雲圖一體，高階智駕落地的加速器

直播智駕，是汽車品牌一把手在 2024 年的新工作。

自雷軍帶着小米 SU7 在車圈掀起了一波營銷巨浪之後，汽車老將們紛紛喊出了「要向餘承東學習，向雷軍學習」的口號。

4 月 14 日，尹同躍發起了直播，測試星紀元 ET 的高速 NOA。

4 月 15 日，長城汽車魏建軍第一次走進了直播間，實測長城汽車全場景 NOA。同一天，極越 CEO 和百度董事長李彥宏也開啓了直播，展示極越 01 的純視覺智駕能力。甚至在最為忙碌的車展當天，也有不少車企 CEO 一大早便開啓了直播。

在多家車企的直播中，智能駕駛一直是宣傳重點。

在智能化角逐激烈的當下，智駕作為最能體現車企實力的技術之一，輸了智駕就相當於輸了品牌。

此前對智駕不夠重視的傳統車企，更是加快了追趕步伐，奇瑞未來 5 年預計在智駕方面投入 200 億，比亞迪更是宣佈砸下 1000 億補足智能化短板。

但是想實現智駕的彎道超車，只投入資金還遠遠不夠。

如何讓花出去的錢物超所值，才是關鍵。

這就繞不開數字基建——只有合理利用好行業內的數字基建，才能避免重複造輪子，將有限的資源投入到前沿技術的開發中去。

在智駕領域，地圖和雲端算力是最核心的基建。

尤其是特斯拉將 Transformer 架構引入智駕之後，車端算力滿足不了大模型的訓練，雲端算力成為各車企和供應商的角逐關鍵。

車企在開發智駕方案時，離不開雲端和地圖數據的支持，而進一步的雲圖一體化，是推動車企智駕方案迭代的重要基礎能力。

在 2024 年騰訊智慧出行開放日上，騰訊智慧出行副總裁鍾學丹提到了騰訊在汽車行業的定位——作為數字化基礎設施建設的助力者，通過在雲計算、地圖和人工智能等領域的技術優勢，打造雲圖為基、車雲一體的開發模式，幫助車企構建更強大的基礎設施能力，以此幫助車企在研發、生產和供應鏈實現降本增效。

01、算力和數據，二者缺一不可

自特斯拉將大模型引入智能駕駛之後，算法、算力和數據成了車企和智駕企業繞不過去的坎。

在 2024 年騰訊智慧出行技術開放日上，騰訊智慧出行副總裁鍾學丹就提到智能駕駛大模型在開發過程中會面臨的三大挑戰：

• 一是算力挑戰；
• 二是數據挑戰；
• 三是軟件開發平台、數據存儲、合規管理等方面的挑戰。

騰訊合作伙伴 NVIDIA 全球副總裁吳新宙也表達了類似觀點：

「進入 AI 定義汽車時代之後，汽車智駕的開發模式發生了變化，形成了雲端 + 車端的開發閉環——智駕模型在擁有大算力的雲端進行訓練和驗證，隨後部署到車端，完成應用和數據收集回傳，促進雲端的模型訓練。」

簡而言之，算法相當於智駕系統的天賦，算力相當於智駕系統的學習效率，數據量則相當於智駕系統刷的題庫。天賦越強，學習效率越高，刷的題庫越多，智駕系統的能力也就越強。

拿開啓智駕大模型時代的特斯拉來説，2023 年初，FSD V12 便落地了端到端的大模型算法。

在雲端算力方面，特斯拉已經提升至 10 EFLOPS，並計劃通過自研 DOJO 超算的方式將算力逐漸提升至 100 EFLOPS。

在數據方面，FSD V12 訓練之初，特斯拉便投入了 1000 萬個特斯拉車主的駕駛視頻，並且通過影子模式，特斯拉每天可以訪問車主的 1600 億幀視頻。

在這三點中，算法是車企和智駕企業的核心競爭力，沒有捷徑可走。

而算力和數據，定位則更像是數字基建，雖然重要，但是並不需要自研，與供應商合作是更好的選擇。

以算力為例，特斯拉在 2024 年 Q1 購買了 9 萬塊英偉達 H100，預計投入 30 億美元，而在 2024 年剩下幾個月，特斯拉還將投入 100 億美元購買算力，如此龐大的資金投入對於車企和智駕企業來説是巨大的負擔。

資金壓力之外，搭建一套可用於自動駕駛大模型訓練的私有云，技術難度絲毫不亞於造車。

在資金和技術的雙重壓力之下，目前國內車企普遍採取了和雲服務商合作的方式。

背靠百度雲的極越，訓練大模型的百度陽泉智算中心擁有 4 EFLOPS 的算力；鴻蒙智行旗下的問界、智界等品牌，獲得了華為雲 3.5 EFLOPS 算力的支持；小鵬、毫末智行、蔚來等企業也分別與阿里雲、火山引擎和騰訊雲等雲服務商合建了超算中心，用於智駕大模型的訓練。

為了更好地支持車企與智駕企業的大模型訓練，騰訊推出了首個專為智能駕駛打造的一站式雲——騰訊智能汽車雲。

騰訊智慧出行副總裁 劉澍泉

在最核心的算力方面，騰訊智能汽車雲融合了騰訊雲的 HCC 高性能計算集羣和騰訊自研的星脈高性能計算網絡，帶來了業界最高的 3.2Tbps 帶寬，算力性能提升 3 倍，通信性能提升 10 倍，GPU 利用率提升 40% 以上。

同時，騰訊在華東和華北開設了兩個雲專區，除了保障全棧數據物理隔離、全流程數據合規之外，還能夠靈活支持遠程容災，基於異地雙活的配置，能夠為智能駕駛的業務連續性提供基礎支撐。

除了最基礎的算力以外，騰訊智能汽車雲還可以為車企的智駕訓練提供包括數據存儲、算法訓練、合規管理等全棧式服務，讓車企可以專注上層功能的開發。

在數據存儲和檢索方面，騰訊雲不僅可以降低車企的數據存儲成本，還能為其提升數據檢索調用能力。

用騰訊雲原生數據庫替換自建數據庫，可按需彈性擴容，綜合降本 20% 以上；騰訊 wedata 作為數據開發治理的平台，通過存算分離和冷熱數據分層能力，綜合降本可達 30%；騰訊 CLS 和雲監控服務替換自建服務，實際案例中可降低成本 30% 以上。

自動駕駛數據絕大部分是視頻、圖片等非結構化數據，它們不像結構化數據那樣易於進行自動化處理和分析。

騰訊全球首個雲原生的向量數據庫，可以高效處理車端回傳的海量視頻、點雲等非結構化數據，支持 10 億級向量檢索規模，百萬級查詢 (QPS) 能力，讓智駕數據處理效率較傳統數據庫提升 10 倍。

假設在 10 億張圖片裏找 1 張卡車運輸共享單車的圖片，騰訊雲向量數據庫可併發支持 100 萬個請求，在 10 億規模圖片裏進行搜索，只需要百毫秒就能輕鬆地找到這條記錄。

在算法訓練方面，全新升級太極 Angle 訓練加速框架，性能方面可以比常見方案提升 30% 以上。該框架在 Llama2 系列大模型中，訓練加速比提高 1.4 倍，推理加速比提高 1.77 倍。

至於車企和智駕企業頭疼的數據問題，騰訊也通過「仿真訓練」給出瞭解決方案。

騰訊將遊戲領域的技術積累遷移到了自動駕駛領域，打造出了自動駕駛虛擬仿真引擎 TAD Sim，可提供 1000 多個不同道路特徵的海量真實高精地圖庫，以及 2000 多個邏輯場景庫，為客户提供便捷高效、即時可用的解決方案。

不僅能通過海量仿真數據提升車輛在 corner case 下的博弈能力，還可以通過仿真場景去驗證算法的可靠性，加快車企開發流程。

劉澍泉向汽車之心透露，在目前的一些實踐項目中，搭配使用騰訊智能汽車雲可以為車企和智駕企業節省 30% 左右的開發成本。

在智駕大模型開發過程中最重要的算力和數據方面，騰訊智能汽車雲充分發揮了數字基建的功能，避免了車企重複造輪子式的低效投入。

02、智駕地圖，進入雲端時代

限制車企城市 NOA 普及的另一大數字基建，是智駕地圖。

在 4 月 25 日的車展上，多家車企強調了地圖對智駕開城的重要性：智己 L6 強調全系具備無高精地圖的城市 NOA 能力，爭取年內覆蓋全國；極越更是表示要在年底之前，做到百度地圖能到的地方，智駕都能用。

地圖作為感知部分中最重要的一環，解決了智駕中「在哪」和「去哪」的底層問題。精確到厘米的高精地圖，更是一度成為了智能駕駛方案的必備配置。

然而隨着智能駕駛從高速 NOA 向城市 NOA 發展，高精地圖已經無法滿足車企和智駕公司的需求。

一方面，高精地圖繪測效率低。

一輛繪測車一天僅能繪測 100 公里的厘米級地圖，低效率導致高精地圖的覆蓋面積小和地圖鮮度低，無法滿足更長、更多變的城市道路。

另一方面，高精地圖繪測成本過高。

厘米級繪測成本可達每公里千元，一輛繪測車的成本也在百萬元級別，圖商昂貴的繪測成本最終會轉移到車企身上，不符合價格戰下車企降本增效的要求。

城市 NOA 要想普及，必須有成本更低、覆蓋面積更廣以及鮮度更高的地圖。而特斯拉提出的 Transformer+BEV+OCC 架構，大幅提升了智駕的感知能力，讓「去高精地圖」成為了可能。

在這樣的趨勢下，車企和智駕公司紛紛轉向了「輕地圖重感知」的路線。

所謂輕地圖，就是精度介於普通 SD 導航地圖和高精 HD 地圖之間的一種智駕地圖，由於精度比高精地圖更輕，所以可以做到更快、更便宜地覆蓋更大面積。

不過在實際使用中，輕高精地圖依舊存在問題。

雖然比高精地圖更輕，但是輕高精地圖的覆蓋面積和鮮度依舊比不上導航地圖，因此在大多數車企智駕方案中，後台要同時運行高精地圖、輕高精地圖和導航地圖三份地圖。

在有高精地圖、輕高精地圖的路段，車輛可以使用 NOA 功能；在沒有高精地圖、輕高精地圖的路段，車輛則降級至基於導航地圖的 LCC 功能。

對車企而言，同時運行三張地圖不僅造成了資源重複投入，還出力不討好——由於各種地圖之間數據不匹配，以及多種地圖更新頻率難以統一等原因，車企還要花費額外的精力協調各種地圖的信息。

對消費者來説，行車過程中需要的信息分散在多個地圖內，查看體驗非常糟糕。比如在某頭部新勢力車型中，使用智駕功能時，想要查看導航信息必須退出智駕地圖，切入導航地圖。

為了解決這一問題，騰訊率先推出了「一張圖」的地圖生產模式——天然融合標準地圖（SD Map）、輔助駕駛地圖（ADAS Map)、高精地圖（HD Map) 等不同精度等級的地圖數據集成到一張地圖中，做到數據同源、質量同級。

基於一張圖的生產模式，騰訊打造出了專為城市 NOA 場景設計的 HD Air 輕高精地圖。

在地圖信息方面，HD Air 地圖實現了「輕而全」。

HD Air 可以保證米級精度，滿足城市 NOA 的需求。此外，HD Air 的地圖要素也更加豐富精細，除了道路精細化呈現，對於座艙應用需要的 POI（興趣點）、環境、建築物等要素實現了更精緻的表達。

通過信息的取捨，HD Air 地圖在數據存儲方面基本能減少至原來的 10%。

在地圖鮮度方面，HD Air 地圖採用了多源更新的方式，將地圖鮮度從高精地圖時代的季度更新降低到了周級更新。

在多圖合一的基礎上，騰訊實現了自動駕駛地圖數據全面雲化，打造出了智駕雲圖。

簡單來説，就是將車端地圖與雲端地圖結合起來，車端會不斷地將收集到的地圖要素（包括車信、限速牌、電子眼、車道線、地面交通標識牌等）回傳到雲端，經過雲端處理後再整合進智駕地圖，實現更快的地圖更新。

除此之外，車端感知到的實時路況信息（交通事件、惡劣天氣、自然災害等）同樣會實時回傳雲端，隨後通過 ODD 服務在車端實現分鐘級、車道級的實時更新，讓智駕擁有「預知」前方路況的超能力。

為了滿足車企多樣化的需求，騰訊將智駕雲圖分成了多個圖層，包含基礎地圖圖層、更新要素圖層、ODD 動態圖層、駕駛經驗圖層、運營圖層等，車企可以根據自身需求靈活配置並管理圖層，並與車企自身數據圖層結合，搭建更獨特的地圖系統。

比如在騰訊導航級地圖的助力下，元戎啓行打造出業內首個僅利用導航地圖實現城區高階智能駕駛的量產智駕方案，在大幅提升覆蓋面積的同時大幅降低了地圖的成本。

騰訊智駕雲圖的另一個護城河，在於開放的生態。

騰訊與車企進行地圖合作時，車企的車輛收集到的地圖信息整合到智駕雲圖之後，會率先在該車企的車輛中進行落地。

通過該方式，各車企在地圖數據上既實現了階段性的領先，完美兼顧了獨家領先和社會效益最大化。

騰訊智慧出行副總裁劉澍泉也補充道：

「騰訊在與車企合作開發的過程中採取了非常開放的態度，騰訊並不會包攬一切，而是和車企深度合作，達成一種既是商業合作又是技術合作的關係。」

在和某頭部新勢力合作時，騰訊針對該車企在補能方面的需求，基於雲圖模式構建出了停車場數據地圖，通過車企的車端數據，打造出了非常精細化的停車場地圖，甚至包括了充電樁、停車位、電梯間等數據。

憑藉着在地圖、雲服務以及生態三方面的積累，騰訊為車企和供應商提供了更適合城市 NOA 的地圖服務，解決了智駕的又一道基建難題，助力車企降本增效。

03、重複內卷，不如高水平共贏

汽車作為人類最複雜的工業製成品之一，即使是在非常成熟的燃油車領域也要高度分工，沒有一家企業可以做到所謂的全棧自研。

但是到了智能電動汽車市場，不少企業將「智駕」看作車企的靈魂，認為只有全棧自研才能把靈魂控制在自己手中，不至於成為一具空殼。

然而在技術快速迭代的智駕領域，一家車企既沒必要也不可能做到全棧自研，積極融入產業鏈才是最佳選擇。

對於整個行業而言，各個企業分別在地圖、算力等方面反覆進行大規模投入，更像是一種低水平的內卷，對於行業而言無疑是一種資源浪費。

騰訊作為國內 19 家擁有甲導測繪資質（智駕地圖必備資質）的圖商之一，騰訊雲又是中國首家、全球第五家運營服務器超過百萬台的公司——目前，騰訊云為 9000+ 合作伙伴提供領先的雲服務，騰訊全網運行的服務器超過 100 萬台。

騰訊天然具備地圖和雲服務兩方面的基建優勢，不僅能通過資源複用的方式降低車企的成本，還能通過聚合資源的方式帶給所有車企更好的體驗。

對於車企而言，重複的內卷，不如高水平的共贏，只有利用好產業鏈已有數字基建的車企，才能率先將自己從重複造輪子之中解脱出來，將精力和資源投入到前沿技術開發之中，以此實現彎道超車。

$騰訊概念(CP00037.US) $特斯拉(TSLA.US) $特斯拉(TSLA.US) $智能汽車(399432.SZ) $智能汽車(399432.SZ)