(yè)務的工具，且騰訊業(yè)務聚焦社交、通信、游戲領域，其混元大模型在這些領域內(nèi)應用較好，自動駕駛領域先較少以“車云一體化”戰(zhàn)略，與奔馳、寶馬、一汽等車企構建了豐富的車上服務生態(tài)，落地車型超過150款，在云端助力超過100家車企和出行科技企業(yè)海內(nèi)外共部署17個數(shù)據(jù)中心，其中國外10家，海內(nèi)外共2800+CDN節(jié)點，在全球運營了超過100萬臺服務器，覆蓋全球26個地理區(qū)域，擁有70個可用區(qū)，全球一套云，幫助車企在同一體系內(nèi)快速部署落地基礎產(chǎn)品，為各國家用戶提供服務車聯(lián)網(wǎng)布局：“車路云”一體化布局較早;生態(tài)優(yōu)勢突出：ToC持差異化產(chǎn)品力塑造，可快速實現(xiàn)出行場景、數(shù)字營銷等方面直連目錄目錄CONTENTS01自動駕駛發(fā)展機遇與挑戰(zhàn)01自動駕駛產(chǎn)業(yè)發(fā)展洞察自動駕駛產(chǎn)業(yè)發(fā)展面臨新挑戰(zhàn)自動駕駛發(fā)展需要更加高效的數(shù)據(jù)閉環(huán)02云服務賦能自動駕駛數(shù)據(jù)閉環(huán)02自動駕駛數(shù)據(jù)閉環(huán)發(fā)展痛點分析自動駕駛數(shù)據(jù)閉環(huán)需要云服務賦能云服務加速數(shù)據(jù)閉環(huán)各環(huán)節(jié)高效運轉(zhuǎn)03 云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式03 云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式綜述云服務助力構建自動駕駛數(shù)據(jù)閉環(huán)新范式解析信息來源：億歐智庫36信息來源：億歐智庫363.1數(shù)智時代，自動駕駛數(shù)據(jù)閉環(huán)新范式，需行業(yè)各方攜手共同推進自動駕駛數(shù)據(jù)閉環(huán)發(fā)展道路上的挑戰(zhàn)與痛點，本質(zhì)上是產(chǎn)品硬實力的考驗——是否能通過數(shù)據(jù)閉環(huán)賦能自動駕駛。以車企、Tier1核心的行業(yè)各方應攜手并進，從技術、、生態(tài)等多方面，突破產(chǎn)業(yè)發(fā)展瓶頸，閉環(huán)新范式，助力自動駕駛高速發(fā)展與落地應用。突破是實現(xiàn)數(shù)據(jù)閉環(huán)的首要任務，引入大模型，能夠加速處理海量數(shù)據(jù)，助力閉環(huán)的多個環(huán)節(jié)；量產(chǎn)落地是考驗數(shù)據(jù)閉環(huán)是否能夠?qū)崿F(xiàn)的核心痛點，在搭建完成閉環(huán)流程后，如何更好的將數(shù)據(jù)用起來才是產(chǎn)品實力的體現(xiàn)；最后，數(shù)據(jù)閉環(huán)的終極使命是助推自動駕駛的實現(xiàn)，強大的生態(tài)圈攜手路端感知和車端數(shù)據(jù)，將助力行業(yè)共同構建自動駕駛的終極形態(tài)。自動駕駛數(shù)據(jù)閉環(huán)新范式

新技術牽引，大催化技術躍遷發(fā)展新服務新技術牽引，大催化技術躍遷發(fā)展新服務數(shù)據(jù)閉環(huán)新范式新生態(tài)閉環(huán)的發(fā)展瓶頸主要在于數(shù)據(jù)處理難度大、系統(tǒng)復雜度高、模型訓練難度大、合規(guī)安全要求高等問題。智駕大的引入將從感知和認知智能方面，很大程度上解決行業(yè)發(fā)展的痛點，以更高的可靠性、更快的響應速度和更有效的，助力數(shù)據(jù)閉環(huán)實現(xiàn)進階發(fā)展新服務：量產(chǎn)導向，商業(yè)化助推產(chǎn)品落地應用成熟后，商業(yè)量產(chǎn)是產(chǎn)業(yè)發(fā)展必須解決的核心命題，產(chǎn)品是否能夠大規(guī)模商用？是否有車企愿意為數(shù)據(jù)閉環(huán)服務買單？及產(chǎn)品是否能海外市場也將成為驗證產(chǎn)業(yè)落地的熱土新生態(tài)：端云協(xié)同，車路云共建產(chǎn)業(yè)終極形態(tài)閉環(huán)的終極目標是催化自動駕駛的實現(xiàn)。未來，自動駕駛將從車端智能向車路云一體化演進，通過車端、路端、云端協(xié)同，助力數(shù)據(jù)實現(xiàn)“大閉環(huán)”，為用戶提供更好地出行體驗，真正實現(xiàn)自動駕駛

行業(yè)需要的數(shù)據(jù)閉環(huán)服務商——專業(yè)強可信賴懂場景可泛化專業(yè)強可信賴懂場景可泛化強生態(tài)可持續(xù)強生態(tài)可持續(xù)信息來源：華為云37信息來源：華為云373.2.1新技術：全面接入大模型，底層模型+垂域布局提高技術應用上限傳統(tǒng)自動駕駛的不同場景對應不同小模型，如CNN、RNN等，模型參數(shù)小、泛化性差，云服務支撐的大模型能夠吸收海量知識，適配多種場景。華為云作為優(yōu)秀的云商，了自動駕駛開發(fā)，將華為和伙伴在汽車行業(yè)的多年經(jīng)驗積累與盤古大模型等新技術進行深度結合，基于此進一步幫助客戶面向多個細分場景的大模型，以“大模型+”的形式賦能自動駕駛數(shù)據(jù)閉環(huán)的多個環(huán)節(jié)，提高技術上限。億歐智庫：小模型→大模型，自動駕駛從模塊化到端到端架構 華為云：大模型打通技術與商業(yè)橋梁，為自動駕駛提供加速“底座”且各個模塊之間相互較為獨立，容易出現(xiàn)重復計算，浪費車載算力資源的情況

端到端架構將多個小模型整合成了一個模塊的功能，也就是傳感器采集到

華為首創(chuàng)提出基礎模型、行業(yè)模型和場景模型三層架構，加速推進forIndustries。自2021年傳感器車輛行駛環(huán)境感知層傳感器車輛行駛

原始數(shù)據(jù)，并將原始輸入到一個統(tǒng)高精地圖一的深度學習神經(jīng)網(wǎng)絡（大模型），并高精地圖直接輸出駕駛命令

基礎模型L0科研機構

細分L2行業(yè)模型L1科研機構+行業(yè)伙伴行業(yè)模型L1科研機構+行業(yè)伙伴智慧醫(yī)療 金融風控傳感器3C質(zhì)檢傳感器信號燈交通標識車輛狀態(tài)……

交通參與者狀態(tài)信息道路拓撲結構……

輔助設計汽車制造……沉淀行業(yè)Know-how大模型行業(yè)開發(fā)套件客戶脫敏L0基礎大模型行為決策控制感知盤古大模型端到端自動駕駛決策規(guī)劃層路徑規(guī)劃大模型行業(yè)開發(fā)套件客戶脫敏L0基礎大模型行為決策控制感知盤古大模型端到端自動駕駛決策規(guī)劃層路徑規(guī)劃意圖識別行為預測行為決策軌跡預測軌跡規(guī)劃決策規(guī)劃場景生成大模型決策規(guī)劃場景生成大模型預標注大模型多模態(tài)檢索大模型……L1行業(yè)大模型預標注大模型多模態(tài)檢索大模型……L1行業(yè)大模型縱向控制橫向控制理解大模型車輛控制層縱向控制橫向控制理解大模型執(zhí)行器 車輛 執(zhí)行器

路徑規(guī)劃信息來源：公開資料、IDC、華為云38信息來源：公開資料、IDC、華為云38新技術：軟硬協(xié)同，大算