三 | ”日前，毫末智行CEO顾维灏首次提出，“毫末正在通过低碳超算来降低自动驾驶成本，通过改进车端模型和芯片的设计来实现大模型的车端落地，通过数据的组织让大模型发挥更大效力。” 在他看来，自动驾驶近十年的发展可分为硬件驱动、软件驱动、数据驱动三大时代。其中，数据驱动时代，是完全不一样的时代，大模型+海量数据“双剑合璧”，数据开启自训练模式；感知技术上，用多模态传感器联合输出结果；认知技术上，以可解释的场景化驾驶常识为主；自动驾驶里程由硬件驱动、软件驱动时代的百万公里、上千万公里，直接飙升到了1亿公里以上。顾维灏表示，“毫末一直在为自动驾驶3.0时代做准备，在感知、认知、模式建设上，都是按照数据驱动的方式建设的。毫末所做的一切，都是为了能够做出数据通道和计算中心，以便可以更高效地获取数据，并把数据转化为知识。”以数据驱动为核心，以上4个技术条件并行成立才能称为真正进入自动驾驶3.0时代。活动通过开放嘉年华与深度夏令营相结合的方式，引导青少年在真实的科研与工程实践中掌握科学方法、启迪科学思维、感悟科学家精神。即日起至8月20日，来自全国各地的200余名青少年将围绕“建设模拟外星科考站”这一核心任务，展开为期六天的沉浸式夏令营研学之旅。

四 | 　　当日上午，嘉年华活动在国家速滑馆举行，吸引约1200名公众参与。

五 | 开幕式上，精彩的机器人表演、环球飞车表演和“扭转乾坤”科学实验秀接连上演，赢得观众阵阵掌声。顾维灏告诉记者，Attention大模型是当前AI发展的新趋势，但由于其对算力的需求远远超出摩尔定律，由此带来的高算力需求、高训练成本、高落地难度等挑战，正成为当前毫末重点解决的问题。　　活动特别设置了五大主题展区：青少年创意作品展展示了全国征集的“筑梦星球”创意作品；科学艺术展用图文、装置等艺术形式呈现未来星际探索场景；馆－区－校科教协同成果展集中展现了中国科技馆与东城区教委及学校协同育人的科创成果；科学教育共同体教研成果及全国多家地方科技馆特色科学教育项目也在同步展出。　　此外，嘉年华还组织了趣味科学运动会、“星际见习特工”任务等丰富活动，让公众在互动游戏中共同感受科学的乐趣，现场气氛热烈。基于Attention大模型，自动驾驶需要大规模且多样性的训练数据，而基于大规模真实人驾数据的乘用车辅助驾驶，才有能力积累到足够规模和足够多样的数据。　　当日下午，夏令营活动在中国科技馆正式开营。

六 | 北京交通大学陈征教授作为特邀科学家代表出席，并向营员们发布了“建设外星科考站”项目任务，鼓励青少年像真正的科研人员一样思考，在解决实际工程问题中理解航天科技的复杂与精妙。“我们有理由认为，辅助驾驶是通往自动驾驶的必由之路。营员们参观中国科技馆展厅和鲁班工程中心，通过互动深入体验工程实践过程，感受航天科技魅力。　　本次夏令营活动围绕“能源收集”“环控生保”“科考探测”三大分系统，设置三级进阶式课程体系。营员们将从单一模块的原理验证实验开始，逐步进阶到系统结构搭建与整体联调，最终完成具有真实功能的科考站核心模块。活动期间，来自科研院所和高校的科学家、工程师将全程驻营指导，在“人机共育”理念下，带领青少年经历“猜想-设计-验证-迭代”的完整科学探究流程。　　2026年“科学方法特训营”项目自3月启动以来，已陆续完成科学教育共同体建设，全国青少年创意作品征集、骨干教师研修及《科学方法特训营创想说》公开课上线等工作。

七 | 此次暑期嘉年华与夏令营的举办，标志着全年活动进入实践成果产出的关键阶段。

八 | （陈硕）版权申明：凡注有“”或电头为“”的稿件，均为独家版权所有，未经许可不得转载或镜像；授权转载必须注明来源为“”，并保留“”的电头。因为只有辅助驾驶，才有能力积累到足够规模和足够多样的数据。

九 | ” Attention大模型带来的机遇和挑战，正驱动自动驾驶行业的技术变革。他对记者表示，“毫末正在通过低碳超算来降低自动驾驶成本，通过改进车端模型和芯片的设计来实现大模型的车端落地，通过数据的组织让大模型发挥更大效力。    。” 低碳超算层面，毫末在日前的AI DAY上正式官宣了中国自动驾驶科技公司首个超算中心。顾维灏表示：“如何提升训练效率降低训练成本，实现低碳计算，是自动驾驶走进千家万户的一个关键门槛。”毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。在算法模型层面，顾维灏介绍，毫末早在2021年6月便启动了针对transformer大模型的研究和落地尝试。正是基于过去一年多在训练平台改造升级、数据规格和标注方法的切换准备、针对感知、认知具体任务的模型细节探索等方面的成功实践，为现在毫末在城市导航辅助驾驶场景中的快速发展打下了坚实基础。

十 | 另外，顾维灏还分享了毫末数据智能体系MANA在自动驾驶城市场景中面临的挑战与功能升级。他表示，城市道路主要存在“4类场景难题、6大技术挑战”。其中场景难题主要包括“城市道路养护频繁”“大型车辆密集”“变道空间狭窄”“城市环境多样”。解决上述场景难题，技术层面面临六大挑战：如何在自动驾驶领域应用大模型，如何让数据发挥更大的价值，如何使用重感知技术解决现实空间理解问题，如何使用人类世界的交互接口，如何让仿真更真，如何让自动驾驶系统运动起来更像人。为了应对上述挑战，MANA感知智能、认知智能等方面均迎来更新升级。首先，MANA通过使用大规模量产车无标注数据的自监督学习方法打造模型效果，相比只用少量标注样本训练，训练效果提升3倍以上，这让毫末数据优势得以高效转化为模型效果，以更好适应自动驾驶各种感知任务需求。其次，MANA感知能力提升，让海量数据不再被区别对待。

十一 | 面对巨大数据规模下的“数据效率”难题，MANA构建了增量式学习训练平台，抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致，对新数据的拟合尽量好。相比常规做法，整体算力节省80%，响应速度提升6倍。第三，MANA感知能力更强。

十二 | 通过使用时序的transformer模型在BEV空间上做了虚拟实时建图，使得感知车道线的输出更加准确和稳定，让城市导航自动驾驶告别高精地图依赖。第四，MANA感知能力更准，让中国没有不能识别的车辆信号灯。MANA通过升级车上感知系统，对刹车灯、转向灯状态进行专门识别，让驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。

十三 | 第五，MANA认知能力也再次进化。面对路口这一城市最复杂场景，MANA在仿真系统中引入了高价值的真实交通流场景，与浙江德清、阿里云合作，将路口这一城市最复杂场景引入仿真引擎，构建自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，有效破解了城市路口通过“老大难”问题。现场，毫末联合浙江德清、阿里云发布“中国首个基于车路协同云服务的大规模自动驾驶场景库”。作为其首个使用真实交通数据生成、满足数据合规要求的自动驾驶场景库，将进一步加速中国自动驾驶成熟度提升以及车路云协同发展。

Current article:http://5ceza.pochehaihuandangfenzei.shop/list_ufs/uanwysq.html

Published on:00:00:00