2024年智能驾驶技术对于中国车企来说变成了刚需，展望2025年如果没有智能驾驶技术的加持，这车是很难卖的。
长城汽车在2024年围绕蓝山智能驾驶版做了很多的尝试，在硬件算力的应用上投入巨大，还探索了大模型和人工智能技术在研发和运营中的融合。
在与长城汽车的技术交流中，长城分享了在智能驾驶场景中的技术突破及其对未来技术规划的思考两方面展开分析，并探讨其在产业内的核心竞争力。
智能驾驶技术突破：
场景复杂性与用户体验优化
● 智能驾驶难点
智能驾驶技术研发是个很复杂的过程，应对更多复杂场景以及引入新模型上是需要很多的尝试，面对如救护车通行需要让行、潮汐车道和公交车道限时行驶等对人类驾驶简单，但对当前智能驾驶系统颇具挑战的场景，仅靠现有的技术手段难以完美应对。
尤其是在一些路口，像存在特殊交通指示牌限制红灯右转的情况，可以通过给系统打补丁的方式解决部分问题，但更好的方式是引入语言模型，并结合手势等更多元素来完善智能驾驶的决策逻辑，且要确保该模型能够在当前的芯片中高效运行。
智能驾驶系统的核心挑战在于应对复杂、多变的场景。例如：
◎ 特殊交通规则的应对：在国外，遇到救护车时需靠边停车；而在中国，潮汐车道的使用规则和特定路段的红灯右转限制要求车辆具备实时理解多样化规则的能力。
◎ 个性化交通指令：比如交通警察的手势指令或复杂路口的动态交通标识，这对智能驾驶的识别和反应提出了高标准。
这些情景对人类司机来说较为简单，但对基于传统算法和小算力芯片的驾驶系统却存在较大挑战，使用语言模型与大模型的融合，尝试通过更智能的感知和决策能力解决此类问题。
● 用户体验与智能驾驶的平衡
当前，用户对智能驾驶的期待已从“门到门”拓展为“车位到车位”的全程无缝体验，车辆到达目的地后，能否精准停靠而不因过度纠正导致反复尝试，直接影响用户对智能驾驶的信任感。
即便在相对简单的停车场景中，算法也可能因环境变化产生反复绕行的现象，智能驾驶在应对动态场景与微观优化上仍需加强。
在中国的实际应用中，停车杆、门卫及车位复杂程度更高的情况进一步增加了挑战。通过提升算法模型的精度和效率，并利用更高算力芯片支持，这些问题将逐步被解决。
此外，通过对用户需求的深刻洞察，比如实现车辆自动寻址接驾等功能，长城汽车致力于提供更加智能化的解决方案。
技术规划与核心能力：
算力升级与大模型应用
智能驾驶技术的不断发展，对算力的需求也在持续增加，可能会面临算力瓶颈的问题。而且，在追求更高算力的同时，还需要考虑成本控制。
高端芯片虽然算力强大，但价格昂贵，如何在保证智能驾驶系统性能的前提下，合理选择芯片并优化算力配置，以实现成本与性能的最佳平衡，是企业需要权衡的重要因素。
长城汽车在智能驾驶算力规划上采取了从高到低的层级覆盖策略：
● 高端芯片引领：优先采用英伟达Drive系列等高算力芯片从Orin到Thor，确保前沿技术的落地。
● 中低端布局：在面向经济型车型时，基于地平线、TI等芯片优化方案，以平衡成本与性能。
智能驾驶的布局策略不仅支持当前旗舰产品如蓝山自驾的实现，也为未来更多车型的智能化升级奠定了基础。尤其是在10~15万元级别车型普及高速辅助驾驶时，高效的算力规划成为实现成本与体验平衡的关键。
长城汽车在控制器融合方面也取得了重要进展。公司正在研究如何将多个控制器的功能整合到一个芯片上，以降低成本和提高通信效率。例如，在底盘控制、动力控制和车身控制等领域，长城汽车已经实现了部分控制器的融合。
在研发层面，还在努力深化 AI 在智能驾驶中的应用，还面临一些问题，汽车产业的复杂性使得 AI 应用受到诸多限制，如关联因素多、部件变动影响大、法规和安全标准严格等，这要求在利用 AI 进行研发和运营时，要更加谨慎地考虑各种因素的影响，确保 AI 应用不会带来新的风险。
随着 AI 应用的深入，数据管理变得至关重要。如何高效收集、整理和利用大量的驾驶数据进行模型训练，同时保证数据的安全性和隐私性，是需要解决的重要问题。例如，在利用大模型进行知识问答和标准索引时，需要建立完善的数据结构，以便更好地整合和利用以往的失效案例等信息。
对大模型的应用不仅局限于产品层面，还深入研发与运营流程：
● 研发效率提升：通过内部AI实验室的建立，借助通义千问、Copilot等工具，在代码生成、测试用例创建、数据处理等方面提高效率。例如，模型可快速生成高质量的车身设计草图或测试方案。
● 知识管理与新手培训：大模型能有效整合法规、标准和案例库，使新入职的工程师快速适应工作需求。例如，通过知识问答系统，新手可以迅速掌握不同国家和地区的法规要求，避免因信息不对称造成的研发延误。
智能驾驶的进步离不开对技术、算法与工程的全面尊重，长城汽车将在“算法创新+算力升级”的双轨驱动下，在中国智能驾驶大发展中，有自己的位置。
