专栏名称: 智能车情报局

聚焦智能汽车关键技术与创新产品

如何打开自动驾驶最终章，终于让Mobileye讲清楚了

智能车情报局 · 公众号 · · 2025-01-24 18:22

正文

在今年 CES 这届全球科技春晚上，AI 成了重头戏。

单看智驾领域，又在上演新的算力、端到端、生成式 AI 等技术神话。

如果站在 L2+这个节点往回看，技术主义的确突破了瓶颈期，让智驾成为一件确定的事。

但如果看向未来，单靠技术主义还不能回答好「完全无人驾驶」这个时代命题。

今天智驾每上一个台阶，规模化、盈利化的商业阻力就加倍增长。所以陷入技术狂欢的市场，终归需要一种理性主义的声音来拆解问题。

Mobileye 担任了这个角色，其创始人 Amnon Shashua 教授在今年 CES 的演讲中，指出了评判自动驾驶模型的两大维度：

一是 精确率 ，也指代安全性，关乎 MTBF（平均故障间隔时间），相当于接管率。
二是 召回率 ，也指可用性，关乎智驾设定运行条件、地域可扩展性、成本三大指标。

简单来说，要实现完全无人驾驶，这个智驾系统一边需要保证低接管率，一边需要支持低成本、大范围地快速落地。

在这个坐标轴内的两侧，一边是因激光雷达等昂贵传感硬件及高精地图导致成本高企，进而追求精确度但暂舍召回率；另一边则是追求高召回率但精确度尚未达到脱眼级别的技术路线。

按照 Mobileye 的发展轨迹，基于其复合人工智能系统，已经延展出了 SuperVision（可脱手）、Chauffeur（可脱眼）、Drive（无人驾驶）的高阶智驾方案，在 Mobileye 的方法论下，这是一个能够持续递进，并成功打开最终章节的过程。

Mobileye 自然具备话语权，这家拥有 20 余年的经验，积累了大量的「know-how」的智驾供应商，从基础 ADAS 到 L2 直至 L5，从芯片、感知硬件到软硬一体，凭借涵盖各级智驾应用的解决方案始终活跃于市场。

截至 2024 年三季度末，全球范围内搭载 Mobileye 技术的车辆来到了 1.9 亿。

如果把产品、技术、商业光环聚集一体，Mobileye 其实找不到相同维度对垒的对手，它在一个新图层内。

正如这几年 Shashua 教授延续的演讲主题：「Mobileye: Now. Next. Beyond.」。

Mobileye 一直在超越自我，目标是到达完全无人驾驶的最终形态，而这个过程中，它的解题思路有别于多数玩家，这可能是一种更为立体、辩证、理性的声音。

【唯端到端论】忽视了什么？

行业对于端到端技术路径的注解，大多都指向了自动驾驶最终章。

但这不意味着，只靠端到端，就能解决完全无人驾驶这个终极命题。

现在再回顾一遍端到端的定义：

通过 AI 大模型，打通感知、预测、规划、控制全流程，输入数据就可以得到最终结果。

这种数据驱动的方式，站在了规则驱动的对立面。系统如何应对极端情况，不再是通过工程师手动敲代码，而是 AI 系统通过观察、判断、总结，学会类人驾驶行为。

技术理论可行，但落地存在不少 Bug。

因为学习需要正确干预，如果完全靠自我领悟，那难免会犯一些原则性错误。

一个形象案例是，系统是否可以辨别「罕见但正确」与「常见但错误」。比如大量视频数据中，人类司机超速、压线、加塞插队甚至闯红灯的不文明驾驶行为。

答案是否定的。Mobileye 表示，系统会从概率角度评判，偏向于选择错误答案。

另外一点是，仅靠无监督数据训练，端到端方案的准确率可以从 0 快速推进到 95%，但无法达到 100%。

因为系统会犯很多匪夷所思的毛病，比如不会总结公式、不会应对罕见的长尾问题等。

但这不是在做题，而是在驾驶汽车，95% 的准确率不足以承担起安全风险。

于是 规则干预成为了一道必要的安全阀。

Mobileye 在复合人工智能系统中，给端到端系统注入了抽象概念，即提供行为规范守则。

比如 RSS（责任敏感安全）模型，它的本质是一套数学模型，即将人类安全驾驶理念，比如规范变道、与前车保持安全距离、避免发生事故等，转化为数学公式与计算方法，然后对系统决策结果进行审查，结果安全才可以执行。

值得一提的是，Mobileye 在注入抽象概念时强调了「适量」，即如何让 AI 系统正确地理解丰富的物理世界，站在机器学习的角度，需要找到一个「偏差-方差」的权衡点，简单概括下：

偏差指过度干预，相当于规则输入太多了使得系统混乱容易出错；
方差则是干预得不够，一些极端情况没有被囊括进来，同样会产生安全风险。

Mobileye 这种严谨的思维模式在智驾系统上贯穿始终，它一直尝试从科学、全面的角度剖析自动驾驶背后盘根错节的复杂性。

这点在 Mobileye 独创的 PGF（Primary-Guardian-Fallback）高阶融合模型上也能体现。

对于 Mobileye 而言，端到端留下的可解释性问题并非无解，它选择建立一个可分解系统，在错误出现时可以直达「病症」部位。

具体而言，利用所有传感器对系统进行可分解训练，构建出三个子系统：

「Primary」主系统：用于预测
「Fallback」备用系统：基于不同方法就同一情形做预测
「Guardian」监护系统：使用第三种方法来验证 Primary 主系统的预测是否正确，如正确则按此执行；否则采用 Fallback 备用系统的预测结果。

这种方式适用于非二元情况，即子系统之间并没有出现「少数服从多数」的情况时，需要有子系统跳出来，代表更高层级担任审查角色。

具体应用场景为，三个系统各司其职，比如系统判断前方应该左转、右转还是直行时，若主系统选择直行，监护系统判断其正确则直行，若不正确则采用备用系统的选择。

相当于在系统决策基础上增加了一个「把关人」，并且准备好了「Plan B」，即当 3 个系统中有 2 个同时出现故障时，才会导致整个系统失效。由此通过协同作业方式，总体误差可以降至最低。

高TOPS不是唯一的解法

智驾领域有一条定律名为 Scaling Law，指模型性能会随着数据集规模、模型参数量和计算能力的增加而不断提升。

由此，它指引了多数玩家都按照大算力、大参数、大数据的方向前行。

但 Scaling Law 的背面，是推理成本也在随着模型规模呈指数级增长，这并不利于商业落地。

尤其是算力，端到端大浪拍过来，对于算力的需求一下子来到了千卡、万卡数量级，这是一个巨大的成本投入。

并且这个成本，并不一定与价值对等。

百度集团副总裁侯震宇曾直言，当使用超过 1000 张、5000 张、10000 张卡时，单一任务跑集群会有大量故障。

许多供应商能搭建 2000、3000 张卡的集群，但能跑起来就很困难，跑不起来就是资源浪费。

行业对于算力的大力崇拜，让一些问题隐藏在深水区。

一是 用 TOPS 作为算力计算指标的局限性。

TOPS 即每秒万亿次操作，当下被视为衡量算力的常见指标，尤其是对于智驾芯片而言，已经从上百卷到了上千 TOPS。

但由于 TOPS 仅关注运算次数，并不区分逻辑运算、浮点运算等计算类型，其实并不能体现芯片在特定计算类型上的能力。

并且运算次数的统计方式，忽视了运算的精度，将复杂运算与简单运算按次数划等号。

Mobileye 做了个形象比喻， TOPS 就像通过员工人数来衡量公司质量一样，并不能代表什么。

这种单一的衡量维度，在反应芯片实际性能上存在偏差。

对此，Mobileye 提出了一个新指标——F PS（Frames per second），即每秒能处理的画面帧数。

这是一个更贴合自动驾驶领域的指标，因为自动驾驶在训练大模型时就是在投喂海量的视频图像数据，而 FPS 正体现了芯片处理图像、视频帧的速度，同时，画面处理速度流畅，也间接反映了芯片系统的整体协同能力。

二是 高效才是芯片性能的直观体现。

高算力并不是高效运算的唯一解法，与其花费大成本拉高算力，不如直接从结果回溯，思考如何高效利用算力。

尤其在数据处理过程中，各类传感器输入的海量数据源源不断，从感知层到决策层的数据处理呈指数级增长，关键在于如何快速消化这些数据。

Mobileye 提出了「合理分工」的解题思路，其在芯片设计上采用了完全异构的计算架构。

这种架构的优势在于调度资源，对于卷积网络、Transformer 等不同计算场景，分配对应的运算任务，进而提升整体运算效率。

可以理解为，在芯片上建立了一座高效运转的数字工厂，调度系统会按照生产计划和订单要求安排分工与协作任务。

由于可以动态分配，这套异构计算架构也能带来低功耗、可扩展性强、降低维护成本的优势。

典型案例是 Mobileye EyeQ 系列芯片，EyeQ5H 的算力为 16TOPS，最大功耗仅为 27 瓦，目前已在极氪 001 和 009、极星 4、沃尔沃等车型上落地。

从实际表现上看，两颗 EyeQ5H 支持的 SuperVision 方案，算力 32TOPS，已经能够支持 L2+级智驾，与其它搭载 500TOPS，甚至 1000TOPS 的智驾方案水平对齐。

并且，相较于高 TOPS 下产生的上百瓦功耗，两颗 EyeQ5H 芯片产生的功耗仅有 54 瓦。

而 Mobileye 在此基础上升级的 EyeQ6H 芯片能力再度进阶，单颗算力为 34TOPS，相比 EyeQ5H 提升了约 2 倍，而 FPS 却飙升了 10 倍。

与此同时，功耗仅比 EyeQ5H 增加了 25%。

这意味着，它能够处理更复杂的视觉处理任务，支撑更高阶的智驾能力。

目前，EyeQ6H 已经应用于 SuperVision、Chauffeur 以及 Drive 高阶智驾方案，相当于支持 L2+、L3，甚至 L4 级智驾，预期今年即将开始量产。

值得一提的是，Mobileye 并未停下脚步，其更具竞争力的芯片——EyeQ7H 已经在开发中，其制程仅为 5nm，算力为 67TOPS，最大功耗仅为 60 瓦，预计在 2027 年开始量产。

自动驾驶是一个商业命题

回归到安全性与可用性的坐标系中，可以看到，围绕着复合智能人工系统这张核心底牌，Mobileye 通过严谨的数学计算将智驾系统误差降至最小，从而支持自动驾驶迈向「可脱手」、「可脱眼」甚至无人化阶段。

与此同时，Mobileye 也在积极思考另一个核心命题，即技术如何 从一个 Demo 版本走向大规模落地。

它没有忽略任何一个关键因素，包括成本、地域可扩展性、系统运行条件等，这种周密式考量贯穿了 Mobileye 软硬一体式的产品组合。

一个重要案例是 EyeQ 系列芯片，兼具低成本与高性能的优势，能够快速上车高阶智驾方案。

另一个是成像雷达，相比传统雷达它具备更精准的物理探测能力与高分辨率，可以在复杂场景中识别出各类障碍物，除了常规的人、自行车等，还能识别到桥下的静止车辆。

如何打开自动驾驶最终章，终于让Mobileye讲清楚了

正文

请到「今天看啥」查看全文