【小哈划重点：1987年，卡内基-梅隆人工智能实验室的研究人员试图制造一种可以自动驾驶的卡车。他们通过为所有的驾驶行为人工编写代码，为卡车在道路上遇到的各种情况编写尽可能详细的指令，以此让车辆自动行驶。但遗憾的是，这种方式最终只能让汽车实现每秒几英寸的速度。】
ChatGPT对辅助驾驶的影响更直接，但上“车”要解决成本问题。
最近，科技圈最火的话题莫过于“ChatGPT”。不过，ChatGPT只是一种外在表现形式，更值得关注的是背后AI技术进展以及未来的应用落地。
甚至有人乐观地描述ChatGPT所带来的变化：如果说ChatGPT之前，AI最多只是现有场景产品的一个模块。那么，ChatGPT之后，AI会重新定义现有场景的产品框架。
是否真如乐观者所言仍有待观察，但自动驾驶作为AI落地的重要场景之一，是否会在这波浪潮中有更进一步的发展，仍引起了不少人的探讨。
有人认为，自动驾驶需要更多的是图形、图像、数据的处理能力，对图像算法的要求更高，与自然语言处理的能力相关性不大，想要ChatGPT的能力来实现自动驾驶，目前还不太可能。
当然也有人认为，ChatGPT的出现给大家看到了一种可能，那就是经过训练后的AI，将会使得高级别的自动驾驶有望在几年后出现。
自动驾驶是AI落地的重要场景之一
为什么AI技术的进展会让人关注自动驾驶是否受到影响呢？
观察自动驾驶的发展历史不难发现，自动驾驶的每一次重大突破都跟AI技术发展同步。
我们知道，AI其实就是在模仿大脑神经元网络，通过分析大量的数据来学习一些非常人性化的技能。上世纪80年代，神经网络的第一次实际应用就是发生在自动驾驶领域。
1987年，卡内基-梅隆人工智能实验室的研究人员试图制造一种可以自动驾驶的卡车。他们通过为所有的驾驶行为人工编写代码，为卡车在道路上遇到的各种情况编写尽可能详细的指令，以此让车辆自动行驶。但遗憾的是，这种方式最终只能让汽车实现每秒几英寸的速度。
人工写代码的方式不成，另外一个叫迪安·波默洛的博士生选择了另一种方式：神经网络。
他给自己的系统命名为ALVINN，采用这个系统后，卡车利用车顶摄像头拍摄的图像来跟踪司机们在做什么，以此观察如何在道路上行进来学习驾驶。1991年，ALVINN以接近60英里的时速从匹兹堡开到了宾夕法尼亚的伊利市。
不过，更直接、更广泛的影响发生在2012年。
多伦多大学教授杰夫·辛顿和他的两名学生——亚力克斯·克里哲夫斯基和伊利亚·萨特斯基弗在ImageNet图像识别比赛上拿了冠军，并且发表论文介绍了算法AlexNet。这篇论文不仅是人工智能的转折点也是全球科技行业的转折点。
目标检测及图像识别作为自动驾驶的关键技术，高度受益于计算机视觉算法的突破，因此随着2015年斯坦福人工智能实验室主任李飞飞团队在ImageNet开放数据集上的识别准确率首次超过人类，自动驾驶作为AI最重要的落地场景之一，也进入了发展快车道。
对辅助驾驶的影响更直接 但上“车”成本要解决
那么，这次ChatGPT的出现会再次成为自动驾驶的Milestone吗？
一般来说，AI可以概括分为语音、视觉、自然语言理解三部分。上一波AI浪潮主要是基于视觉上图像识别技术的突破，而这次ChatGPT则是基于GPT-3模型的自然语言处理技术，它可以有效地模拟人类语言理解能力，从而帮助人们更好地理解和分析自然语言文本数据。
当我们要探讨ChatGPT会对自动驾驶产生哪些影响的时候，我们认为，首先要弄明白这里的自动驾驶指的是可量产的低级别的自动驾驶（辅助驾驶）还是高级别L4级别的自动驾驶？其次ChatGPT指的是一个语言模型还是更广义的生成模型？
如果从自然语言理解的角度出发，ChatGPT对于辅助驾驶部分的人机交互的影响更为直接，而对L4级别自动驾驶的影响或许并不大。
乘联会秘书长崔东树也在其微信公众号发文称，目前的人机交互和智能座舱体系的创新很强，尤其是国内车企的人机交互能力很强。汉语只有中国企业理解的更深刻。随着未来的底层赋能，国内汽车业界在应用层面将会有更多良好的人机交互效果。
比如通过使用ChatGPT，车辆可以通过语音或文本的方式与驾驶员进行交互，并向驾驶员提供有关车辆状态、行驶信息等的实时反馈。
在此之前，虽然已经出现了大量的车载交互系统，但是行业的痛点主要聚焦于“理解”部分，大部分的车载语音交互系统在“理解”上并不智能，导致整个系统功能单一、命令词单一。ChatGPT的爆火让市场看到了解决的希望。
不过，乘联会秘书长崔东树也同时表示，电动化是新能源车的核心，智能化只是锦上添花，未来车企的核心竞争力仍然是造好电动车，同时充分利用ChatGPT等智能化赋能汽车行业发展。
当然，不管是不是核心，想要ChatGPT上车，光有技术突破还不行，一位AI行业人士对钛媒体表示，“还需要面临成本的问题，包括使用成本、云服务成本、针对性的训练成本等。”
大模型或成趋势
但是，如果从更广义的生成模型来看，大数据、大参数的生成式模型会有助于实现更高等级的自动驾驶。
毫末智行数据智能科学家贺翔在接受钛媒体App采访时表示，车端能力主要包括两类：感知和认知，感知能力确实主要依靠图像技术，而认知能力则更依赖ChatGPT类似的生成技术。
也就是说，ChatGPT的重要革命性意义在于：让AI模型进入了知识和推理的时代。当前，自动驾驶最大的短板恰恰在于决策规划缺乏足够的智能。
ChatGPT使用了一种叫“人类反馈强化学习（RLHF）”的训练方法，毫末智行数据智能科学家贺翔对钛媒体APP解释称，GPT是一个大规模通用预训练语言模型，GPT1、2、3主要是参数规模的提升，ChatGPT主要是引入了人类反馈数据做强化学习。
这种方法的引入可以在训练中根据人类反馈，保证对无益、失真或偏见信息的最小化输出。
恰好自动驾驶决策算法中也有一类叫做模仿学习，就是让机器去学习不同场景下人类驾驶员是怎样做的。
一般来说，人类司机的每一次接管，都是对自动驾驶策略的一次人为反馈；这个接管数据可以被简单当成一个负样本来使用，就是自动驾驶决策被纠正的一次记录。同时也可以被当作改进认知决策的正样本来学习。
“大数据、大参数的大模型能学到更多的潜在知识，包括不同的环境、不同的场景等，相当于学习到了大量的自动驾驶常识，这种常识对自动驾驶决策至关重要。”毫末智行数据智能科学家贺翔对钛媒体App表示。
也就是说，在自动驾驶研发的过程中采用人类反馈强化学习的思想，可以训练出模型来验证、评价机器模型的输出，使其不断进步，最终达到人类的驾驶水平。
所以，可以说基础能力的提升，带来了想象力及可应用场景的扩张。但目前阶段，我们仍然无法准确判断以ChatGPT为代表的大模型会给自动驾驶带来多大的变革，一位行业人士对钛媒体App表示，通过大模型训练而来的优秀泛化能力，可能让世间再无corner case。
corner case是指在自动驾驶中是指行驶过程中可能出现，但发生频率极低的小概率事件。尽管平时很少会遇到，但对于自动驾驶系统来说，遇到无法做出决策的corner case时，很可能会导致致命的交通事故。
ChatGPT的横空出世则让行业认识到，不断去累积公里数，一直这么跑下去是可以获得更高级别的自动驾驶技术的跨越。
事实上在此之前，不管是国外的特斯拉，还是国内的小鹏、百度、毫末智行都已经在探索“大模型”的路线了。
特斯拉在2020年宣布将基于深度神经网络的大模型引入其自动驾驶之中，到现在已实现了纯视觉FSD Beta的大规模公测；小鹏在2022年1024科技日中表达了使用大模型打通XNGP全场景能力的观点；百度Apollo认为文心大模型将是提升器自动驾驶能力的核心驱动力。
毫末智行则早在2021年宣布要借助大模型提升数据处理能力，今年2月17日，毫末智行将人驾自监督认知大模型正式升级为“DriveGPT”，将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。
不过，高级别的自动驾驶汽车的开发是一个复杂的多学科领域，涉及广泛的技术和监管挑战，人工智能技术进展可以带来一定的推动作用，但是这并非一个短期可以实现的问题。
有报道称，GPT3.0涉及了1700亿参数，内存达300多GB，训练过程耗费1200多万美金。上述行业人士表示，自动驾驶算法是要跑在车上，这么大的模型能不能部署到车端？又需要耗费多少算力支持？另外，自动驾驶不能依靠重复性、简单的路况数据堆叠就能完成，因此如何保证数据量大且有效也是一个关键的问题。
（作者｜韩敬娴，编辑｜张敏）
