今年一季度的AI DAY后，我們曾提出——毫末拿出了這么多成績，但在外供上，還沒有第二家主機廠信息被披露。

彼時，距離毫末推出面向乘用車駕駛領域的“6P開放合作模式”（代碼、模塊、軟件、硬件、云端服務、全棧解決方案6個產品層面的合作方式）已經過去一段時間。

或許是看到了我們的疑惑，在今天舉辦的第八屆AI DAY上，毫末智行董事長張凱向外界公布了毫末6P 開放合作的重要進展：目前已與包括長城在內的3家主機廠簽署定點合同，相關項目正在交付中。

△毫末智行董事長張凱

這對于有著長城汽車深刻烙印的毫末，意義自是非同一般，張凱也再次強調“自動駕駛是一個共同進退、共享成果的前沿產業(yè)。只有健康的生態(tài)伙伴才能支持毫末高速發(fā)展。”

至此，毫末算是解答了我們在“上節(jié)課”留下的一個疑問。而這，僅僅是整場AI DAY中的冰山一角。

1

“戰(zhàn)爭”狂人

在我看來，毫末是有些“好戰(zhàn)”氣質在身上的。

2022年給自己安排了數(shù)據(jù)智能技術之戰(zhàn)、輔助駕駛城市場景之戰(zhàn)、末端物流智能配送車規(guī)模之戰(zhàn)三大戰(zhàn)役。

進入2023年，毫末擴大了戰(zhàn)爭范圍，升級了戰(zhàn)爭內容：智能駕駛裝機量王者之戰(zhàn)、MANA大模型的巔峰之戰(zhàn)、城市NOH百城大戰(zhàn)和末端物流自動配送商業(yè)之戰(zhàn)。

三個月過去，四大戰(zhàn)役也迎來了階段性捷報：

首先是“智能駕駛裝機量王者之戰(zhàn)”，首款搭載HPilot3.0 的新摩卡DHT-PHEV 即將上市，第二款搭載毫末HPilot3.0的車型魏牌藍山也將在今年發(fā)布。毫末HPilot 整體已搭載近20 款車型。用戶輔助駕駛行駛里程突破4000 萬公里，HPilot2.0 輔助駕駛日均里程使用率達到了12.6%。海外方面，搭載毫末HPilot 的車輛已運往歐盟、以色列等地區(qū)和國家，陸續(xù)交付到用戶手中；同時，毫末HPilot 即將量產墨西哥版本及俄羅斯版本。

其次是“MANA 大模型巔峰之戰(zhàn)”，毫末的自動駕駛數(shù)據(jù)智能體系MANA 架構已迎來全線升級。到2023 年4 月，MANA 學習時長近56 萬小時，相當于人類司機6.8 萬年。

第三是“城市NOH 百城大戰(zhàn)”，中國首款可大規(guī)模量產落地、重感知城市NOH，已在北京、保定、上海等城市開啟泛化測試，即將量產上車。到2024 年有序落地100 城。

最后是“末端物流自動配送商業(yè)之戰(zhàn)”，毫末末端物流自動配送車小魔駝已在商超履約、智慧社區(qū)、校園配送、餐飲零售、機場巡邏、高校教育、快遞接駁、智慧園區(qū)、大氣環(huán)評等九大場景開啟運營。2023 年3 月，小魔駝2.0 獲北京亦莊無人配送車車輛編碼，開啟亦莊運營。

對比上個季度的成績單，雖然增加了“戰(zhàn)爭”內容，數(shù)據(jù)也在有條不穩(wěn)地推進，但對于長期關注毫末AI Day的人顯然少了一些新鮮感。

好在毫末這次準備了新的武器——自動駕駛生成式大模型DriveGPT，中文名為“雪湖·海若”。

2

如何練成“DriveGPT雪湖·海若”

這絕對是本場AI Day最受關注的一Part。

ChatGPT的爆火帶來的AI影響力有愈演愈烈的趨勢，就在上周三，Meta推出了一個AI模型SAM（Segment Anything Model），一個圖像分割基礎模型，能夠根據(jù)文本指令等方式實現(xiàn)圖像分割，并且能夠零樣本遷移到其他任務。而且萬物皆可識別和一鍵摳圖。

而在汽車圈，相關企業(yè)幾乎都已官宣布局。

其中兩家最為聲勢浩蕩。

今年第一季度，推出“文心一言”的百度，產品正式發(fā)布前，官宣與超10家的車企簽訂戰(zhàn)略合作協(xié)議；2月17日，毫末宣布即將發(fā)布“DriveGPT雪湖·海若”，在自動駕駛模型算法方面，全面應用ChatGPT的模型和技術邏輯。

今天，毫末智行CEO顧維灝終于帶來了DriveGPT雪湖·海若的具體信息。

本質上，GPT是在不斷求解下一個詞（Token）出現(xiàn)的概率，而DriveGPT雪湖·海若底層模型采用了GPT（Generative Pre-trained Transformer）生成式預訓練大模型，目的是求解駕駛場景Token的出現(xiàn)概率。通過不斷循環(huán)生成自動駕駛場景Token 序列，最終完成自車的決策規(guī)控、障礙物預測以及決策邏輯鏈的輸出等任務。毫末DriveGPT雪湖·海若通過引入駕駛數(shù)據(jù)建立RLHF（人類反饋強化學習）技術，對自動駕駛認知決策模型進行持續(xù)優(yōu)化?，F(xiàn)階段主要用于解決自動駕駛的認知決策問題，后續(xù)持續(xù)會將毫末多個大模型的能力整合到DriveGPT雪湖·海若，最終目標是實現(xiàn)端到端自動駕駛。

這確實是一招有利的先手布局，畢竟，AI大模型更好的規(guī)模化落地確實是在產業(yè)側，而自動駕駛就是其規(guī)模化落地較好的“土壤”之一。應用得當，甚至能成為幫助自動駕駛行業(yè)走出低谷的關鍵。

當然，這需要實際應用結果去給予信心。

據(jù)顧維灝介紹，毫末DriveGPT雪湖·海若使用了基于4000萬公里的駕駛數(shù)據(jù)做預訓練，為了對生成決策結果進行調優(yōu)，又引入大約5萬段駕駛接管Clips數(shù)據(jù)，完成模型的訓練和推理。

具體過程如下：DriveGPT雪湖·海若會通過人類反饋強化學習的方式進行迭代，用DriveGPT雪湖·海若最新模型（Active Model）對真實場景Case做生成，產出多種場景序列結果，再用反饋模型給這些結果進行打分排序，目標是把好的結果排上來，差的結果排下去，然后與初始模型（Pretrain-Model）的生成概率做比較，放大比分。最后通過強化學習的方式將參數(shù)再次更新到最新模型中，一直反復這個迭代過程。其中，Reward Model（反饋模型）的訓練過程是獨立的，使用帶有偏序關系的Pair樣本對來訓練，這些樣本對來自于接管Case，毫末將與人類駕駛結果相似的模型結果作為正樣本，與被接管軌跡相似的作為負樣本，這樣來構建偏序對集合，再利用LTR（Learning To Rank）的思路去訓練Reward Model，進而得到一個打分模型。此外，DriveGPT雪湖·海若還可以輸出決策邏輯鏈：即在輸入端提供Prompts（提示語），根據(jù)提示輸出含有決策邏輯鏈（Chain of Thought）的未來序列。CoT的思路來自于毫末CSS自動駕駛場景庫的超過幾十萬個細顆粒度場景，將Prompt提示語和完整決策過程的樣本交給模型去學習，學到推理關系，從而將完整駕駛策略拆分為自動駕駛場景的動態(tài)識別過程，完成可理解、可解釋的推理邏輯鏈生成。

發(fā)布會現(xiàn)場，毫末宣布DriveGPT雪湖·海若將首發(fā)于新摩卡DHT-PHEV，新車即將量產上市。相比“文心一言”在車端落地的“暫無音訊”，毫末的DriveGPT雪湖·海若算是有了一個實實在在的落腳點。

現(xiàn)場顧維灝提到，DriveGPT雪湖·海若可以逐步應用到智能代駕、捷徑推薦、智能陪練以及脫困場景中。有了DriveGPT雪湖·海若的加持，車輛行駛會更安全；動作更人性、更絲滑，并有合理的邏輯告訴駕駛者，車輛為何選擇這樣的決策動作。對于普通用戶來說，車輛越來越像老司機，用戶對智能產品的信任感會更強。

是騾子是馬，很快我們就能體驗到。

3

MANA架構全線升級

DriveGPT雪湖·海若 的算力支持，來自于毫末的算中心“雪湖·綠洲”（MANA OASIS），這也是毫末面對全新四大戰(zhàn)役的核心關鍵。

顧維灝介紹，MANA OASIS此次從算力優(yōu)化等層面升級了三大能力。

首先，毫末與火山引擎全新搭建了“全套大模型訓練保障框架”，實現(xiàn)了異常任務分鐘級捕獲和恢復能力，可以保證千卡任務連續(xù)訓練數(shù)個月沒有任何非正常中斷,有效保證了大模型訓練穩(wěn)定性；其次，毫末研發(fā)出以真實數(shù)據(jù)回傳為核心的增量學習技術，并將其推廣到了大模型訓練，構建了一個大模型持續(xù)學習系統(tǒng)，自主研發(fā)任務級彈性伸縮調度器，分鐘級調度資源，集群計算資源利用率達到95%；最后，MANA OASIS通過提升數(shù)據(jù)吞吐量來降本增效，滿足Transformer 大模型訓練效率，通過引入火山引擎提供的Lego算子庫實現(xiàn)算子融合，端到端吞吐提升84%。

最后，就不得不提毫末AI Day的常駐嘉賓——毫末自動駕駛數(shù)據(jù)智能體系MANA，在經過一年多的應用迭代后，也迎來了全面的升級。顧維灝表示，MANA 計算基礎服務針對大模型訓練在參數(shù)規(guī)模、穩(wěn)定性和效率方面做了專項優(yōu)化，并集成到OASIS中；其次，MANA感知和認知相關大模型能力統(tǒng)一整合到DriveGPT雪湖·海若中；第三，增加了使用NeRF 技術的數(shù)據(jù)合成服務，降低corner case 數(shù)據(jù)的獲取成本；同時針對多種芯片和多種車型的快速交付難題優(yōu)化了異構部署工具和車型適配工具。

此外，MANA的視覺感知能力持續(xù)提升，一方面可同時學習三維空間結構和圖片紋理，并將純視覺測距精度超過了超聲波雷達，BEV 方案也擁有了更強的通用性和適配性；另一方面可實現(xiàn)單趟和多趟純視覺NeRF三維重建，道路場景更逼真。通過NeRF 進行場景重建后，可以編輯合成真實環(huán)境難以收集到的Corner Case。在原有的全局視角修改、添加光照/天氣效果的基礎上，新增合成虛擬動態(tài)物體的能力，可以在原有設定的運動軌跡上，合成各種Hard Case，模擬城市復雜交通環(huán)境，用更低成本測試提升城市NOH能力邊界，更好提升應對城市復雜交通環(huán)境。

相信MANA的能力提升，將是毫末城市NOH在2024年上半年落地城市達100城的關鍵。

4

“挖坑”、“填坑”

當你連續(xù)關注了毫末AI Day之后，你會發(fā)現(xiàn)它除了是毫末定期對外展示的平臺，也是對內管理的重要抓手。每季度的階段性成績看似是數(shù)據(jù)的更新，其實是企業(yè)滾雪球般發(fā)展的重要推動力。

同時，毫末的AI Day也是一個自我”挖坑”、又不斷去”填坑”的公眾監(jiān)督舞臺，上次的外供情況、這次的DriveGPT雪湖·海若的實操性究竟如何、2024年上半年城市NOH落地將達到100城等等，毫末需要不斷推進，去一步步實現(xiàn)這些flag。

這不是件易事。

與此同時，毫末還在給自己加難度。

我們看到，在毫末的ppt有一頁已經成了連續(xù)幾次AI Day的固定內容，那就是“首個”&“第一”展示。對比三個月前，這張PPT上又多了一枚“勛章”。

△上圖：來源于第七屆毫末AI DAY；下圖：來源于第八屆毫末AI DAY

這些是成績、是榮譽、更是對毫末的鞭策。

從這一次的發(fā)布來看，毫末還有很多去戰(zhàn)斗的力量。