临近年底，自动驾驶行业并不太平，各类撤资、裁员的消息如雪花般漫天飞舞，给人一种凛冬已至的感觉。这不仅拖延了自动驾驶产业的发展进度，也让原本就围绕于自动驾驶产业的质疑声变得越发明亮——在此之中，有一种声音认为，自动驾驶之所以进度缓慢，其原因在于现有的单车智能体系无法满足基本的安全性，而通过与政府合作，以共同推进智能城市交通建设实现车路协同，才是更稳妥的路线。

作为当下自动驾驶发展路线中的一种，车路协同不仅能够基于路端的智能设备增强自动驾驶车辆的感知能力，同时这一面向政府的发展路线也会获得政府财政的订单支持，对于久久不能实现规模化商业落地的自动驾驶产业来说，确实是一条可行之路。例如国内就有专注于车路协同路线的自动驾驶企业，通过与多个地方政府签订城市道路智能化改造与自动驾驶车队运营协议，获得了号称超过百亿元的订单。

回到单车智能路线面临的困境，马克思唯物辩证法教导我们，分析事物要“透过现象看本质”。对于当下基于单车智能路线的自动驾驶企业而言，其浅层难题在于当下的感知及认知系统无法快速化解长尾难题，而深层难题则是在于，如何提升数据处理效率，以建立具备大数据、大模型、大算力为特征的数据闭环，以数据驱动自动驾驶实现当下由量变走向质变的关键期。

数据为什么对自动驾驶如此重要？事实上，整个人工智能产业都已经将数据看做了发展核心，并围绕其不断提升数据处理能力。2012年后，基于深度神经网络的深度学习成为了人工智能产业公认的发展方向，其动机在于建立、模拟人脑进行分析学习的神经网络，由此构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

深度学习的运用不仅解决了此前机器学习无法得出预测性结果的难题，也为包括自动驾驶在内的人工智能产业指明了一条发展通路，因为深度学习接受的数据集越大，深度神经网络的层数越深，数据处理效率就越高、结果也越准确。也就是说，以基于深度学习的大模型为基础，通过不断提升感知硬件与算力性能，并强化软硬件一体能力，自动驾驶就能实现对复杂场景下多模态大数据的高效处理，并从中汲取人类驾驶的经验与教训，实现对长尾难题的逐步化解，真正由量变走向质变。

此外，就如同深度学习模拟人脑思维一样，自动驾驶作为人类驾驶的模仿者与超越者，也应当像人类驾驶一样，基于单车智能进行感知数据处理及规控策略输出，而若太过依赖路端设备提供感知辅助，那么自动驾驶最终也将被困于电子围栏之中，最终沦为“没有轨道的城市轻轨”，这样的自动驾驶自然也将是名不副实的。

在如今基于单车智能路线的自动驾驶中，已有包括特斯拉、毫末智行、小鹏汽车等成功实现规模化落地的代表，而在他们之中，属毫末智行最为瞩目。毫末智行坚持“重感知”的渐进式路线，即基于背靠长城汽车带来的规模化量产能力获取海量数据，通过数据智能体系MANA不断提升数据处理能力，由此在逐步建立以大数据+大模型+大算力的数据闭环的基础上，实现由高阶辅助驾驶向完全自动驾驶的进阶。

毫末智行的数据驱动路线不仅帮助其诞生了诸如乘用车高阶辅助驾驶产品HPilot 3.0、末端物流自动配送车小魔驼2.0这样的产品，也驱使众多自动驾驶企业调转船头，加入了数据驱动的行列。例如在2022年1024科技日中，小鹏汽车就宣布了基于“重感知”策略的XNGP，并提出在建立车端、云端大算力平台的基础上引入Transformer大模型，实现高效率＆低成本的数据处理能力；而百度Apollo也在近期Apollo Day上推出了L4降维L2+的高阶辅助驾驶产品，并同样遵循了以大数据+大模型+大算力的数据闭环加速自动驾驶迭代的观点。

自动驾驶虽遇凛冬，但希望仍在。在以毫末智行数据驱动为代表的技术发展路线下，基于单车智能的自动驾驶技术也已正式进入由量变走向质变的冲刺期，只要多加了解、并给予更多耐心与信心，自动驾驶就将以更理想的姿态实现，为人类社会的出行提供质变级的飞跃。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005