写点什么

对话小马智行:量产、商业化、路线之争,聊聊自动驾驶的现在和未来

  • 2022-01-21
  • 本文字数:7970 字

    阅读完需:约 26 分钟

对话小马智行:量产、商业化、路线之争,聊聊自动驾驶的现在和未来

人工智能正在加速变革,激动人心的技术突破不断涌现,并正在改变甚至颠覆各行各业。我们应该如何看待人工智能的现状和未来?自动驾驶是当下最炙手可热的 AI 技术之一,也是业界和大众期待最高的 AI 落地场景之一。过去一年来,自动驾驶有哪些重要的进展,2022 年又有哪些发展趋势?


12 月 29 日,小马智行北京研发中心副总经理、硬件研发负责人李林涛做客 InfoQ 视频号,对 AI&自动驾驶的发展趋势做了最新的解读,探讨人工智能和自动驾驶领域面临的挑战、取得的成果和未来展望。


以下根据直播内容整理,并作了不改变原意的删减,完整内容可点击查看直播回放视频。

2021,自动驾驶这一年


InfoQ:首先请您做一下自我介绍,您在小马智行主要负责哪些工作?


李林涛: 我是小马智行北京研发中心副总经理,主要负责硬件研发相关工作,包括自研硬件模块研发、无人车的改装,以及小规模量产的探索工作。


InfoQ:对于 2021 年整个自动驾驶行业,请您从技术创新和应用的角度评判行业过去这一年的发展。


李林涛 :行业前几年更多在做功能性的开发,比方说实现更好的无保护左转,或者在一些复杂的人车混流的状态下做到非常舒适的体验。 这方面近年来也确实取得了非常大的进展,可以感受到自动驾驶相关的技术都有很大的提升。可以把这些理解为自动驾驶上半场的状态。


InfoQ:现阶段自动驾驶有哪些研发上的难点?


李林涛: 随着技术逐步进步,越来越多的场景可以很好地处理,但剩下的通常都是一些“硬骨头”。处理这些问题的时候,要考虑路测成本和实际的算法提升收益要怎么计算,或者怎么能够更快的对这些关键的问题点进行大幅度的性能提升、功能提升。以前可能车在路上开了十公里就会碰到各种各样的问题,因为我们的技术还不成熟,就只能一点一点地处理问题。


但现在随着技术的发展,我们很有可能在路测中遇到的问题很少,要处理的更多是复杂的长尾场景。虽然计算芯片、传感器有一些成本下降,但这部分距离大规模商用还是存在一定距离的,需要整个行业一起推动和发展。


除此以外,软件的复杂度伴随着这几年的技术进步,也在时时在提升。但是复杂性的提升会带来可靠性的挑战,当包含的逻辑越来越多,我们怎么样证明算法的可靠性、系统的可靠性,这也是非常大的挑战。


InfoQ:这几年业界有这样一种说法,自动驾驶进入了下半场,您怎么看?


李林涛: 我们并不知道自动驾驶行业什么时候是终局。


我理解的下半场是相对于技术的积累来讲的,因为目前整个行业更多的把注意力集中在我们如何能够把自动驾驶技术很好地落地,让它更快造福于人类,带来实际的便利。


目前的技术到完全的无人化还是存在一定距离的,但是有距离不代表目前无法实现商业化的落地,更关键的点是,大家如何去选取一些更合适的场景,找到一些足够简单,而且具备相应商业价值的切入点,这可能是大家通常所理解的下半场。


InfoQ:业界普遍觉得自动驾驶商业化落地挺难,到底是哪些因素制约了它的落地速度?


李林涛: 最典型的,绕不开的是硬件的成本、证明高复杂度的软件系统的可靠性和安全性,以及复杂的场景如何选择和落地。


法律法规和社会方面,还存在自动驾驶相关的责任认定问题。从以前通过人类司机来保证整车的安全,过渡到以自动驾驶的技术提供商、服务商作为主要责任方进行背书,一方面要看技术提供方是否能够接受,另一方面看社会公众是否认同以及法律法规的完善推动。这些都需要随着行业的发展,需要持续探索。


反过来也能看到很多正面的例子,特别难能可贵的是,国内政府在自动驾驶技术的推动上,是非常积极和支持的态度。我们也先后拿到了北京、广州等城市的多张自动驾驶测试牌照。能看到政府也在不断为推动行业的政策而努力。


当然要实现自动驾驶的规模化和商业化,无论是在乘用车领域还是在商用车领域,都需要技术的提供方、车辆平台公司,以及适合我们的场景方通力合作,才能更快实现落地。


InfoQ:自动驾驶行业一直有渐进式和跨越式两种路线的争论,您是怎么看待的?未来市场会是百花齐放,还是三足鼎立呢?


李林涛: 渐进式是指,辅助驾驶逐步向上累加功能,让车辆它自然而然逐步过渡到全自动驾驶的状态,这里边的典型代表就是特斯拉。特斯拉目前大概能做到 L2 级别,他们也希望通过不断收集数据,迭代提升,最终实现全无人驾驶。


另外一条路线是,先去尽可能实现无人驾驶的功能,暂时不考虑成本,不考虑商业化问题,这样等到我们的技术证明可行,安全性得到了保证,获得大家认可以后,再去考虑商业化落地相关的问题。典型的代表是之前的谷歌,也就是现在的 Waymo。


这两条路线的争议一直存在。


小马智行的愿景也是希望推动自动化长远发展,让这方面的技术逐步造福大众。自动驾驶技术一定是百花齐放的状态,无论是哪种路线相争,我们都希望能够一起去推动技术的实现和落地的。


InfoQ :各家在落地的模式以及商业模式有什么不同?


李林涛: 具体到商业化的模式上来讲,特斯拉销售车辆需要考虑单车成本,需要客户或者双端用户去承担这部分成本,所以不能够使用特别先进的传感器或者是非常高性能的算力平台来实现这方面的功能,因此带来的自动驾驶能力是受限的。


常见的状态是,辅助驾驶功能会应用于停车场或者是高速公路等等相对结构化的道路、场景。这种情况下它就不会考虑一些极端的场景。但是对于一些极端场景,人类司机是否有能力去实现安全的接管,这一点始终是存在疑点的。这也是长期以来小马智行不愿意去通过这种渐进式的方式来做自动驾驶。


另外一条路线是无人驾驶的出租车 Robotaxi,也是小马智行主要研发的方向。这方面我们会使用一些更强的硬件配置,一些更复杂的算法,使自动驾驶技术应用于更多的场景,不仅仅局限于停车场或高速公路,也会包括各种各样的复杂城区道路。


但它的问题也是显而易见的。我们如果使用更强的算法和硬件,就会具备更高的成本,落地就会存在一定困难。一些复杂的功能和软件也会存在认证问题,我们需要更合理的手段、更合适的方式去证明我们的这套系统是绝对安全和可靠的,这样才能够获得公众的认可,更快推向市场。


从这几年小马智行的技术发展来看,“多少公里去做一次人为监管“这个指标已经非常高了(人为接管次数之间的公里数越高,指技术稳定性越高),现在应该超过了大部分人类司机的驾驶能力。


当然在商业化方面,小马智行目前也有非常多的进展。2021 年 11 月份我们拿到了北京市自动驾驶服务的商业化试点许可,现在我们在北京亦庄开发区约 60 平方公里的路段中可以开展商业化的试点服务。现在用户可以用手机 APP Pony Pilot+可以像滴滴打车一样打到我们的无人驾驶出租车 Robotaxi,使用人机交互系统去付费和获得相应的出行服务。


InfoQ:您觉得未来几年,自动驾驶市场的竞争会是特别激烈的状态吗?


李林涛: 这几年整个自动驾驶行业确实出现了非常多的参与者。更多还是看大家如何在行业里面共同做出贡献,共同实现技术,但至于谁更优、谁更劣,还是有待长期观察,目前阶段可能很难得出结论。


InfoQ:数据对于发展自动驾驶是非常重要的,但是现在 RoboTaxi 落地规模还比较小,大多数的自动驾驶公司还是在小范围测试阶段。在这种情况下,怎么能够收集到足够多的数据,或者说能够比友商收集到更多数据?


李林涛: 首先自动驾驶还处在小范围测试的阶段”不是特别准确的说法。以小马智行为例,目前我们是在北上广深以及美国都有自动驾驶车辆的布局,这方面有非常大范围的测试。


就数据来讲,数据的关键更多在于信息量,而不是在于数据的多少。数据是否足够丰富,能够覆盖更多的场景,能够更好反哺技术的进步,可能是更关键的点。举个例子,为什么小马智行会在多地区进行自动驾驶车队的布局?比方说我们会发现北京的路非常宽,能够在北京的道路上看到很多特别大的十字路口,有众多的车辆。这种场景在北京是比较常见的。


但是与此不同,我们在广州测试的时候,会发现广州有大量的摩托车存在,人车混流的情况非常多。我们的车需要处理的不光是车辆,还要在一些狭窄的道路里,跟摩托车、自行车、行人进行交互。


而美国就更不一样,美国是地广人稀的状态,但车速非常高,这就对于我们整体的感知距离提出了更多的要求。这里能看出数据更多在于信息量是不是足够大,足够丰富,而不是说谁有更多的数据,就积累更多。


小马智行成立到现在已经五年,目前积累的自动驾驶里程已超过九百万公里,相当于往返地球和月球十次,测试和运营相关的积累非常丰富。我们有一整套比较完整的数据收集、清洗、筛选、去旧的系统,可以保证在道路测试的过程中选取到最关键的点,最关键的数据,不至于让一些无用的数据进入数据中心里。


举个典型的例子,以路测车辆为例,如果在十字路口出现了一次非常危险的接管行为,接管状态就会直接被车上的系统捕捉到,它会对当前出问题的状态前后(例如 30 秒)的时间进行数据的截取,对这套数据做全量存储。等到这些数据回到了数据中心,工程师会对这些有用的数据进行详细的分析,去想办法解决问题。这一段关键的数据会进入到内部场景库里,未来我们所有的软件迭代都会对这块进行仿真测试,保证不会在这块出现问题。除此以外,对于一些没有特色的场景,我们通常不会再做存储或者处理,这样也是比较经济的选择。

2022,自动驾驶技术和应用趋势展望


InfoQ:自动驾驶确实很有发展前景,但是智慧道路的建设和普及还存在许多问题,结合目前火热的边缘计算和边缘智能的发展,您对未来自动驾驶在全国性的应用有何看法?


李林涛: 车路协同、边缘计算等等新的领域,这几年有非常多的探索,是个很热门的研究方向。我们能看到非常多的企业和机构在这方面做了一些布局和相应的研究。


边缘智能结合 5G 的技术,它的一些好处也是显而易见的,就是能够降低单车端的压力,这样单车上面的硬件成本,或者是计算能力需求会降低。


同时边缘感知的模组会有更好的感知能力,因为它能够看到更远的地方,获取到更多的道路元素数据。它会有全局的视角,包括当前状态所有车辆所处的位置、红绿灯的状态等等一系列数据,所以它更容易实现全局的优化,这些好处是比较容易理解的。


我们现在在车端所做的这些智能化的探索和工作是必不可少的,单车智能可以理解为整车最后的一道防线。如果边缘计算、网络通讯在某路段或者街区的系统出现问题该怎么办?在这种情况下,我们至少得保证车能够安全停下来,需要有独立的一部分能够去应对系统的失效或者网络安全的问题。


另外边缘计算在基础设施建设方面的成本也非常高昂。同样的街区、路段,在高峰时段能够看到的车辆和交通流,和它在低谷时段能够看到的车辆和交通流差距非常大。但作为基础设施,或者是在路段长期存在的边缘计算模块,必须得考虑到,能够在任何场景下都能应对足够的交通或者计算需求,保证整体的智能计算是实时的。可能所有的边缘计算模块都要保持很高的并发处理能力,这方面就会给整个系统建设多出来额外的成本。这也是基础设施建设需要考虑的问题。


边缘智能目前还处于探索阶段,现在我们不太可能看到它在全国范围内有大规模的部署,更多是区域性的试点,解决一些关键场景下的使用需求。当然自动驾驶也是类似的状态。从技术落地、商业化变现的角度来讲,我们还是更希望能够从点到面逐步推动技术的进步和实施,一点一点让它的技术落地,给大家带来收益,再去逐步铺开。等到各方面的行业发展处于比较理想的状态之后,再让它大规模商业化应用。


InfoQ:小马智行现在有在尝试减少安全员参与驾驶过程吗,什么时候裁去掉安全员?从技术上看,距离实现无安全员、无远程遥控的完全无人驾驶,还需要攻克哪些难点,大概还需要多长时间?


李林涛: 我们质量安全的保障是在一步一步往前走的状态。


回到三四年前,我们在做道路测试的时候,自动驾驶车辆里会坐两个人,一人坐在主驾位作为安全员司机,一人作为副驾位,类似于领航员,观察道路中的状态。如果和系统的反应不一致,需要及时反馈给安全员。


除此以外,在自动驾驶车辆的后方还会有保护车辆,因为当时发现大部分问题是与急刹相关的,后端需要做额外的保障。


但是大概在两三年之前,我们就已经把后端的安全车去掉了。我们的技术进步到一定程度以后,急刹的问题已经非常少了,我们也有信心,车辆自己能够应对这种场景。


大概在两年前,我们也去掉了副驾位领航员,一方面是系统的稳定性足够高,我们对感知方面的能力已经非常自信,不再需要副驾位的人关注红绿灯的识别、道路上车辆的识别是否存在问题。此外,我们在人机交互的方面,特别是安全员和车辆的交互方面,也有一些声光方面的设计,安全员可以通过一些语音提示,或者是声光报警知道车辆的状态。


2021 年 6 月,我们也宣布完全无人驾驶车辆加入了广州南沙的 Robotaxi 车队,公众是可以在道路上看到全无人状态的无人车的。紧接着,非常感谢政府方面的政策支持,小马智行获颁 “北京市智能网联汽车政策先行区” 首批无人化道路测试许可,正式在北京开启“主驾位无安全员”的自动驾驶无人化测试,成为首个在北京、广州均获得自动驾驶无人化测试许可的自动驾驶公司。


我们认为全无人驾驶更多是结果,不是目的。我们的目的是推动自动驾驶技术的发展,在过程中解决各种各样的问题。当我们整体的系统体验达到了非常好的状态以后,它才能够自然而然的实现无人化的状态。


InfoQ:小马智行预计,什么时候能够实现 L4 级自动驾驶乘用车和卡车的规模化量产?


李林涛: 2021 年 2 月,我们宣布最新一代的自动驾驶车辆从一套标准化产线正式下线,开启了全天候自动驾驶的公开道路测试,也加入到了我们分布在各地的 Robotaxi 车队中做规模化的运营。


这是我们自动驾驶全装量产的非常关键的一步。


因为这批车辆从设计、开发到产线生产、验证,都经历了非常严格的标准化流程。整个流程里面大概涉及 40 多道工序、两百多项质检项目,尽可能保证整个系统的一致性。最终的效果,我们在这一代系统里发现对比上一代在硬件稳定性方面大概有 30 倍到 50 倍提升的效果,非常显著。


随着这一套标准化产线的设置和加持,我们整个自动驾驶系统的生产效率和前一年相比大概能够提升 6 倍,也是非常显著的成果。这侧面也能体现出小马智行在硬件的自主研发、生产测试、供应链管理等等各方面的实力。


我们还是认为自动驾驶技术需要循序渐进的探索过程,无论是刚刚提到的这些硬件资源,产线的搭建,还是这些车辆的批量生产和验证,都不断地在做从 0 到 1 的突破,为以后推动整个自动驾驶的全装量产积累一些宝贵的经验。


虽然现在看起来距离大规模量产还有差距,但是往回看,它的速度和趋势是非常喜人的。


大家很多时候会去关注量产或者是规模化指标,但量产和商业化也不完全是等价的, 因为熟悉领域的人都知道,自动驾驶技术是希望能够提升整个道路上的出行效率。如果未来自动驾驶车辆大规模普及,是不需要在路上驾驶这么多车的。我们的个人车辆长期来说是处于严重过剩的状态,很多都停在停车场里面,所以我们可能没法直接用现有的售卖车辆的规模来直接衡量自动驾驶的规模。


除此以外,对一些细分的场景可能我们做一些更小的量也是完全可以接受的,例如像港口、园区、学校里面,我们用更小的量去做覆盖也是能够实现快速落地和商业化的。


InfoQ:根据您的判断,2022 年,在自动驾驶方面,还有哪些技术点值得关注,会在明年取得较大的突破?


李林涛:首先硬件方面的进步是非常明显的。 现在传感器的技术在持续提升,有越来越多先进的传感器技术会出现。从之前的机械雷达,到半固态、全固态雷达和激光雷达都在积极涌现出来。


可以说自动驾驶的上游产业,像传感器产业是处在蓬勃、高速发展的状态。我们可以期待未来能够看到更加廉价的、集成度更高,能够更适配车辆的一系列传感器方案出现。


除此以外,高算力的芯片也在逐步走向大规模商用。 车辆平台方向上,自动驾驶车辆要实现相应的功能,对车辆的底盘有非常多的要求。车辆至少要能够支持线控技术,能够通过电脑指令去控制它的执行机构。


目前线控技术在质量和普及率上也在逐步提升。 以后纯无人驾驶的车辆会去考虑底盘冗余的设计,让车辆有双份的刹车、油门、方向等等设计,从最底层保证车辆在智行方面的安全,扫清自动驾驶技术的最后障碍。


我们还能看到量产车上有更多的落地尝试。包括造车新势力在自己的下一代车型上会搭载自动驾驶的功能和配置。他们更多会关注整体的体验,怎么样能够让这些硬件方案更好地适配车型,让它有足够的美感,让公众能够接受。所有这些都会影响到未来整个社会对于技术的判断和接受度,这方面的一些探索尝试对于技术长远的发展也是至关重要的。

AI 的现在和未来


InfoQ:作为一名 AI 从业者,请您分享一下您对 AI 在过去这一年的发展情况的观察总结。您觉得,哪些 AI 技术在 2021 年取得了比较大的进展和突破?


李林涛: 首先计算芯片的计算能力大幅度提升的趋势是非常明显的,呈现出指数级上升的趋势。有了计算能力的大幅度提升,才让 AI 技术在各个领域的应用成为可能,让深度学习应用有相应的算力支撑。


其次,与感知技术相关的传感器发展也非常迅速,包括摄像头、激光雷达等方面。例如激光雷达成本和体积迅速下降,性能却在快速提升。


InfoQ:您怎么看待 2021 年 AI 技术在应用落地和商业化方面的进展?


李林涛:技术落地的难点包括性能无法满足应用需求、成本不符合场景要求,以及商业模式走不通等。 现在计算能力本身已经不是很大的瓶颈,但功耗和成本也是商业化必须要面对的问题。目前应用非常迅速的领域比较典型的是视频监控,说明在需求确定、成本合理的情况下 AI 可以快速落地。


类似 AI 在汽车场景中,新技术的成本可能就会偏高,所以落地就会有阻力。但行业也在大胆做一些探索,寻求差异化的落地机会。


InfoQ:您觉得 2022 年,在 AI 领域有哪些技术点是值得大家多多关注的?


李林涛:我的第一反应能想到 5G、云端方面的应用。通讯技术是非常重要的基础设施,5G 到现在也逐步走到了从量变向质变的转折点。5G 能够赋能很多云端应用和技术,在 2B、2C 都有非常大的想象空间。5G 技术的普及会给车路协同带来很大的帮助,但目前这方面整体还是处在区域性试点的状态。


另外一个行业热门是 VR,在商业模式方面非常有前景,是值得去关注的。未来,VR 的关注点同样更多在于如何落地,行业公司如何保持头部位置、建立合理壁垒。


机器人技术是另一个热点。它涵盖了自动驾驶技术,行业和公众都在期待自动驾驶技术早日实现商业化落地和规模化量产。随着这几年特斯拉取得特别大的商业成功,它也给行业起到了非常好的引导用户、带动整个行业获得认可的作用。


随着公众对于这块技术的了解,整个汽车行业的评价标准也会有相应的变化。以前我们选车的时候更多关注内外装饰、操控性能,但将来很多人也会考虑自动驾驶或者是辅助驾驶功能是否让日常的出行更便捷。在细分场景也会有一些探索,包括相关技术在港口、矿山、园区、快递的各种各样的应用。


InfoQ:深度学习和人工智能的快速发展,在现有深度神经网络需要用更短的时间、更低功耗完成计算,这就给深度学习计算芯片提出了更高的要求,基于国内外现状,我国目前计算芯片问题应如何解决?


李林涛:半导体行业长期是我们国家被“卡脖子“的领域,之前在这方面的积累跟国外相比还是存在比较大的差距。这两年需要用到高性能芯片的产业都会非常难受,因为全球供应链的原因,缺芯的问题给大家造成很大的困扰。


当然国内很多企业在这方面有很多显著的成绩和布局,比如华为有一套自研芯片在手机端领域取得了非常大的成功。自动驾驶方面,地平线也生产了自研的芯片,能够作为一些关键的计算核心应用到很多量产车辆中。


回到半导体工业,虽然说我们能够自己研发出这一类的芯片,但从根本上看,无论是半导体材料还是相应的加工方面,我们是无法脱离国外而独立存在的,这也是需要去承认的短板,需要包括企业和国家一起去努力推动和改善现状。未来我们也希望在其他的方面有一些颠覆性的技术去实现弯道超车。

大咖说嘉宾介绍:


李林涛 Linatao Li ,现任小马智行北京研发中心副总经理,硬件研发负责人。毕业于上海交通大学,目前负责 Pony.ai 硬件整体研发工作,曾负责国内第一辆无人驾驶汽车的硬件研发工作。

2022-01-21 13:355398
用户头像
刘燕 InfoQ高级技术编辑

发布了 1112 篇内容, 共 536.4 次阅读, 收获喜欢 1977 次。

关注

评论

发布
暂无评论
发现更多内容

TiDB 在2021汽车之家818全球汽车夜的应用

TiDB 社区干货传送门

实践案例

我眼中的分布式系统可观测性

TiDB 社区干货传送门

TiDB 在某餐饮 SaaS 服务商的实践及海外机房构建

TiDB 社区干货传送门

提升问题排查速度 - TiDB 集群问题导图

TiDB 社区干货传送门

【精选实践】TiDB 在聚美短视频业务的实践与应用

TiDB 社区干货传送门

【TiDB 4.0 试玩体验】TiDB 性能对比(v3.0.12 VS v4.0.0-rc)

TiDB 社区干货传送门

dm1.0.5 tidb3.0.15 同步阿里云drds5.7出现的问题

TiDB 社区干货传送门

TiUP升级集群报Run Command Timeout/SSH Timeout错误解决方案

TiDB 社区干货传送门

PD leader 切换耗时分析

TiDB 社区干货传送门

4.0 新特性前瞻:增强的 SQL Hint

TiDB 社区干货传送门

基于 k8s 与 Chaos Mesh 构建数据库混沌实验日报系统

TiDB 社区干货传送门

实践案例 安装 & 部署

K8S上TiDB集群升级卡住问题探讨

TiDB 社区干货传送门

【精选实践】TiDB 在新东方业务前台及中台的落地

TiDB 社区干货传送门

如何做到 10T 集群数据安全备份、1GB/s 快速恢复?

TiDB 社区干货传送门

TiDB备份恢复方式你知多少?

TiDB 社区干货传送门

TiDB备份恢复体系设计与思考

TiDB 社区干货传送门

实践案例 TiDB 底层架构

TiDB 在微众银行核心批量场景的实践

TiDB 社区干货传送门

实践案例

伴鱼数据库之慢日志系统

TiDB 社区干货传送门

【精选实践】TiDB 在 360 云平台的落地及实战干货

TiDB 社区干货传送门

TiDB 在爱奇艺实时分析场景的应用实践

TiDB 社区干货传送门

实践案例

漫谈TiDB数据库部署

TiDB 社区干货传送门

安装 & 部署

某报表业务升级5.0解决慢SQL问题

TiDB 社区干货传送门

管理与运维 故障排查/诊断

TiDB用什么保证备份的一致性?

TiDB 社区干货传送门

初探TiDB-TiFlash

TiDB 社区干货传送门

【精选实践】TiDB 在喜马拉雅推送系统中的实践

TiDB 社区干货传送门

分布式事务的 Commit Point

TiDB 社区干货传送门

网易云音乐 DBA 谈 TiDB 选型:效率的选择

TiDB 社区干货传送门

实践案例

【TiDB 4.0 新特性前瞻】DBA 减负捷径:拍个 CT 诊断集群热点问题

TiDB 社区干货传送门

TiDB 4.0 新特性前瞻:白话“悲观锁”

TiDB 社区干货传送门

浅析 TiDB 二阶段提交

TiDB 社区干货传送门

TiDB 4.0 新特性尝鲜指南献上,投稿【试玩体验】斩获 TiDB 限量周边~

TiDB 社区干货传送门

对话小马智行:量产、商业化、路线之争,聊聊自动驾驶的现在和未来_AI&大模型_刘燕_InfoQ精选文章