冲击「行业前三」，长城的智驾开窍了？

随着特斯拉 FSD 进入中国的消息越来越近，最近各家车企都在自家的高阶智驾上上强度。不过没想到，强度上得最猛的，是一向在智能驾驶上不声不响的长城。

8D 重庆，20 个匝道的 5 盘龙立交桥、90 度直角转弯的地下环道、35 公里连续直播、让系统随机规划 NOA 路线…… 魏建军的第二次 NOA 直播，就选择了 hard 模式，给长城这套系统的感知、路径规划都提出了不小的挑战。而且长城汽车智能平台开发中心高级总监姜海鹏还放话说，「长城的智驾水平，在国内可以排名前三」。

带着这个问题，前不久我们参加了关于长城智驾系统的内部沟通会，来看看长城的智驾水平究竟是不是真的能做到「行业前三」？

先来看看长城这套全场景 NOA 是怎么实现的。它背后的技术就是长城的端到端智驾大模型 SEE。

「端到端」可以说是今年智能驾驶圈的当红炸子鸡，在 2024 年还没开始「端到端」的智驾玩家，有点慢半拍了。

所谓的端到端，就是用深度学习网络，代替原本感知、决策规划、控制各环节上百万条规则指令，让系统通过深度学习网络和大模型，学习人类开车的行为。这样，信息传递的效率更高，智驾系统也能更像人在开车。

不过，目前各家训练模型的效果远达不到「感知进——决策出」这种一体化效果，各家车企主要是把各个模块分别模型化，比如端到端感知、模块化端到端，再用人工规则接口把各模块连起来。

具体来看，长城这套端到端智驾大模型 SEE，把感知、决策、规控各模块全链路一体化整合，同时也保留了部分人工规则，来做安全兜底。

这样，在 NOA 直播中类似于遇到闹市区没有车道线、提前避开实线变道、在隧道里窄车道转弯等场景，可以处理的比较流畅。

除了技术架构外，影响端到端效果最关键的，是算力和内存、数据，以及未知的训练效果。

从长城分享的信息来看，数据来自于长城用户回传数据和专业数采数据，目前累计真实用户驾驶里程超过 2 亿公里，已经生成了 20PBs 有效数据，训练数据超过 1000 万 clips 。

这个数据量可以做个比较：目前公布训练数据量的车企并不多，之前理想曾宣布计划在今年底达到 1000 万clips，马斯克也曾在 2023 年出分享过，「（FSD 训练）到了 1000 万个，就变得难以置信了」。这样来看，1000 万clips 这个训练数据量本身还是不错的，当然，智驾大模型训练的效果并不是单纯「量」的较量，对于质的要求更高。

除了数据外，算力也决定了模型的最终训练效果。目前，长城蓝山智驾版基于算力 254TOPS 的 Orin-X 平台，保留了一个激光雷达作为安全冗余；长城的九州超算中心总算力规模达 1.64EFLOPS（1640PELOPS）：

端到端究竟是不是自动驾驶的终局方案？

这个问题可能是目前行业里最大的分歧之一：有的人觉得端到端就是自动驾驶的终局；有的人觉得它只是未来众多方案之一。

在长城智能驾驶团队看来，端到端架构一定是未来的方向，但并不是唯一的终点。「终点一定要像人的大脑一样思考，对场景有自己的理解。比如，当前面出现一个塑料袋时，人会选择压过去，因为人知道这是软的，但目前智能驾驶系统做不到这个判断，它只能判断是障碍物，要么刹停、要么避障。」长城汽车智能平台开发中心高级总监姜海鹏说。

也是基于这个判断，目前长城这套智能驾驶系统，也是按照端到端大模型+场景识别来做的，这一点长城全场景 NOA 开城的进展也能看出来。

目前长城的全场景 NOA 选择的是「城市白名单，场景黑名单」的策略：开放 NOA 的城市，全路线开通；只有遇到超出系统能力范围的场景时，再把控制权交还给驾驶员。

这样加大了 NOA 覆盖的范围，加快了高阶智驾落地的速度，更关键的是，提高了 NOA 的连贯性，让用户使用 NOA 时的体验更好，不至于只能有一段路可以用城市 NOA。

「当我们评价 NOA 水平时，不只是考虑平均接管率，也要考虑功能连续性。目前，行业里支持点对点的主机厂没几家。」也许正是因为点对点能力，姜海鹏会做出「长城的智驾水平在国内可以排名前三」的判断。

最近有一个说法，「2025 年将迎来自动驾驶的 ChatGPT 时刻」。

2025 年是否真的能迎来自动驾驶的 ChatGPT 时刻，这个答案也许没那么确定，但是我们能看到智能驾驶正在逐渐进入快车道：

正是因为这些因素，让今年以来国内各家车企高阶智驾的发展迅速，也让长城的智能驾驶进展提速。

提速后的高阶智驾，可能会带来更多的惊喜，或者惊讶。