1950年，基于深度学习的AI技术概念被提出，AI正式进入大众视野。1998年，以卷积神经网络为架构的LeNet-5深度学习模型诞生，奠定了大模型发展的基础。2006年-2019年，以Transformer为代表的卷积神经网络模型开始出现，模型的性能开始加速上升。2020年之后，卷积神经网络模型的参数量或模型层数急剧上升，多个通用类模型出现，其中，以GPT-4为主的多模态预训练大模型引起了广泛的关注。
自动驾驶系统存在着一个“恐怖谷”理论，即当自动驾驶能力从L2迈入L3后，将行成一个下陷的形态，此时人类对于自动驾驶技术的接受程度会降低，导致安全感急剧下降。
为了提高自车对周围环境的理解以及对复杂场景的处理能力，智驾大模型将凭借端到端的自主学习能力和环境适应能力，成为实现高阶智驾功能的关键。
在智驾领域内，大模型被应用于云端、边端和车端。在云端，大模型凭借云端存储和超算优势来增加模型参数量，从而完成数据标注、数据挖掘、仿真建模等工作。在边端，通过垂域的BEV+Transformer模型来完成多模态数据融合和实时建图工作。在车端，主要是先利用云端已预处理并标注的真值数据和仿真生成的数据来训练和优化边缘端垂域模型，然后投喂给车端的小模型。
在云端，智驾大模型将通过通用类大模型来处理文本、语音、图像、视频等数据，训练边端的垂域智驾大模型。
在边端，通过BEV+Transformer的垂域感知大模型，将2D图像转为3D鸟瞰视角后，实现实时局部建图和3D识别检测。
在车端，保留了单个模块小模型的模式，逐步建立端到端的一体化模型。
对于庞大的参数规模和训练要求，车端芯片计算能力和存储能力几乎无法支持，所以车端的端到端感知决策一体化模型，需要将模型压缩并通过OTA的方式才能部署在车端，常见的方式包括设计更高效的网络结构、将模型的参数量变少、将模型的计算量减少，同时提高模型的精度，比如剪枝、Nas、量化以及蒸馏。
随着自动驾驶等级的提升，智驾系统所需要的数据也会越来越多，但自动驾驶数据合规处理难度却越来越高，两者形成了强烈的矛盾关系。自动驾驶合规需要对隐私类和测绘类的数据进行合规处理，而数据合规方面同样会对整个自动驾驶赛道带来一定挑战，一方面是自动驾驶的数据合规离不开图商资质；另一方面是数据合规需贯彻整个数据全生命周期。
完整版报告，点击下方小程序查看
