華為高階輔助駕駛，地圖出了“三分力”
封面來源：電影《無雙》2018
在高精地圖被“抛棄”的輿論池裡，頭部團隊卻在有效利用地圖。當然，這裡面也有“資料閉環”的強力推動。
這不是一篇廣告，如果你覺得是，請喊華為打錢。
作者｜宇多田
來自同行的贊賞，有時候很客觀；而诋毀可能恰恰相反。
對于“高階輔助駕駛到底誰做的最好”這個問題，當下勉強在産業裡達成了一個共識——
“華為？四舍五入算一個。”
從技術角度，他們的确得到了大廠的ADAS與L4工程師們的認可——
“基礎功能一般，但高階優秀” ，“算法進階，工具鍊很好”；
但另一方面，從市場角度，嗤之以鼻的答案簡單粗暴卻直擊心髒：
“做的好，但又怎樣？高配還不是賣不出去”。
以40多萬的某狐車型城市NOA為例。上海一家租車公司本來買了一輛高配，後來又加購了5輛。
原因很有趣，包括美國、德國以及日本各地車廠與海外Tier1的系統工程師們紛紛跑來試駕，在發出“卧槽，做的還不錯”的感歎後，就馬不停蹄回去寫報告了。
“上海的城市NOA功能體驗的确好，至少比我們好。”
一位正在參與研發L2++系統的Tier1工程師坦然承認差距，開玩笑說不知道自己公司還有沒有做的必要。“老闆們都沒體驗過車，不知道開發高階的優越感從何而來。”
然而，也有人直言：“雖然華為高階輔助駕駛整體實力是國内Top2，但投入也是所有競争對手無法抗衡的。”
成本的确很高。
對比車廠、創業公司與 Tier1 大幾百人的配置，據傳華為與自動駕駛相關的整個團隊規模（軟硬、地圖、路測等所有相關）多達7000人；
另據一位産品經理測算，華為某同價位車上的輔助駕駛子產品成本，是小鵬的兩倍。
除了MDC810、13顆攝像頭與3顆雷射雷達等昂貴的硬體配置，華為的“中層能力”是從算法、中間件到晶片的可控性定制與優化；底層，還有路采、地圖與資料閉環的隐形助力。
另外，有L4工程師指出，市面上剛吹Transformer模型時，華為其實就用上了。“你不得不承認，他們是目前模仿特斯拉最像最快的中國企業。”
然而，這部分成本落實在終端的價格上，就是低配與高階版本近20萬的差距。有意思的是，某狐低配是頭部海外大廠提供的ADAS配置，得到了“爛但确實便宜”的評價。
這就是汽車智能化的最殘酷之處——消費者的确不會花十幾萬，買個不錯的高階輔助駕駛系統。
但作為一家準車廠，華為的自動駕駛能力搭建邏輯，卻值得借鑒。
01 地圖的“價值”
從2022年開始，看似被成本推動的輔助駕駛“去高精地圖革命”席卷汽車市場，而華為是呐喊者之一。
但與此同時，業内一直謠傳華為有一支極為龐大的城市道路數采團隊，為智駕系統提供可信任的“道路先驗資料”。
對于這個傳聞，一位高精地圖産業人士指出，地圖，的确在華為提升輔助駕駛能力過程中扮演重要角色。
2020年10月，華為曾在Mate40手機大會上，釋出過一款名為Petal Maps的花瓣地圖，為手機使用者提供定位、駕車導航、實時路況服務。
但那時候，這個地圖APP團隊主要是服務海外，先融合了一家海外圖商資料，再基于此做了導航與POI引擎。
而後來，又是同一團隊，在國内跟四維圖新合作，将地圖放入車機（座艙）；再結合自己的地圖甲級資質，最後被拿去支援了智駕的需求。
“是以華為算是做了一個完整的‘外賣’，這是一個正經的做法，将手機、車機以及智駕地圖合三為一。是以做的很深。”
而就在2022年底，車機地圖與手機地圖團隊的合并，也佐證了這一點。
有技術人士猜測，作為地圖甲級資質持有者，華為完全有能力組建團隊，開着 Huawei Inside 量産車去實地采集資料——
裝有三顆雷射雷達的車型，的确能達到測繪所需的高精度。
而采集回傳的資料，則可以補給自己的三塊業務——手機、車機與智駕。這種做法類似于建立了一個龐大的資料中台，也被認為是“全資料閉環”的一部分。
好處很簡單：一圖多用，資料精準，疊代迅速。
隻不過，華為能這麼做的前提，一方面是雄厚的财力，另一方面是持有決定性的甲級測繪資質。而大多車廠在這一點上短闆明顯，隻能依賴圖商。
譬如小鵬、理想以及小米等新勢力背後有高德、美團等公司，為前者做一些資料合規或路采工作。
圖檔來自Here
是以，如今汽車智能市場的“去高精地圖”之勢，與“擺脫圖商”相呼應。但将華為作為參照系，卻絕不隻為成本。
而是“體驗不好”。
一家新勢力車廠内部回報的資料顯示，當下，導緻高速公路NOA降級與接管的主要原因，不是“感覺問題”，而是“地圖資料不對”。
“真實的高速NOA平均水準，30公裡左右就要接管或降級一次。
也就是說，從蘇州到上海100多公裡的裡程，就要接管三四次。其中最核心的原因，就是地圖資料有誤。”
一位科技公司技術負責人指出，在實際應用中，高精地圖的絕對精度能達到50厘米就“謝天謝地”；
而圖商們在很多廣告裡承諾的10厘米、5厘米則是“開國際玩笑”。
此外，高精地圖裡實線變虛線”、虛線被畫成實線，車道線缺失等問題，在“上車”後仍然極為常見。
“很多上過高速NOA的車廠，現在開始講高精地圖，絕不單單因為成本。畢竟大家早就買了圖商的高速公路資料，每公裡更新成本其實也不貴。
但新勢力為什麼還要自己去申請資質，組建幾百輛的采集車隊，做動态更新這一層呢？
就是因為體驗不好。高精地圖即便作為一套‘先驗資料’，也不能被無條件信任。”
是以，降低對地圖的依賴，提高對感覺的信任，更多指代“讓地圖格式變輕，但更新速度加快”。
而提高更新速度的方法，不僅需要組建幾百上千輛汽車做路采，它一定會涉及到一個今年非常火的概念——
資料閉環。
02 不被待見的“資料閉環”
我們在上篇大模型的文章裡就曾指出，這是一項毫無顯性成績卻極為重要的工作。
舉個例子，如果車端出現定位漂移，或感覺識别出錯，系統便會回傳原始視訊與圖檔，經過合規處理後流入機房（雲上），工程師再根據這個場景做單獨訓練或舉一反三。
而這類“場景難例”積累到一定程度，對應的算法模型就會做進一步疊代與更新，進而反哺車端。
這便是“資料閉環”的一個應用。
從廣義來看，作為一個涉及資料采集、清洗、存儲、标注、訓練、疊代與回報的全鍊路閉環系統，它不僅包含深度學習、強化學習鍊路，也包括地圖。
是以，“資料閉環”工作在很多公司内部，要麼被放入地圖團隊，要麼被放入感覺團隊。
“它既能為Transformer等感覺模型的疊代服務，也能為地圖疊代服務。”
一位産業人士猜測，某車廠的輕量化地圖政策，是“基于地圖底層路網，再生成一層能動态實時更新的圖層”。久而久之，就可以不再需要圖商了。
而他認為，華為的邏輯也是如此。
一開始，華為也依賴某圖商的高精地圖。但他們有自己的雲和資料閉環，最終完善出一套自己的“地圖”。
“華為的資料閉環工具做的很好，特别是訓練與标注。”一位外部工程師指出。
而相比于IDC裡的飛速疊代，大部分車企隻是指望上量産前，讓圖商幫自己做幾百萬上千萬公裡數采，杯水車薪。
“面對國内牛鬼蛇神層出不窮的交通環境，這是遠遠不夠的”。
這樣來看，小鵬等新勢力搭建資料中心、通過各種手段試圖從乙級升至甲級資質的原因，也是同類目的。
當然，資料閉環的代價就是“燒錢”——
資料閉環與大模型的生存之地必然是機房，而願意建立龐大資料中心（IDC）的車廠目前屈指可數。
此外，由于投入幾十億但産出緩慢，搞資料閉環的團隊在車廠裡通常也不太受待見。作為一個“支撐性團隊”，它的角色類似于網際網路大廠裡的安全部門——
沒有實際業務。不到某個節點，感覺不到存在的意義。而且很多環節還涉及到合規性。
“這件事拼的是足夠的耐心與足夠的資金。但鑒于當下自動駕駛的市場形勢，大部分車廠是不願意做華為這套投入的。”
是以，有資本、地方政府與雲廠商，開始琢磨“第三方營運資料閉環與大模型IDC”的生意。但這到底是不是一個市場方向，也随着“自動駕駛變冷”而撲朔迷離。
“車廠隻關心今年的車到底能不能賣掉，大多不會關心三年後會什麼樣。
你現在去告訴他們要搞IDC搞自研，給老闆彙報後發現，這怎麼比原來不做時還要費錢？
是以這個問題的最終答案，就讓時間來告訴市場吧。”