智算中心的建设已成为端到端自动驾驶的标配,对于算力的需求正在以一种倍极速率疯狂增长。
「没有智算中心的端到端智驾企业是不合格的。」毫末智行一位专家直言,算力越多,对模型的迭代效率、迭代方式速度,以及各种情况的修复效率,均有大幅提升。
商汤绝影智能驾驶副总裁石建萍也表示,高算力,意味着它所容纳的应用空间是广泛的,它允许更多的尝试、试错发生,那么就更有可能研发出性能更强的端到端模型。
那这是否意味着实现端到端智驾,必须大力才能出奇迹?
有意思的是,针对这个答案,行业呈现了两种发展路径:
一面是倾向于重投算力的「暴力计算」;
另一面是深耕算法的「工匠主义」。
诚然,行业对于智驾三要素(算法、数据、算力)的共识是三者相辅相成,任何一个出现短板,都会引发水桶效应。
但在此基础上,三个长板,哪方面现在需要重点强化,则出现了一些分歧。
暴力计算者认为,现在各家算法其实没有本质区别,核心点在于把数据在超算中心中如何高效训练起来。
一位行业人士就指出,在学界已经公开了可行的端到端算法架构,甚至不断更新前沿进展的情形下,业界完全可以参照学界的研究成果进行量产、落地实验,那么这就要求其现阶段在算力基础、数据规模上积攒足够实力。
但也有另一种声音夹杂在其中。他们认为,实现端到端智驾,深耕算法是当前更为紧迫的突破方式。
元戎启行就对汽车之心表示,算力中心比拼只是一方面,但现阶段更重要的是打造一套满足 Scalling law 的网络模型。
Scalling law 即规模定律,随着模型规模的增加(包括参数数量、数据规模和计算资源),模型的性能也会相应提高。
也就是说,想要规模定律生效,需要先谋定的是模型优化问题,这才是后续大力出奇迹的发力点所在。
说到底,两种路径无关绝对优劣之分,毕竟各家的端到端战略规划、资本实力各不相同。
但从特斯拉、华为等头部车企都重投超算中心的动作评判,算力愈高,端到端智驾效果的天花板的确会随之抬高,也就是上限会有所提升。
昨日没有赶上无人出租第一波涨停板的老师,可以研究关注下无人驾驶算力这个分支,还在低位。
301085 亚康股份 无人驾驶巨头百度和滴滴的算力服务商