在今天 42Talk 線下沙龍上，理想自動駕駛產品負責人哲倫班長分享了關於智能駕駛的信息與思考。

以下是哲倫班長提到的有意思的內容：

——高精地圖本身是一個好產品，它能夠一定程度上解決靜態感知的問題，但是從城市 NOA 大面積落地的角度，它的成本太高，效率太低了。

——在理想汽車看來，通勤 NOA 的優勢，不是分享的機制，而是共享的機制。通過不同路線的通勤 NOA 共享，能夠有助於城市 NOA 的落地。

——使用 Neural Prior Net（NPN）神經先驗網絡提取和使用複雜路口特徵的機制，其實更像是給 BEV 提供了一個 Prompt，使它能夠實現更好的感知效果。

——其實目前在信號燈識別中，難點不是紅綠燈的識別本身，而是意圖和語義的識別，比如説信號燈與車道的匹配關係。

——從目前城市 NOA 落地的實際測試經歷來看，有時候「選擇比努力更重要」，也就是説，路線的選擇，比感知能力更能提升 NOA 的通行效率。

——目前理想汽車在智能駕駛層面的雲端算力達到 1200 FPLOPS，訓練里程打到 6 億公里，未來會在這塊加強投入。

——城市 NOA 的 AI 交互功能，一方面是實現感知還原，一方面是告知用户決策意圖。這個東西會給用户安全感，讓用户知道它的邊界。正如 Elon Musk 所言：之所以做 AI 交互，不是讓大家知道車輛能感知到什麼，而是告訴大家它感知不到什麼。

——從創新擴散理論來看，高速 NOA 的使用，目前正處於跨越鴻溝的階段。預計明年後年，高速 NOA 的前裝率會非常高。從後來開始，15 萬以上的車，可能會把高速 NOA 作為標配。

——理想汽車 L 系列的非 Max 版本搭載了地平線征程 5 芯片。它的算力也是很高的；但是從內部來看，單顆 J5 芯片無法做出來一個好用的城市 NOA。

——從技術上來説，通勤 NOA 先在自車使用，然後再分享到別的車上使用。從產品上來説，最好別的車也能用。

——ChatGPT 有很高的容錯率，但自動駕駛的端到端容錯率極低，接近於零。只有容錯率得到解決，端到端才能夠落地。而且端到端是需要一些基於傳統算法的規則做兜底的，因為要確保道路的安全。

——理想汽車的 AD 和 SS 板塊都實現了矩陣式開發，所以能夠在車型發佈時快速推出產品，核心是為了滿足不同用户的需求。

——特斯拉去掉了超聲波雷達，其效果是小於等於有超聲波雷達的效果。可以説，為了降低成本，特斯拉做了一定用户價值的捨棄。

——在今天這個框架下，座艙域被視為一個娛樂功能，硬件替換是可以的；但是換智駕域的硬件跟換髮動機差不多，涉及到安全，也涉及到監管。

——目前 AD 的競爭要素有三點，第一點是算力，主要是雲端算力；第二是算法，也就是研發能力；第三是數據量。雲端算力，本質上就是投資換的，這要看公司的重視程度；算法，主要是由研發團隊的能力決定的，要看企業能否養得起自研團隊；數據量是車隊決定的，這一點車企具備優勢，但方案商是不具備優勢的。

大家對於智能駕駛的發展持有什麼樣的觀點？歡迎在評論區分享你的看法。

#42how##新能源汽車##理想汽車##智能駕駛#

via 42號車庫的微博