时刻-GPT-特斯拉的-智能驾驶的新里程碑如何诞生

特斯拉FSDV12如何领航智能驾驶市场

特斯拉FSDV12已经成功地实现了大数据、大模型和大算力的整合，成为一个完全端到端的学习系统。在最新的版本中，特斯拉CEO马斯克回应了关于FSD接受率的质疑，强调实际情况远远超过了先前报道的数字。根据YipitData提供的数据，仅有2%的试用用户选择继续订阅FSD服务，低于市场预期的6%。这可能是由于FSD服务的附加值不高或定价过高所致，特斯拉需认真评估这些因素以更好地迎合车主需求。

在中国，尽管特斯拉计划推出“无人驾驶出租车”，但中国政府尚未全面批准FSD在当地的商用，可能会先支持在国内进行测试和示范。这引发了对于特斯拉FSD在中国市场落地的讨论，值得密切关注。

特斯拉FSDV12的出现改变了智能驾驶领域的游戏规则。这一版本的最大优势在于其拟人化的能力，提升了速度和转向控制的顺畅度，大大减少了在特殊情况下的不安全感。在处理非结构化场景方面也有了明显的提升，如在转弯和减速时更加准确和平稳。这种改进不仅提升了乘客的舒适感，还减少了人工干预的次数。

特斯拉FSDV12展示了对各种场景的出色处理能力，如识别并绕过障碍物、根据引导标识行驶、以及在道路施工时的应对等。在驾驶技能方面，特斯拉FSDV12在夜间行驶时表现出色，展现出与人类司机类似的灵活性和智能判断。该版本还展示了一些类似智慧涌现的能力，如面对难题时果断改变路线。这些技术进步减少了人工干预的次数，显示出特斯拉智能驾驶技术的显著提升。

特斯拉FSDV12在智能驾驶市场上展现出了强大的竞争力和领先地位。随着新能源汽车智能化的不断发展，智能驾驶技术将成为行业关注的焦点之一。特斯拉FSDV12的出现为智能驾驶领域带来了新的突破和机遇，值得业界和消费者密切关注。

---

大模型画的饼，自动驾驶能消化么？

如果要评选2023年最大的风口，AI大模型一定位列其中。

风起自ChatGPT的现象级爆火，英伟达创始人黄仁勋激动地喊出了“AI的iPhone时刻正在到来“。

整个科技圈似乎达成了一种共识：所有产品都值得用大模型重做一遍，当然也包括正处于寒冬之中的自动驾驶。

然后，几乎是一夜之间，整个汽车圈都是GPT上车的消息，长安、集度、吉利、岚图、红旗、长城、东风日产、零跑等搭上了网络的文心一言。

“蔚、小、理“先后申请了GPT的相关商标。其中，理想自研的Mind GPT已经正式发布。另外，毫末智行也在不久前发布了自动驾驶生成式大模型drive GPT。

可以说AI大模型的火热，给正在冷却中的自动驾驶又画了一张新的大饼。

有人表示从中看到了自动驾驶的未来。比如集度汽车创始人夏一平，小鹏汽车董事长何小鹏等，当然也有很多人觉得，GPT上车目前就是个PR行为。

所以，今天来尝试探讨一个问题，大模型之于自动驾驶，到底有什么作用？它能给这个已经烧掉无数金钱但依然成效寥寥的赛道，带来一个相对确定的未来么？

NO.1 [不可解释的“涌现”和自动驾驶的困境]

先明确一个定义，大模型是指具有超大参数规模（通常在十亿个以上）和复杂程度的机器学习模型。通常来说，参数量越大，模型就越容易拟合海量数据的规律。

而ChatGPT的出现，让人们有一个非常惊喜的发现。那就是当模型参数量达到了一定程度，超过某个临界值之后，它的性能会大大超越预期。

很多科学家惊叹于这一现象，并将其称之为“涌现“。但遗憾的是到目前为止还没有一套系统、公认的理论来解释为什么会出现这个现象。

所以我们姑且相对简单地把这种“涌现“理解为一个从量变到质变的过程。在跨过临界点之后，模型精度呈指数型增加，甚至产生了类似于人类的逻辑思考能力。

而这种能力很可能是自动驾驶算法攻克最后1％长尾场景的关键所在。在数据标注、虚拟仿真环境以及决策规划上，大模型都有可能改变甚至重写过去的算法。

举个例子，低频率但又几乎不可穷尽的Corner Case，正是从高阶辅助驾驶迈向自动驾驶最大的一块绊脚石。

而Corner Case的出现带有极强的不可预知性，毫末智行数据智能科学家贺翔举了一个例子，一辆卡车转运一颗大树，算法看到的可能只有车，而没有伸出车外的树枝。

类似的状况有很多，比如说很特别的大件运输车辆，甚至是违规拉着很长一根管子的三轮车。

面对这些场景，算法只识别的车辆是不够的，但按照现在基于标签的方式来挖掘长尾场景，只能给系统看大量的标注图片，教它学会识别。

不过问题在于，这些车辆出现的频率太低，数据采集的难度大、成本高、周期长，真正碰到这种场景的概率又小，成本上是算不过来的。

但AI大模型具备举一反三的能力，我们可以通过文字的描述来使其检索并对图像进行分类，检索甚至是自主创造我们需要的长尾场景，例如拖着大树的卡车，拉着长水管的三轮车等。

除此之外，大模型也可以更好的从数据中提取特征，进行数据标注。

比如，先用海量未标注数据通过自监督的方式预训练一个大模型，然后用少量已经人工标注好的数据对模型做微调，使得模型具备检测能力，这样模型就可以自动标注需要的数据。

目前，很多公司都在研究如何提高大模型自动标注的精度，希望实现自动标注的完全无人化。

在Mind GPT发布之后，理想汽车董事长李想就表示：“我们一年要做大概1000万帧的自动驾驶图像的人工标定，外包公司价格大概6元到8元钱一张，一年成本接近一亿元。当我们使用大模型，通过训练的方式进行自动化标定，过去需要用一年做的事情基本上3个小时就能完成，效率是人的1000倍。”

总之，自动驾驶的感知也好，规划决策也好，目前基本上是基于经验和规则的，缺少场景泛化的能力。

但就像夏一平所言，大模型解决的正是泛化的问题，是举一反三的问题，这可能让自动驾驶在未来3-5年内又重大的突破。

因为从根本上来说，生成式AI在语言模型上的应用思路是可以平移到自动驾驶上的。

虽然计算机不懂自然语言，但它通过数学建模，把语言问题变成了数学问题。通过给定文本的历史，预测下一个词出现的概率，间接地理解了自然语言。

换到驾驶场景，如果给定当前的交通环境，给定一个导航地图，以及一个驾驶员驾驶行为的历史，那么，大模型是不是可以预测下一个驾驶动作？

理论上，这是可行的。地平线的创始人余凯认为以AI现在所展现的学习能力，学习司机的驾驶习惯并不难。

“接下来要继续用更大的数据、更大的模型，无监督地去学习人类驾驶的尝试，就像我们从大量无监督的、没有标注的自然文本里去学习一样，构建一个回归自动驾驶的大语言模型。”

NO.2 [吃饼还需算力硬]

大模型为自动驾驶画出来的这张饼，很诱人。但能不能消化其实是另外一回事儿。

“现在说GPT上车都是噱头，车端还没有运转大模型的硬件条件。”贺翔说道。

理论上，大模型需要高规格的硬件配置，包含高性能计算能力、大容量内存和低时延等特点，但车载设备的硬件条件相对有限，无法提供足够的计算资源支撑大模型运行。

举个例子，在自然语言处理领域的 GPT-3 模型就需要数万亿Tops的计算能力。这要求芯片的算力至少要在万级Tops以上才能够胜任大型模型的计算任务。

但是，在车载部署场景下，芯片的算力往往只有数百Tops，远远达不到大型模型的要求。

所以，目前自动驾驶大模型也只能暂时运转在云端，例如毫末智行的Drive GPT。

但即便如此，它依然可以对车端产生影响。 比如通过用知识蒸馏的方式“教”车端的小模型。

最简单的方式就是把需要打标签的图片给大模型学习，大模型可以给这些图片打好标签，标注好的图片就可以用于小模型的训练。

所以，大模型对算力的消耗让云计算厂商成为了第一批被风吹起来的玩家。

2023年以来 阿里、美团、腾讯等互联网大厂也都纷纷收缩或者调整了自动驾驶相关的投入，将更多的精力放到了云计算和AI大模型上。

而主机厂这边，自建超算中心也逐渐成为了基本操作。

当然如果大模型只能运转在云端，它对于自动驾驶的影响会小很多。因为从云端到车端，哪怕只是一点点的时延也可能会在公路上造成悲剧。

所以目前地平线、英伟达等芯片企业都在积极研发适应大模型上车需求的新一代高算力AI芯片。

地平线CTO黄畅认为，按照发展进程来看，在自动驾驶场景中，大模型在车端会优先从环境模型的预测和交互式规控和规划开始应用。

“这个场景不需要特别的大规模参数模型，在百Tops级别的算力平台上就能应用， 3~5年内就可以初步上线。”

“但如果从感知到定位地图到规控，整个端到端的闭环做出来，则需要一个更大规模的参数模型，大概需要5~10年的时间。”黄畅补充到。

NO.3 [写在最后]

严格来说，一夜火遍全球的ChatGPT只是AI大模型中的一种。自动驾驶行业对于大模型的运用比ChatGPT的爆火要早很多。

2017年，马斯克从Open AI挖来了了一位计算机视觉领域的顶级研究院Andrej Karpathy。

他在特斯拉工作了五年，最高做到了AI高级总监兼自动驾驶负责人，而这五年也被绝大多数人认为是特斯拉自动驾驶成长最快的五年。

入职后不久，Andrej Karpathy就重写了特斯拉自动驾驶算法，以BEV纯视觉感知+Transformer为基础，将特斯拉的智能驾驶带入了新的阶段。

当下小鹏、华为、毫末智行、理想等企业正在纷纷跟进这一路线。

而所谓Transformer是一种由谷歌8为AI科学家提出的一种深度学习神经网络，GPT中的T正是指代Transformer。

Open AI将Transformer运用于自然语义理解，诞生了ChatGPT；特斯拉将其应用于计算机视觉，成功开创了BEV技术，让纯视觉感知成为了潮流。

接下来，Transformer还将被自动驾驶玩家们逐步运用到决策规划等各个环节，改变现有模块化的部署方式，迈向端到端的自动驾驶。

我们现在还无法预知这一切会擦出怎么样的火花，但可以肯定大模型在智能驾驶上还未达到自然语义一般“涌现”的程度。

但至少，改变已经在发生，也许这一次自动驾驶这条路也许就真的通了呢？

毫末布局大模型、智算中心 自动驾驶新基建如何筑成？

2023伊始，先是开年毫末智行举办HAOMOAIDAY，放出自动驾驶行业最大智算中心，再有小鹏、理想新春全员信剑指城市导航辅助驾驶，随后是对话式AI大模型ChatGPT火遍全网，自动驾驶AI技术再次成为顶流。

无论是自动驾驶的“进城”，还是ChatGPT的“进化”，其背后都是对数据、算力需求指数级增长的态势以及对大模型的训练。当需求上来了，智算中心作为自动驾驶的“新基建”也就被业界越来越多的提及。

智算中心即智能计算中心，是基于人工智能理论，采用领先的AI计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施，换句话说，智算中心其实是一个算力的供应和生产平台。那为什么有了它“自动辅助驾驶”就可以变为“自动驾驶”了？

“降服”自动驾驶边际成本 自动驾驶智算中心“专云专用”

有人说，智算中心是自动驾驶发展的助推器，因为自动驾驶算法模型训练是机器学习的典型场景之一，其视觉检测、轨迹预测与行车规划等算法模型需要同时完成高并发的并行计算，对算力有着极高的需求，而智算为提高算法模型的成熟度提供了巨大的算力。

在自动驾驶领域，说起智算中心，还得先提特斯拉。2017年，Transformer网络出现后，奠定了当前大模型领域主流的算法架构基础，随后，2020年，特斯拉将Transformer大模型引入自动驾驶领域中，是AI大模型应用于自动驾驶的开端。在这之后，特斯拉开始着手打造属于自己的AI计算中心——Dojo，总计使用了1.4万个英伟达的GPU来训练AI模型。为了进一步提升效率，特斯拉在2021年发布了自研的AI加速芯片D1，并计划将25个D1封装在一起组成一个训练模块（Training tile），然后再将训练模块组成一个机柜（Dojo ExaPOD）。最近一期的特斯拉AI DAY上，马斯克称将于2023年一季度部署完成特斯拉超级计算机群组ExaPOD。

国内方面，2022年8月，小鹏汽车和阿里云合建了当时国内最大的自动驾驶智算中心“扶摇”，专门用于自动驾驶模型训练，算力规模达600PFLOPS，相当于每秒可以完成60亿亿次浮点运算。不过这个记录仅仅维持了4个多月。

今年1月，毫末智行联合火山引擎，共同推出自动驾驶行业最大的智算中心MANA OASIS（雪湖·绿洲），每秒浮点运算达67亿亿次，存储带宽每秒2T，通信带宽每秒800G。吉利也在1月28日上线了吉利星睿智算中心，目前已接入智能驾驶和车联网实验数据近百PB，在线车辆的并发计算支持达百万辆。

从现有情形来看，成本和需求两重因素，是智算中心的诱人之处。

成本层面，算力作为自动驾驶的基本要素，需要更高性能的智算中心来完成训练、标注等工作。以毫末的MANA OASIS为例，通过部署Lego高性能算子库、ByteCCL通信优化能力，以及大模型训练框架，软硬一体，毫末把算力优化到极致。在训练效率方面，基于Sparse MoE，通过跨机共享，轻松完成千亿参数大模型训练，且百万个clips（毫末视频最小标注单位）训练成本只需百卡周级别，训练成本降低100倍。

搭建高效、低成本的数据智能体系是自动驾驶技术健康发展的基础，也是自动驾驶系统能够不断迭代前行的重要环节，更是自动驾驶商业化闭环的关键所在。

小鹏汽车董事长何小鹏曾表态，“如果现在不以这样的方式（智算中心）提前储备算力，那么今后5年内，企业算力成本会从亿级，加到数十亿级。”

如果持续使用公有云服务，边际成本不断上涨只是一方面，更重要的是，智算中心可以让自动驾驶企业实现“专云专用”。自动驾驶的开发包括从数据采集到数据筛选、打标、模型训练、回放性验证、仿真测试等等环节。而云计算的本质是租赁计算设备，云服务商的设备都是统一采购，为了获得更多客户，这些设备都具备很大的通用性，设备内部使用的CPU、GPU/AI加速器、内存的型号与规格都相对固定，很难与车企和自动驾驶公司的算法形成最佳匹配。并且，云服务厂商对自动驾驶算法的了解程度不高，不可避免的会在调度算力时出现损耗和效率不高的问题。所以，从需求的角度来看，智算中心似乎可以成为自动驾驶和车企的托底神器。

同样以毫末为例，有了MANA OASIS的加持，毫末MANA五大模型全新亮相升级，车端感知架构实现跨代升级，毫末的技术栈布局继续保持完整领先的态势，尤其在感知、认知等层面领跑行业，引领大模型、大算力、大数据发展方向，冲刺进入自动驾驶3.0时代。

拿数据采集、筛选和标注来说，自动驾驶系统在前期开发阶段，需要采集大量的道路环境数据，以此让车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。唯一的办法是，通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不断提升。

不仅如此，车企收集到的数据还需要进行模型训练，算法通过在数据上进行运算产生模型，而智算中心将是驱动大模型和海量数据训练的加速器。基于Sparse MoE，毫末根据计算特点，进行稀疏激活，提高计算效率，实现单机8卡就能训练百亿参数大模型的效果，实现跨机共享exper的方法，完成千亿参数规模大模型的训练，训练成本降低到百卡周级别；毫末设计并实现了业界领先的多任务并行训练系统，能同时处理图片、点云、结构化文本等多种模态的信息，既保证了模型的稀疏性、又提升了计算效率；MANA OASIS训练效率提升了100倍。

毫末智行CEO顾维灏也在详细阐释了建设智算中心的底层逻辑：“自动驾驶对智算中心的第一要求肯定是算力。智算中心的超大算力代表了有多少的AI工程师在这个练武场中能够做出什么大模型，能训练多少大模型。”

智能辅助驾驶“进城” MANA OASIS帮助毫末解决了哪些难题？

现在很多车企和自动驾驶技术企业已经开始把打造智算中心当成下一阶段竞争重点。今年1月的HAOMO AI DAY上，毫末智行董事长张凯给出了2023年自动驾驶行业趋势的十大新预测，超算中心赫然位列其中，“超算中心会成为自动驾驶企业的入门配置。”

事实上，当下，随着新能源汽车品牌普遍已经把高速公路场景下的辅助驾驶列为标配，赛场已经悄然从高速路转向城市。与高速导航辅助驾驶相比，城市行车涉及了红绿灯、十字路口、行人电动车、遮挡、固定障碍物、频繁刹停起步等一系列难题，复杂度又提升了好几个数量级。

如果仅用实测车辆去挑战这些城市场景无法穷尽的Corner Case，成本、安全性、时间都将成为企业发展的壁垒。由此，虚拟仿真就成为了解决部分成本及场景多样性的关键，其中，大规模的长尾场景需要数据中心提供充足的算力支持。同时，仿真场景对现实的回归过程，同样需要巨大的算力提供支持。

在MANA OASIS的加持下，毫末的数据智能体系MANA五大模型全新亮相升级。而在五大模型助力下，MANA最新的车端感知架构，从过去分散的多个下游任务集成到了一起，形成一个更加端到端的架构，包括通用障碍物识别、局部路网、行为预测等任务，毫末车端感知架构实现了跨代升级。这也意味着毫末的感知能力更强，产品力更强，向全无人驾驶加速迈进。

首先是视觉自监督大模型，让毫末在中国首个实现4D Clip的自动标注。毫末利用海量videoclip，通过视频自监督方式，预训练出一个大模型，用少量人工标注好的clip数据进行Finetune（微调），训练检测跟踪模型，使得模型具备自动标注的能力；然后，将已经标注好的千万级单帧数据所对应的原始视频提取出来组织成clip，其中10%是标注帧，90%是未标注帧，再将这些clip输入到模型，完成对90%未标注帧的自动标注，进而实现所有单帧标注向clip标注的100%的自动转化，同时降低98%的clip标注成本。毫末视频自监督大模型的泛化性效果极佳，即使是在一些非常困难的场景，例如严重遮挡的骑行者，远处的小目标，恶劣的天气和光照，都能准确地完成自动标注。

其次是3D重建大模型，助力毫末做数据生成，用更低成本解决数据分布问题，提升感知效果。面对“完全从真实数据中积累corner case困难且昂贵”的行业难题，毫末将NeRF技术应用在自动驾驶场景重建和数据生成中，它通过改变视角、光照、纹理材质的方法，生成高真实感数据，实现以低成本获取normal case，生成各种高成本corner case。3D重建大模型生成的数据，不仅比传统的人工显式建模再渲染纹理的方法效果更好、成本更低。增加NeRF生成的数据后，还可将感知的错误率降低30%以上，且数据生成可实现全程自动化，无需任何人工参与。

多模态互监督大模型则可以完成通用障碍物的识别。毫末在成功实现车道线和常见障碍物的精准检测后，针对城市多种异形障碍物的稳定检测问题，毫末正在思考和探索更加通用的解决方案。目前，毫末的多模态互监督大模型，引入了激光雷达作为视觉监督信号，直接使用视频数据来推理场景的通用结构表达。该通用结构的检测，可以很好地补充已有的语义障碍物检测，有效提升自动驾驶系统在城市复杂工况下的通过率。

动态环境大模型，可以精准预测道路的拓扑关系，让车辆始终行驶在正确的车道中。在重感知技术路线下，毫末为了将对高精地图的依赖度降到最低，面临着“道路拓扑结构实时推断”的挑战。为此，毫末在BEV的feature map（特征图）基础上，以标精地图作为引导信息，使用自回归编解码网络，将BEV特征，解码为结构化的拓扑点序列，实现车道拓扑预测。让毫末的感知能力，能像人类一样在标准地图的导航提示下，就可以实现对道路拓扑结构的实时推断。

毫末认为，解决了路口问题实际就解决了大部分城市NOH问题。目前在保定、北京，毫末对于85%的路口的拓扑推断准确率高达95%。即便是非常复杂、非常不规则的路口，毫末也能准确预测，比老司机还老司机。

人驾自监督认知大模型在今年2月已经被正式升级为DriveGPT，这也是全球首个自动驾驶认知大模型。它能让毫末的驾驶策略更加拟人化，安全及顺畅。目前，毫末DriveGPT已完成模型搭建和第一阶段数据的跑通，参数规模可对标GPT-2的水平。接下来，DriveGPT将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。

仿真测试能有效缩短技术和产品开发周期，降低研发成本。业内典型的长尾场景问题不够丰富，现实中可遇而不可求的极端场景，利用仿真平台可以便捷生成。由于仿真测试中的模拟环境需要实现多模态融合，以支持传感器模组的复杂性，因而也需要大算力的支持。

除了毫末，特斯拉超算中心拥有近2万张GPU，对自动驾驶训练效率产生立竿见影的效果，最大限度地提升了自动驾驶系统的开发效率；大陆集团的高算力集群，将开发周期从几周缩短至几个小时，使自动驾驶得以在中短期商业计划中落实；机器学习时间的缩短加快了新科技进入市场的速度；“扶摇”支持小鹏自动驾驶核心模型的训练时长从7天缩短至1小时内，大幅提速近170倍……

当前，一个不争的事实就是，在自动驾驶领域具有长期规划的车企，无论是造车新势力还是传统品牌，或者技术供应商，都在搭建自己的超算中心，以掌握稳定的算力资源，缩短开发周期，加快自动驾驶产品的上市。相反，如果没有超算中心，那么自动驾驶训练速度将明显放缓，自动驾驶企业间的差距也将愈发明显。

用智算中心打造数据护城河 数字新基建逐步成为发展“标配”

自动驾驶发展至今，业界发现乘用车智能辅助驾驶是最有可能大规模铺开的商业场景。据高工智能汽车研究院数据显示，2022年中国市场（不含进出口）乘用车前装标配搭载L2级辅助驾驶的搭载率，已经连续第二个月超过30%。智研咨询数据显示，预计到2025年，全球新车L2自动驾驶的渗透率可达53.99％。

今年，城市导航辅助驾驶也开启了量产的征程。西部证券预测，2023～2025年，国内市场上搭载城市导航辅助驾驶的车型将分别达到70万、169万和348万辆，占比将分别达到17％、40％和70％。

在城市导航辅助驾驶落地加速的背景下，更容易复制、拓展的重感知的方案，受到了更多关注。在重感知技术路线下，面对“道路拓扑结构实时推断”的挑战，毫末的选择是在特征图基础上，以标精地图作为引导信息，使用自回归编解码网络，通过结构化的拓扑点序列解码，实现车道拓扑预测。由此不难看出，业界逐渐达成共识的重感知路线，相比高精地图方案，更依赖算力加持。

人工智能是创新的加速器，智算中心则可以为各类技术创新提供支撑。一方面，智算中心可以为构建安全可信、可复用的技术研发环境提供算力设施支撑，为各领域科技研发提供智能计算服务，加速科技研发的进程；另一方面，智算中心是新一代信息技术的集成应用载体，智算中心的快速建设推广与规模化应用将推动通信服务网络、大数据、人工智能等技术的快速迭代，从而促进技术创新。自动驾驶数据是片段式的，特点是小文件多，达到百亿个，而且训练需要交换的数据多，智算中心可以提供充足的带宽，并且可以让自动驾驶模型拥有更好的并行计算框架，在训练的时候把硬件资源都利用起来。

2020年4月20日，国家发展改革委首次明确新型基础设施的范围，其中就包括以智能计算中心为代表的算力基础设施。2023年1月10日，国家工业信息安全发展研究中心推出《智能计算中心2.0时代展望报告》，指出经过5年多发展，智算中心正由1.0粗放扩张阶段走向2.0精细规划阶段。

根据相关统计和测算，目前全国超过30个城市在建或筹建智算中心，未来5年我国智能算力规模年复合增长率将达52.3%。智算中心的创新发展，将进一步为人工智能夯实“算力底座”，成为带动人工智能及相关产业快速发展的新引擎。

“我们测算，智算中心带来的成本优化是惊人的，将达到亿元级别。”这是今年1月，张凯提出的预测。从目前及未来的规划量产规模来看，毫末自建智算中心可节约巨额成本；同时，其带来的效率提升也非常明显。

人工智能发展很快，新的算法层出不穷，需尽快引入新的技术和模型，与此同时，数据是智能化发展最大的驱动力，也占据了大量成本构成。用自建智算中心来打造数据护城河，不仅能够完善产业智能生态，更能让企业在智能化方面占据先发优势，智算中心作为数字新基建，未来势必将引领自动驾驶技术持续迭代升级。