本文来自微信公众号：宇多田（ID：hellomusk），作者：宇多田，原文标题：《“华为高阶辅助驾驶，地图出了三分力”》，头图来自：视觉中国
来自同行的赞赏，有时候很客观；而诋毁可能恰恰相反。
对于“高阶辅助驾驶到底谁做的最好”这个问题，当下勉强在产业里达成了一个共识——
“华为？四舍五入算一个。”
从技术角度，他们的确得到了大厂的ADAS与L4工程师们的认可：“基础功能一般，但高阶优秀” ，“算法高级，工具链很好”。
但另一方面，从市场角度，嗤之以鼻的答案简单粗暴却直击心脏：“做的好，但又怎样？高配还不是卖不出去”。
以40多万的某狐车型城市NOA为例。上海一家租车公司本来买了一辆高配，后来又加购了5辆。
原因很有趣，包括美国、德国以及日本各地车厂与海外Tier1的系统工程师们纷纷跑来试驾，在发出“卧槽，做的还不错”的感叹后，就马不停蹄回去写报告了。
“上海的城市NOA功能体验的确好，至少比我们好。”
一位正在参与研发L2++系统的Tier1工程师坦然承认差距，开玩笑说不知道自己公司还有没有做的必要。“老板们都没体验过车，不知道开发高阶的优越感从何而来。”
然而，也有人直言：“虽然华为高阶辅助驾驶整体实力是国内Top2，但投入也是所有竞争对手无法抗衡的。”
成本的确很高。
对比车厂、创业公司与 Tier1 大几百人的配置，据传华为与自动驾驶相关的整个团队规模（软硬、地图、路测等所有相关）多达7000人。
另据一位产品经理测算，华为某同价位车上的辅助驾驶模块成本，是小鹏的两倍。
除了MDC810、13颗摄像头与3颗激光雷达等昂贵的硬件配置，华为的“中层能力”是从算法、中间件到芯片的可控性定制与优化；底层，还有路采、地图与数据闭环的隐形助力。
另外，有L4工程师指出，市面上刚吹Transformer模型时，华为其实就用上了。“你不得不承认，他们是目前模仿特斯拉最像最快的中国企业。”
然而，这部分成本落实在终端的价格上，就是低配与高阶版本近20万的差距。有意思的是，某狐低配是头部海外大厂提供的ADAS配置，得到了“烂但确实便宜”的评价。
这就是汽车智能化的最残酷之处——消费者的确不会花十几万，买个不错的高阶辅助驾驶系统。
但作为一家准车厂，华为的自动驾驶能力搭建逻辑，却值得借鉴。
地图的“价值”
从2022年开始，看似被成本推动的辅助驾驶“去高精地图革命”席卷汽车市场，而华为是呐喊者之一。
但与此同时，业内一直谣传华为有一支极为庞大的城市道路数采团队，为智驾系统提供可信任的“道路先验数据”。
对于这个传闻，一位高精地图产业人士指出，地图，的确在华为提升辅助驾驶能力过程中扮演重要角色。
2020年10月，华为曾在Mate40手机大会上，发布过一款名为Petal Maps的花瓣地图，为手机用户提供定位、驾车导航、实时路况服务。
但那时候，这个地图APP团队主要是服务海外，先融合了一家海外图商数据，再基于此做了导航与POI引擎。
而后来，又是同一团队，在国内跟四维图新合作，将地图放入车机（座舱）；再结合自己的地图甲级资质，最后被拿去支持了智驾的需求。
“所以华为算是做了一个完整的‘外卖’，这是一个正经的做法，将手机、车机以及智驾地图合三为一。因此做的很深。”
而就在2022年底，车机地图与手机地图团队的合并，也佐证了这一点。
有技术人士猜测，作为地图甲级资质持有者，华为完全有能力组建团队，开着 Huawei Inside 量产车去实地采集数据——装有三颗激光雷达的车型，的确能达到测绘所需的高精度。
而采集回传的数据，则可以补给自己的三块业务——手机、车机与智驾。这种做法类似于建立了一个庞大的数据中台，也被认为是“全数据闭环”的一部分。
好处很简单：一图多用，数据精准，迭代迅速。
只不过，华为能这么做的前提，一方面是雄厚的财力，另一方面是持有决定性的甲级测绘资质。而大多车厂在这一点上短板明显，只能依赖图商。
譬如小鹏、理想以及小米等新势力背后有高德、美团等公司，为前者做一些数据合规或路采工作。
图片来自Here
因此，如今汽车智能市场的“去高精地图”之势，与“摆脱图商”相呼应。但将华为作为参照系，却绝不只为成本。
而是“体验不好”。
一家新势力车厂内部反馈的数据显示，当下，导致高速公路NOA降级与接管的主要原因，不是“感知问题”，而是“地图数据不对”。
“真实的高速NOA平均水平，30公里左右就要接管或降级一次。也就是说，从苏州到上海100多公里的里程，就要接管三四次。其中最核心的原因，就是地图数据有误。”
一位科技公司技术负责人指出，在实际应用中，高精地图的绝对精度能达到50厘米就“谢天谢地”；而图商们在很多广告里承诺的10厘米、5厘米则是“开国际玩笑”。
此外，高精地图里实线变虚线、虚线被画成实线，车道线缺失等问题，在“上车”后仍然极为常见。
“很多上过高速NOA的车厂，现在开始讲高精地图，绝不单单因为成本。毕竟大家早就买了图商的高速公路数据，每公里更新成本其实也不贵。但新势力为什么还要自己去申请资质，组建几百辆的采集车队，做动态更新这一层呢？就是因为体验不好。高精地图即便作为一套‘先验数据’，也不能被无条件信任。”
因此，降低对地图的依赖，提高对感知的信任，更多指代“让地图格式变轻，但更新速度加快”。
而提高更新速度的方法，不仅需要组建几百上千辆汽车做路采，它一定会涉及到一个今年非常火的概念——数据闭环。
不被待见的“数据闭环”
我们在上篇大模型的文章里就曾指出，这是一项毫无显性成绩却极为重要的工作。
举个例子，如果车端出现定位漂移，或感知识别出错，系统便会回传原始视频与图片，经过合规处理后流入机房（云上），工程师再根据这个场景做单独训练或举一反三。
而这类“场景难例”积累到一定程度，对应的算法模型就会做进一步迭代与升级，进而反哺车端。
这便是“数据闭环”的一个应用。
从广义来看，作为一个涉及数据采集、清洗、存储、标注、训练、迭代与反馈的全链路闭环系统，它不仅包含深度学习、强化学习链路，也包括地图。
因此，“数据闭环”工作在很多公司内部，要么被放入地图团队，要么被放入感知团队。
“它既能为Transformer等感知模型的迭代服务，也能为地图迭代服务。”
一位产业人士猜测，某车厂的轻量化地图策略，是“基于地图底层路网，再生成一层能动态实时更新的图层”。久而久之，就可以不再需要图商了。
而他认为，华为的逻辑也是如此。
一开始，华为也依赖某图商的高精地图。但他们有自己的云和数据闭环，最终完善出一套自己的“地图”。
“华为的数据闭环工具做得很好，特别是训练与标注。” 一位外部工程师指出。
而相比于IDC里的飞速迭代，大部分车企只是指望上量产前，让图商帮自己做几百万上千万公里数采，杯水车薪。
“面对国内牛鬼蛇神层出不穷的交通环境，这是远远不够的”。
这样来看，小鹏等新势力搭建数据中心、通过各种手段试图从乙级升至甲级资质的原因，也是同类目的。
当然，数据闭环的代价就是“烧钱”。
数据闭环与大模型的生存之地必然是机房，而愿意建立庞大数据中心（IDC）的车厂目前屈指可数。
此外，由于投入几十亿但产出缓慢，搞数据闭环的团队在车厂里通常也不太受待见。作为一个“支撑性团队”，它的角色类似于互联网大厂里的安全部门——没有实际业务。不到某个节点，感知不到存在的意义。而且很多环节还涉及到合规性。
“这件事拼的是足够的耐心与足够的资金。但鉴于当下自动驾驶的市场形势，大部分车厂是不愿意做华为这套投入的。”
因此，有资本、地方政府与云厂商，开始琢磨“第三方运营数据闭环与大模型IDC”的生意。但这到底是不是一个市场方向，也随着“自动驾驶变冷”而扑朔迷离。
“车厂只关心今年的车到底能不能卖掉，大多不会关心三年后会什么样。你现在去告诉他们要搞IDC搞自研，给老板汇报后发现，这怎么比原来不做时还要费钱？所以这个问题的最终答案，就让时间来告诉市场吧。”
本文来自微信公众号：宇多田（ID：hellomusk），作者：宇多田