無論是傳遞速度還是傳遞品質，對于毫末智行，2021 年都是其以最快速度跻身中國自動駕駛公司量産能力第一的一年。
這一年，毫末不僅推出「中國首個資料智能體系」——MANA（雪湖），還在業内率先提出自動駕駛落地的「毫末制勝公式」：
（穩定的量産能力*領先的資料智能*安全）^生态，将技術轉化成工程化的同時，探索形成獨有的自動駕駛商業化落地範式。
進入 2022 年，毫末繼續引領量産步伐，助力中國自動駕駛不斷發展躍遷：
資料智能方面，毫末的資料智能體系 MANA 學習時長接近20 萬小時，虛拟駕齡已相當于人類司機2 萬年的駕駛時長；
乘用車方面，毫末已上市兩代HPilot 産品，3 月搭載 HPilot 2.0 輔助駕駛系統的坦克 500 正式上市。截止 2022 年 4 月，毫末輔助駕駛使用者行駛裡程突破700 萬公裡，使用總時長達 13 萬小時。
無人配送方面，毫末保定末端物流自動配送工廠中的房間擴建至 1 萬平米，可實作年産 1 萬台的末端物流自動配送車的産能目标，下線車輛超過 1000 台，毫末小魔駝在北京順義為物美多點超市履約配送超過4 萬單。
4 月 19 日，2022 HAOMO AI DAY 如期而至，毫末公布最新戰略、技術、産品的高速進展，MANA 進化更新再次備受關注。
毫末以獨有的模式、速度掀起中國自動駕駛開年熱度，展現出毫末的雄心壯志與前瞻規劃。
毫末引領行業的背後是對自動駕駛第一性原理的充分了解，以 MANA 資料智能驅動自動駕駛的進化，引領毫末進入自動駕駛充分競争的時代元年，與特斯拉的自動駕駛量産對決也将正式拉開帷幕。
01
「敢當、敢立、敢行」
2022 年毫末的三大預判和三場戰役
去年 12 月，在首屆 HAOMO AI DAY 上，毫末智行董事長張凱作出 2022 自動駕駛行業十大預測：
提到 2022 年将是自動駕駛行業發展最為關鍵的一年，乘用車輔助駕駛領域的競争将會正式進入下半場，其他場景的自動駕駛也将正式進入商業化元年。
在本次 HAOMO AI DAY 上，張凱延續之前的預測，再次作出 2022 三大趨勢判斷：
2022 年預計在國家層面将會出台更多細則，進一步規範自動駕駛資料歸屬及安全；
城市 NOH 進一步拓寬智能駕駛系統應用場景，将智能駕駛的體驗推向新高度；
末端物流自動配送處在爆發前夜，頭部客戶開始進行場景規模化部署。
毫末也從開年起即高調打響 2022 三場關鍵且意義重大的戰役：資料智能技術之戰、輔助駕駛城市場景之戰、末端物流自動配送車規模之戰。
2022 的三大預判和三場戰役既是智能駕駛賽道的大勢所趨，也是毫末持續深耕的行業洞見。
那麼目标與進展究竟如何？
首先是資料智能技術之戰。
随智能駕駛從系統原型搭建加速走向規模化量産，行業基礎技術正在發生關鍵變化——Transformer大模型征戰圖像視覺，先後獲得特斯拉與毫末站台。
Camera 快速進化帶來資料規模暴漲，資料将直接決定量産能力。電子電氣架構技術由分布式不斷向集中式演進，大算力車規級晶片開啟上車元年。
資料智能也成為毫末智行自成立之初的思想鋼印。
MANA 正是誕生于此，并迅速成長為中國首個自動駕駛資料智能體系，已成為毫末持續進化的核心動力，将大規模量産産品和海量資料積累持續轉化為生産力，進一步提升感覺、認知、标注、仿真、計算等五個方面的能力，進而降低開發成本、提高疊代速度，為其他兩場戰役保駕護航。
其次是輔助駕駛城市場景之戰。
輔助駕駛技術在不斷更新、場景不斷擴大，更高頻、更重要也更複雜的城市環境正是智能駕駛在突破高速場景後必須正視的下一關鍵場景。
随着頭部企業的城市智能領航輔助駕駛系統陸續釋出，今年注定将在城市場景下開啟競争下半場。
在美國，特斯拉 FSD 在有限成本上展現資料量、算法、架構層面全能表現，而多方同時認為，這條技術路線未來在中國可能面臨國家安全、本土化和可靠性等掣肘。
毫末城市 NOH 即将緊随其後正式上市，在城市環境中 NOH 将根據導航路線，實作自動變道超車、紅綠燈識别與控車、複雜路口通行、無保護左右轉等典型城市功能, 并應對車輛近距離切入、車輛阻塞占道、交叉路口、環島、隧道、立交橋等複雜城市交通場景，以70% 路口通過率、90% 變道成功率實作不輸給特斯拉的中國本土化表現。
最後是末端物流自動配送車規模之戰。
末端物流配送場景在疫情下迎來爆發性機遇，随着未來人口紅利消失後的人工成本問題，賽道成長性也在未來中長期被看好。
毫末智行現已全面更新其末端物流自動配送車生産基地，新生産線依據「柔性化+定制化」的理念進行設計，并配備 MES 生産管理體系，實作生産透明化、管理移動化、決策資料化。
第二代末端物流自動配送車小魔駝 2.0此次也正式釋出——售價12.8888 萬元，成為中國第一款 10 萬元級末端物流自動配送車産品。
小魔駝 2.0 搭載車規級感覺套件、ICU3.0 大算力計算平台、600L 超大載貨空間貨箱：
基于 MANA 賦能實作混行、擁堵等複雜交通場景全覆寫，支援城市開放道路中低速全路況；
支援快速換電，實作 60 公裡真實續航；
提供智能語音、觸摸等多模式互動。
毫無疑問，小魔駝 2.0 将進一步加速末端物流自動配送車規模化、商業化程序。
02
MANA：
「感覺智能」、「認知智能」、「成本與速度」全面更新
毫末的「風車戰略」以「資料智能」為核心，乘用車輔助駕駛産品、低速無人配送車生态平台、智能硬體三大業務作為三個葉片不斷轉動，不斷收集場景資料，基于資料智能實作正向發展。
在本次 HAOMO AI DAY 上，最重磅的釋出也正是 MANA 在「感覺智能」、「認知智能」、「成本與速度」方面的繼續進化，進而在未來從容應對即将落地的城市場景。
毫末智行 CEO 顧維灏在 AI Day 上表示，MANA 的感覺智能進化主要在紅綠燈、車道線識别等城市場景典型應用中有集中展現。
例如十字路口紅綠燈識别是城市最複雜的問題之一——在 AI 應用中就是典型的小目标檢測，不僅狀态會動态變化，而且形态各地差異很大，最重要的還是綁路困難。車輛感覺系統必須在很短的時間内遠距離識别紅綠燈，正确感覺并作出相應反應。
為此毫末通過圖像合成和遷移學習加快技術疊代，并最大限度使用合成資料（即減小海量合成資料和真實資料之間的機率分布差異），進而使得目标函數 f 在真實場景中擁有最小的預測誤差，進一步提升紅綠燈識别的準召率。
毫末還獨創「雙流」感覺模型，将紅綠燈檢測和綁路問題分解成兩個通道，并利用一個空間注意力機制将二者結合起來，進而輸出綁路後的目标車道紅綠燈通行狀态，讓毫末日常乘用車測試實作了輕地圖下的紅綠燈識别。
車道線識别則是城市智能駕駛的又一大難題，相比辨別清晰的高速公路車道線，城市道路車流量更加密集，行車、泊車對車道線識别影響很大，城市部分車道線還存在磨損嚴重、辨別複雜、邊緣形狀不規則等難題。
以 Transformer 為代表的大模型則在此派上用場。
去年，特斯拉、毫末智行幾乎于同期為 Transformer 大模型站台，逐漸将基于 Transformer 的感覺算法應用到車道線檢測問題。
此次毫末通過自研的 BEV Transfomer，在城市道路進行多傳感器融合車道線識别，展示除相比傳統模型在自車姿态容忍度、複雜路面縱向誤差、路面起伏魯棒性、檢測視野等多方面的優勢，并有望為各條智能駕駛産品線上的視覺算法落地帶來成倍的效率提升。
無獨有偶，特斯拉也在此前最新的 FSD 更新中使用 Transformer。
這次更新的顯著變化也是在于車道幾何模組化從密集光栅(一組點)更新為自回歸 decoder，進而允許系統使用 Transformer 神經網絡逐點直接預測和連接配接「向量空間」車道。
MANA 的認知智能進化則展現在微模型更新和阿裡 M6 大模型兩方面應用。
顧維灏表示，以常見的左轉場景等待和觀察為例，通過機器學習模型替換了傳統的手寫規則和參數，不僅避免規則越來越多時引發邏輯爆炸和擾動因素引起失效，更能處理更多複雜的小場景，使決策更具泛化适用性。
MANA 還通過應用阿裡 M6 大模型，極大提升可解釋性和泛化能力。M6 大模型參數規模達到 10 萬億，此前主要應用于自然語言了解、文本自動生成等領域。
此次毫末與阿裡的合作，是自動駕駛領域與 M6 的初次相遇。
MANA 的成本和速度也實作翻倍進化。
如何标注海量資料集是資料規模之外的又一巨大挑戰且壁壘更高。通過資料标記公司或平台手動标注的方式不僅需要大量的人力和資金投入，而且程序十分緩慢。
要做到低成本、高效率，資料的自動篩選和标注至關重要。
毫末則緊随特斯拉建構閉環自動标注系統，運用無監督自動标注算法大幅提升資料标注效率。
基于 MANA 體系的自動化資料處理能力，毫末标注 AI 自動化率達到 80%，在實作方法上，通過「目标粗定位」和「屬性精細估計」兩個階段來進行，大幅提高标注效率，降低标注費用成本。
與此同時，毫末智行平台團隊和阿裡雲 PAI-EFLOPS 團隊合作，基于 128 卡 A100 叢集實作 Swin Transformer 模型分布式訓練，通過大模型訓練優化，模型訓練成本降低 62%，加速比超過 96%，吞吐量超過每秒 40000 個 sample。
此外值得一提的是，MANA 還在已有的處理網絡上加入隐私保護和資料安全保障，全面保障資料安全。
MANA 的持續進化更新與毫末城市 NOH 的加速上市已形成正向循環。
基于小魔盒 360T 算力、144M 高速緩存，200K+DMIPS CPU 計算能力和全車兩個雷射雷達、12 個攝像頭，5 個毫米波雷達形成的全車感覺備援，搭載HPilot 3.0的毫末城市 NOH呼之欲出。
顧維灏也在 AI Day 上曬了 NOH 的成績單：路口通過率超過 70%，變道成功率超過 90%，交通流處理能力達到 4 級。
毫末高調展示了三項第一：中國第一個大規模量産的城市輔助駕駛産品，第一個重感覺的城市 NOH，第一個最實用高效的城市輔助駕駛産品。
差別于特斯拉純視覺路線，毫末将以視覺和雷射雷達進行融合感覺，為決策提供依據，在 SD 地圖下實作更廣泛城市的落地——毫末的雙百計劃也将借此技術方案得以規模化啟動，未來兩年落地城市将會超過100 個，搭載乘用車數量超100 萬台。
03
智能駕駛競争即将步入下半場，
毫末如何加速建構行業壁壘？
随多家頭部企業陸續宣布城市智能駕駛落地時間表并釋出測試視訊，智能駕駛競争已正式宣告進入下半場，在整體技術路線選擇趨同的大背景下，馬太效應正在加速凸顯。
毫末則在 AI DAY 上揭秘智能駕駛下半場競争的制勝核心法則：
在 MANA 體系下，首先是有效擷取高品質的資料，與客戶開放式共創。
如果智能駕駛競争下半場如期進入城市場景，資料将更加成為競争焦點。
毫末不斷強調，誰能高效低成本的挖掘資料價值，誰就能成為競争的王者。
差別于全棧自研的特斯拉等車企，對于「車企+自動駕駛技術公司」組合模式的毫末則與各家都不相同，資料來源于與合作方開放式共創，深度綁定共同發展的「毫末模式」。
毫末智行繼續以風車戰略為指引，結合 MANA 資料智能體系與 6P 開放式合作，與客戶進行業務協同而非供應模式，赢得客戶的信任實作共赢。
為此，在乘用車領域，毫末特别設計了 6P 開放原則，提供從全棧解決方案到源代碼之間的 6 個不同層面的合作方式，以此打造更加開放的毫末生态：
合作方可以選擇采用毫末的全棧解決方案；可以選擇在資料智能雲端服務層面合作；也可以選擇軟體、硬體或者子產品級别的合作；甚至可以選擇原型代碼級别的定制。
其次，在智能駕駛開發和疊代程序中注入使用者思維。
特别是對于複雜的城市場景，更高的使用頻率必須比對更穩定的使用者認知。否則，極有可能出現比高速場景更多的潛在安全風險。
毫末的思路則是将問題和解決方案嵌入更早的開發過程，提出智能駕駛既要讓使用者能夠更快接受并信任，也能夠更快适應使用者習慣。
在讓使用者能夠更快接受并信任智能駕駛層面，毫末打造了最易懂的開啟引導系統、最具信賴感的 HMI 顯示系統以及智能語音雙向智駕互動系統，讓使用者對車輛的智能駕駛功能獲得全面、客觀的認知。
在系統适應使用者習慣層面，毫末在車端打造了使用者習慣分析系統，在雲端開發了使用者接管分析工具，通過實時資料分析不斷改進資料結構，進而不斷提升使用者體驗。
最後是降本增效，統一全員行動目标，最大程度提升軟體複用程度及各環節效率。
去年年底毫末在公司内部信中提到，2022 年毫末輔助駕駛系統将落地長城汽車 34 款車型。
這意味着超過 70 個項目超高傳遞強度，毫末要想引領下半場競争，自身同時也必須思考如何解題。
毫末此次給出的答案是：智能駕駛系統的流程化開發和标準化傳遞能力。
軟體複用方面，統一智駕軟體架構和算法接口，一套軟體算法支援不同廠家、不同接口類型傳感器；一套應用層算法代碼支援不同的晶片和不同的作業系統；一套應用軟體組合通過配置字的不同區分不同車型配置。
效率提升方面，通過快速原型機将應用層軟體和基礎軟體開發過程解耦，雙向并行研發；設計與智駕系統開發流程高度融合的仿真測試驗證流程，提高智駕軟體一次性內建成功的能力；
在系統标定環節，利用已積累數十款量産車型标定資料，采用強化學習進行标定參數自動推薦，同時采用虛拟标定技術節省大量重複性實車标定工作，有效節省實車 50% 的标定時間并為客戶節省标定車輛。
自動駕駛競争格局正在巨變，毫末智行 CEO 顧維灏在對全球自動駕駛發展演進回顧的時空次元上為 MANA 的進化之路收尾。
「在這場智能革命中，中國的研究者和企業不僅沒有遲到，還始終和美國一起站在自動駕駛的前沿。」
從 Transformer 大模型到重感覺方案，從資料智能體系到城市場景智能駕駛，這不僅是一場自動駕駛量産的對決，同時也是行業巨頭們在競争中發展共識和行動方案的趨同。
伴随更開放的産業生态、更廣泛的合作夥伴和更清晰的量産計劃，2022 年毫末智行繼續值得期待。
「汽車之心 · 行家說」預告
4 月 21 日周四晚上 20:00-21:00，盒子汽車創始人兼總裁張署光将做客汽車之心 · 行家說，聊聊「出行市場掘金：新能源汽車 B 端賽道機會點在哪裡？」。