【环球网科技报道 记者 林迪】“自动驾驶已经进入数据驱动的3.0时代。”日前，毫末智行CEO顾维灏首次提出，“毫末正在通过低碳超算来降低自动驾驶成本，通过改进车端模型和芯片的设计来实现大模型的车端落地，通过数据的组织让大模型发挥更大效力。

B | ” 在他看来，自动驾驶近十年的发展可分为硬件驱动、软件驱动、数据驱动三大时代。其中，数据驱动时代，是完全不一样的时代，大模型+海量数据“双剑合璧”，数据开启自训练模式；感知技术上，用多模态传感器联合输出结果；认知技术上，以可解释的场景化驾驶常识为主；自动驾驶里程由硬件驱动、软件驱动时代的百万公里、上千万公里，直接飙升到了1亿公里以上。

C | 顾维灏表示，“毫末一直在为自动驾驶3.0时代做准备，在感知、认知、模式建设上，都是按照数据驱动的方式建设的。

D | 绝美限定外观首曝，仙韵风华惊艳全场作为每届花魁赛最受玩家关注的焦点，本届限定外观今日正式揭开面纱。男装「苍灵启昼·仙缘」——神明临世，唤来白昼璀璨的金芒如骄阳般自背后迸发，化作神圣而霸气的流光枝蔓。

E | 毫末所做的一切，都是为了能够做出数据通道和计算中心，以便可以更高效地获取数据，并把数据转化为知识。青金长衫在耀目的辉光中激荡，宛如神明临世，拂袖间划破长夜，唤来万丈白昼，尽显傲视天地的至尊威仪。

F | ”以数据驱动为核心，以上4个技术条件并行成立才能称为真正进入自动驾驶3.0时代。整套男装以白金为主调，搭配鎏金纹饰，将仙君的威严与霸气诠释得淋漓尽致。顾维灏告诉记者，Attention大模型是当前AI发展的新趋势，但由于其对算力的需求远远超出摩尔定律，由此带来的高算力需求、高训练成本、高落地难度等挑战，正成为当前毫末重点解决的问题。基于Attention大模型，自动驾驶需要大规模且多样性的训练数据，而基于大规模真实人驾数据的乘用车辅助驾驶，才有能力积累到足够规模和足够多样的数据。“我们有理由认为，辅助驾驶是通往自动驾驶的必由之路。女装「苍灵织岚·仙缘」——仙雾织裙，绝代芳华层层叠叠的青金纱幔如花瓣般向四周无尽舒展，仿佛将九天之上的空灵仙雾编织成了这身华美裙裾。衣袂蹁跹间，倾世芳华铺天盖地，尽显不染凡尘的绝代仙姿。

G | 因为只有辅助驾驶，才有能力积累到足够规模和足够多样的数据。女款以青金纱幔与层叠裙摆勾勒出仙气飘飘的梦幻质感，与男款交相辉映，宛若仙侣同游。限定背饰——仙家羽翼，凌云化羽本次花魁赛带来两款风格迥异的限定背饰——「背饰·瑶华凌云」：灵木迎来极致的盛放，璀璨的白金瑶华缀满枝头，交织出华美无双的仙家羽翼，中心凝聚着皎洁的流光玉魄，振翅间清辉洒落，直上九霄凌云；「背饰·青木化羽」：青翠的灵木枝蔓蜿蜒伸展，在仙气的流转中幻化为轻盈的羽翼，零星的金叶与初生的花苞悄然点缀其间，相较瑶华凌云的华美绽放，更显清雅含蓄，别具韵味。” Attention大模型带来的机遇和挑战，正驱动自动驾驶行业的技术变革。

H | 足迹「足迹·碧落青萤」——步步生萤，清透如梦足尖轻踏，荡开碧落般的清透涟漪。他对记者表示，“毫末正在通过低碳超算来降低自动驾驶成本，通过改进车端模型和芯片的设计来实现大模型的车端落地，通过数据的组织让大模型发挥更大效力。灵动的枝蔓随步履蜿蜒而生，片刻后又化作点点青色萤火，在微风中悄然消散。” 低碳超算层面，毫末在日前的AI DAY上正式官宣了中国自动驾驶科技公司首个超算中心。轻盈灵动的特效设计，让每一位神选者的每一步都仿佛踏在仙境之上，如梦似幻。参与方式与预热福利本届花魁赛将于8月19日10:00正式开启，全服神选者均可参与送花竞逐，为心仪的花魁、花皇候选人送上支持。顾维灏表示：“如何提升训练效率降低训练成本，实现低碳计算，是自动驾驶走进千家万户的一个关键门槛。

I | 花魁与花皇双榜排名前列的玩家，将有机会赢取上述限定定制外观及丰厚排名奖励。”毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。

J | 七夕浪漫时节，仙兰缀玉，风华绽放。在算法模型层面，顾维灏介绍，毫末早在2021年6月便启动了针对transformer大模型的研究和落地尝试。这场融合东方仙韵与时尚美学的花魁盛典，注定成为2026年《魔域口袋版》最不容错过的视觉盛宴。各位神选者，准备好共赴这场仙缘之约了吗？（具体内容请以游戏正式上线版本为准）。正是基于过去一年多在训练平台改造升级、数据规格和标注方法的切换准备、针对感知、认知具体任务的模型细节探索等方面的成功实践，为现在毫末在城市导航辅助驾驶场景中的快速发展打下了坚实基础。另外，顾维灏还分享了毫末数据智能体系MANA在自动驾驶城市场景中面临的挑战与功能升级。他表示，城市道路主要存在“4类场景难题、6大技术挑战”。其中场景难题主要包括“城市道路养护频繁”“大型车辆密集”“变道空间狭窄”“城市环境多样”。解决上述场景难题，技术层面面临六大挑战：如何在自动驾驶领域应用大模型，如何让数据发挥更大的价值，如何使用重感知技术解决现实空间理解问题，如何使用人类世界的交互接口，如何让仿真更真，如何让自动驾驶系统运动起来更像人。为了应对上述挑战，MANA感知智能、认知智能等方面均迎来更新升级。首先，MANA通过使用大规模量产车无标注数据的自监督学习方法打造模型效果，相比只用少量标注样本训练，训练效果提升3倍以上，这让毫末数据优势得以高效转化为模型效果，以更好适应自动驾驶各种感知任务需求。其次，MANA感知能力提升，让海量数据不再被区别对待。

K | 面对巨大数据规模下的“数据效率”难题，MANA构建了增量式学习训练平台，抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致，对新数据的拟合尽量好。相比常规做法，整体算力节省80%，响应速度提升6倍。

L | 第三，MANA感知能力更强。通过使用时序的transformer模型在BEV空间上做了虚拟实时建图，使得感知车道线的输出更加准确和稳定，让城市导航自动驾驶告别高精地图依赖。第四，MANA感知能力更准，让中国没有不能识别的车辆信号灯。MANA通过升级车上感知系统，对刹车灯、转向灯状态进行专门识别，让驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。

M | 第五，MANA认知能力也再次进化。面对路口这一城市最复杂场景，MANA在仿真系统中引入了高价值的真实交通流场景，与浙江德清、阿里云合作，将路口这一城市最复杂场景引入仿真引擎，构建自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，有效破解了城市路口通过“老大难”问题。现场，毫末联合浙江德清、阿里云发布“中国首个基于车路协同云服务的大规模自动驾驶场景库”。

N | 作为其首个使用真实交通数据生成、满足数据合规要求的自动驾驶场景库，将进一步加速中国自动驾驶成熟度提升以及车路云协同发展。

Current article:http://zlhx1.zangjiwuqihuncongcherua.cyou/9f8op/20260826/915416.html

Published on:00:00:00