比亚迪“天神之眼”发布会解读

1、比亚迪“天神之眼”发布会D pilot 100硬件方案

硬件配置：毫米波雷达最多一个，摄像头最多七个，再加一个惯导（IMU），五个毫米波雷达，算力用的是Orin N，96 TOPS计算平台。

芯片方案：D pilot 100除了英伟达的Orin，也有Orin X的版本，Orin X大概是128 TOPS，会在10万到15万，或者15万以下的车型上可能搭载，不同车型有不同供应商选择不同计算平台。

2、比亚迪“天神之眼”智驾系统

二郎神项目方案：核心是在3D视角里拿到视图的深度信息和高度信息，三目视觉方案在信息获取上更有把握或更可靠，但也增加了端侧计算算力和性能要求。

方案来源：不太了解该方案是比亚迪自己提出还是供应商建议。

摄像头方案：不确定D pilot 100在摄像头层面的项目方案是否统一。

3、比亚迪“天神之眼”硬件视觉方案成本

成本范围：整套硬件视觉方案加上毫米波，以及Orin或其他芯片，如高通6等，支架系统成本应该低于15000，肯定大于1万。成本受零部件供应价格、相机、计算平台、激光雷达等成本选型影响，不同计算平台会导致成本差异。

10万元级别成本：10万元级别的产品，成本在15000以下。

4、比亚迪“天神之眼”低配方案

方案变数：低配方案如使用大疆DJA4芯片、高通芯片的一些产品是否延续存在较大变数，这与供应链、车型变化、试驾方案变化等有关。

用户需求：在15万到20万车价区间的一些车型，尤其是油车上，L2级别的能力如车道保持、车道居中、车道偏移纠正、前向碰撞预警等功能基本会标配且达到一定成熟度。对于一些用户群体，尤其是5到100层次车辆的用户，他们的需求可能不会上升到城市NOA或高速NOA等能力级别，这些车辆仍有很大受众，因此相关方案可以保持不变，并在原有功能基础上做得更好。

安全角度：15万以下的车，用户更关心人身安全及社会交通安全，车辆的硬件决定了其功能上限，若该上限能力能满足市场需求，则相关方案可以不变，并进一步提升原有功能的安全性和稳定性。

评测指标：现在评测驾驶辅助系统的安全性和稳定性的指标，已从10万公里或百万公里接管数变为上千万公里接管数，如达到99.9%的零接管，接管概率仅0.01%，且还在提升，这反映出人们越来越关注车的运输功能的安全性，而非堆砌更多功能。

5、比亚迪“天神之眼”与其他竞品对比

产品表现预测：比亚迪的车销量好，2025年1月销售额超过30万台，且排在销售冠军首位，因此其新产品肯定会卖得更好。从功能和产品表现上看，比亚迪与宝骏、小鹏等在某些方面不能简单对比，但对比亚迪持积极态度。

6、比亚迪“天神之眼”BAS3.0架构

端到端网络：现在很多国内所说的端到端上车的能上的没几家，比亚迪的端到端网络其实是两阶段的设计方案，多数以感知架构偏C感，分为多个子模块，前一阶段的感知趋近于端到端设计，规划控制更趋近于端到端设计，二阶段在训练上有改进，将控制规划控制和控制的评测放到更加闭环的评测里。

与特斯拉对比：整体架构上，比亚迪与特斯拉、华为、理想等的架构类似，都是朝着大趋势发展。

7、比亚迪“天神之眼”高速NA

对高精度地图依赖程度：不太了解比亚迪“天神之眼”高速NA对高精度地图的依赖程度，只能从技术推断和深圳的实车展示视频来看，其多少还是依赖地图的，但无法确定其与高精地图的耦合度或依赖度有多高。

8、比亚迪“天神之眼”传感器先进性

三目摄像头：用了三目的视觉方案更容易获取到减速带、坡度、坑洼、井盖等的深度或高度信息，但特斯拉的方案也能做到，只是哪种方案更容易的问题。

9、比亚迪“天神之眼”记忆领航功能

功能解读：在高速NOA的硬件条件下，记忆领航功能是可信的，虽然对算力有一些要求，尤其对CPU和内存要求更高，但在硬件成本上不会增加很多，还可以通过外接磁盘等方式增加内容，只是性能会有些许损耗。该功能与高精地图的采集制作原理基本一致，会在同一路线多次跑数据采集并做合并汇总，能增加安全性和稳定性。天神之眼ABC从技术角度都可以实现该功能，96 TOPS的算力基本能实现。

10、比亚迪“天神之眼”成本平衡

成本控制： 比亚迪“天神之眼”C的成本不会超过15000，若选择没有激光雷达，七个相机，96 TOPS算力，一个毫米波雷达及几个IMU或传感器，成本不会太高。 96 TOPS算力的芯片平台，如国内的GDA或MDC，华为的MDC系列，在同一工厂商拿到 的话，成本可能小几千块钱。比亚迪有自己的规模优势，能把成本压得比较低，实现全民智驾。

11、比亚迪“天神之眼”其他方面

旋即架构：智能化与底层动力域融合，比亚迪在3电方面领先，在胎压、轮毂控制、电子控制器件操作及自主可控性上有很多灵活性，将其与智驾行车体验结合，可提高产品力。

毫米波雷达：讲话人不知道比亚迪“天神之眼”发布会中提到的毫米波雷达选型是4D还是3D，4D毫米波雷达增加了时间序列信息，可更精确地获取距离值、速度值等，但在测坑的高度这件事上作用可能不大，除非装很多个毫米波雷达。

D-Pilot 300和600：D-Pilot 600定位在高阶智驾，有很多车型与其合作，是国内top级别，包含城区NOA，激光雷达配置高，采用双Orin平台，算力强，这部分能力在高阶智驾中很能打，但不是主力产品，未来可能会继续选择其他供应商。 D-Pilot 300对标Mobileye的Orin X，算力为128 TOPS，包含HPP、LCC、高速V2X、智能泊车等ADAS功能，会搭载一个激光雷达，成本在1万到15000左右。

12、DPT的影响

车端影响：在自动驾驶领域，DPT算法优化实现小算力高性能，针对车端活动，已有可追逐或构造的目标选项，如特斯拉的FSD V12端到端方案和世界模型路线，多数评测能达到L4级自动驾驶等级。世界模型架构的包容性和可扩展性大，可借鉴其他技术领域，帮助模型达到问题本质，减少对高精地图的依赖，使车越跑越强悍、稳定、好用。也可借鉴如GPT-4、GPT-3等多模态模型，让车端实现远超域控制器功能，但目前车载算力难以支持。

训练端影响：训练端主要是数据和算法，数据标注成本在模型研发中占比高，可利用GPT等多模态大模型降低数据处理成本、提高效率，如做数据挖掘、联合标注、自动化标注等工作，提高数据精度和效率，也可利用大模型进行数据扩充，覆盖更多场景和数据分布，提升算法模型性能。算法评测目前多数采用开环方式，在端到端模型或自动控制原理上，可利用大模型制造评测环境，提升评测效果。

Q：比亚迪D pilot 100高阶NOA产品第一版方案的硬件平台方案是什么样的？
A： 10万元以下方案，硬件相对简单。毫米波雷达最多1个，摄像头最多7个，再加5个毫米波雷达、1个IMU惯导，算力用的是Orin N（96 TOPS）计算平台。 此外，还有Orin X（128 TOPS）版本，会在10万到15万或15万以下车型上搭载。

Q：D pilot中除了英伟达的Orin，有没有使用国产芯片包括比亚迪自研芯片的方案？
A： 在D pilot 100中，针对不同车型会有不同供应商选择不同计算平台，有Orin X版本用于特定车型，但关于是否有国产芯片包括比亚迪自研芯片，未提及确切信息。

Q：比亚迪二郎神方案（两个广角一个长焦）是否参考了海外斯巴鲁提出的双目视觉方案的双目立体视觉能力？
A： 核心都是获取3D视角里的深度信息和高度信息。多一个摄像头（三目）在信息获取上更可靠，同时增加了端侧计算的算力和性能要求，但在一定程度上可能降低了技术难度。

Q：比亚迪二郎神方案是比亚迪自己提出的，还是供应商给出的选择或建议？
A： 不太了解，但在视觉领域，交通和室内智能机器人等方面技术方案差异不大。

Q：D pilot 100在摄像头层面，整个项目方案是统一的吗？
A： 不太确定。虽然传感器解决方案大致一致，但不同算力平台（包括CPU、GPU、内存IO等硬件相关性能）可能导致处理办法有差异，不过整体实现方向差异不大。

Q：比亚迪这套包含硬件视觉方案、毫米波，以及Orin或高通等方案的智驾系统成本大概是什么范围？
A： 成本应该低于15000元。当前零部件供应价格、传感器选型差异较大，若选择不同计算平台成本不同，比如选择一些可替代传感器可能几千块，但加上Orin X肯定不止1万，若选择国内芯片如高通三、高通五成本可能更低，整体是15000元以下。

Q：10万元级别的智驾系统成本基本上都是15000元以下吗？
A： 差不多是这样，这是估测。

Q：使用大疆DJA4芯片、高通芯片的低配10、低配30等产品后续还会延续吗？
A： 这存在较大变数。一方面，供应链、车型、试驾方案等都可能变化。另一方面，在15万到20万价位区间的油车，像领克部分车型，L2级功能如车道保持、车道居中、车道偏移纠正、前向碰撞预警等基本标配或成熟。对应到一些车辆，其用户群体在短期内（至少五年）需求可能不会上升到城市NOA或高速NOA级别，这类车辆有较大受众体系。从安全角度看，如奥迪A8最早被认为是L3能力级别车，至今仍在L3级别上注重安全和稳定性。15万以下车辆消费者更关心人身及社会交通安全。所以，如果现有方案的软硬件上限能力能满足市场需求，就可以保持不变并优化原有功能。

Q：低配车型是否可能会保留一些有锁功能 ？
A： 是的，现在对驾驶辅助系统安全性和稳定性的评测指标提升，如达到1400万公里仅90次接管，接管概率0.01%，甚至有六个九的指标。这反映出大家更关注车辆运输功能的安全性，而非单纯堆砌功能，所以低配车型可能保留有锁功能。

Q：如何预测比亚迪即将上线的10到20万元级别产品，在能力、功能、功能范围ODD层面与宝骏、小鹏产品的对比表现？
A： 从整体销量看，2025年1月比亚迪销售额超30万台且位居销售冠军，其车肯定还会卖得更好。从功能实现度和产品表现上，与宝骏、小鹏产品对比虽有难度，但对比单个车系，有和没有驾驶辅助功能对消费者冲击大。对于比亚迪与小鹏产品对比，持积极看待的状态。

Q：比亚迪BAS3.0架构的感知和规控算法是怎样的，与特斯拉的多模态BEV加上OCC方案有哪些区别？
A： 现在很多国内所说的端到端上车的没几家，于是有了两阶段的端到端网络概念。在这之前，多数是以感知架构偏C感，即感知、预感知、预测为一个大模块，规划控制路径为一个大模块，感知又分多个子模块。现在感知的大模型或第一阶段感知越来越趋近于感知的端到端设计，规划控制更趋近于端到端设计。二阶段变化不大，只是把规划控制和控制的评测放到更闭环的训练里，以前更偏向开环训练。以前针对不同感知任务有不同模型，如针对交通参与物的动静态识别，有不同模型获取感知结果，再以融合方式输出。现在更趋近于端到端，把传感器所有输入直接扔到网络里直接拿结果。整体架构上，和特斯拉、华为、理想等主流的大趋势类似。关于与特斯拉多模态BEV加上OCC方案的区别，用了更多三目的视觉方案，更容易获取减速带、坡度、坑洼、井盖等关于深度或高度的信息，但特斯拉的方案也能做到，只是看哪种方案更容易实现。

Q：比亚迪天神之眼高速NA方案对高精度地图的依赖程度如何？
A： 从技术推断和深圳实车展示视频，综合全国范围内采用的技术方案来看，多少还是依赖地图的，但无法给出其对高精地图的依赖程度或耦合度具体情况。

Q：比亚迪使用三目摄像头与特斯拉方案在识别路面井盖等障碍物高度信息上的区别是什么，使用三个摄像头后对路面井盖凹凸不平的识别精度是否更高？
A： 用了更多三目的视觉方案，更容易获取减速带、坡度、坑洼、井盖等关于深度或高度的信息，但特斯拉的方案也能做到，只是看哪种方案更容易实现。

Q：在高速NOA的硬件条件下，天神之眼C能否做到视频中所描述的记忆领航功能？
A： 这个功能是比较可靠可信的。虽然该功能对算力有一定要求，比一般高速NOA更高，且对CPU和内存要求也高，但从硬件角度讲只是成本问题，成本增加不多，也可通过外接磁盘等方式增加内容，虽性能有损耗但整体可行。该功能和高精地图采集原理类似，会在同一路线多次采集数据并汇总，且在上下班路线会实时更新，以增加安全性和稳定性，硬件要求确实会高一些。

Q：天神之眼C硬件算力96 TOPS能够支持记忆领航功能吗？
A： 96 TOPS的算力基本上能实现该功能，具体要看选用什么技术。

Q：记忆领航功能在搭载天神之眼A、B、C的车上都可以实现吗？
A： 从技术角度是可以做到的，并且有技术案例参考。

Q：在海鸥这种低价车上搭载天神之眼C，如何平衡成本和车价？
A： 如果选择没有激光雷达，采用七个相机、96 TOPS算力、一个毫米波雷达和两三个IMU等传感器，成本不会太高。像96 TOPS算力的芯片平台，如国内歌舞系列的GDA或华为MDC系列（如5510、610 ），在同一厂商拿到的成本可能大个几千块，甚至接近小几千块。比亚迪有规模优势，能够把成本压得比较低，从而实现全民智驾。

Q：发布会提到的璇玑架构是怎样的，有什么作用？
A： 璇玑架构亮点在于将传感器和底盘相结合，把智能化与底层动力域做融合。比亚迪在3电方面很领先，在胎压轮毂控制、电子控制器件操作及自主可控性上有很多灵活性，将这些与智驾行车体验结合，能很好地提高产品力。

Q：发布会中提到的能测高度的毫米波雷达，是4D毫米波雷达还是传统3D毫米波雷达 ？
A： 具体选型不太清楚。4D毫米波雷达增加了时间序列信息，把多个时间序列累积能让距离值、速度值更精确。但3D毫米波雷达也并非不行，对于测坑的高度这件事，单个毫米波雷达作用可能不大，需装很多个，原理类似激光雷达多线束多点汇聚来测距离值（包括长度、深度、高度等）。

Q：能否对天神之眼A和B做一些补充介绍？
A： 天神之眼A对应飞拍600，定位高阶智驾，很多车型已发布合作消息，在国内智驾领域处于top级别。其城区NOA选型为3到5颗激光雷达，3D平台选择双Orin平台，算力256个TOPS，但这不是主力走量产品。天神之眼B对应D-Pilot 300，对标Mobileye的Orin X，算力128个TOPS，属于中间智驾，包含HPP、LCC、高速V2X、智能泊车站辅助泊车等ADAS功能，会搭载一个激光雷达，成本在1万到15000左右。

Q：DPT通过算法优化实现小算力高性能的特点，是否会对高算力、硬件能力强的自动驾驶企业如特斯拉、华为造成冲击，小厂商有无机会弯道超车，如何看待DPT带来的影响？
A： 可以从车端和服务端（云端），细化到模型本身的训练和运行推理阶段来分析。在车端，目前有特斯拉FSD的V12端到端方案、世界模型路线，多数评测能达到L4级自动驾驶等级，是否在此基础上用特定算法框架升级到L5级别仍有待探讨，因为世界模型架构的包容性和可扩展性大，对多模态结果、长持续能力等方面可借鉴其他技术领域，如LSTM长短期记忆单模型、transformer长短模型等帮助模型更接近问题本质。也可借鉴GPT - 4或GPT - 3等多模态模型让车端实现远超域控制器功能，实现多节点信息共享，让车辆性能提升。但目前运行一些模型所需算力远高于车载所能承受，虽未来可能通过技术手段得到更小能在端侧跑的模型，但会受时间和市场等因素影响。在训练端，主要涉及数据和算法。数据方面，数据标注成本在模型研发中占比高，可用GPT等多模态大模型做数据挖掘、联合标注、自动化标注等工作，提高数据精度和效率，也可用扩散模型扩充数据，提升模型性能。算法评测方面，目前多采用开环评测，可利用大模型在虚拟数字场景（如数字孪生系统）中制造3D、4D环境，让模型与评测目标对比，实现提效或帮助实现相关功能。