WAIC期间，在由东浩兰生集团联合机器之心旗下AutoByte主办，AutoLab作为战略合作媒体的“智行·破界”智慧出行论坛上，华为智能车云CTO 喻杰、AutoX创始人肖健雄、赢彻科技CTO杨睿刚、的卢技术创始人张英，对于“自动驾驶的数据有效性”，“自动驾驶是否可以从L2升级到L4“等话题展开激烈讨论，详情如下：

此外，关于全场景L4自动驾驶何时能落地这一宏大命题，几位嘉宾也发表了各自的意见；

论坛中的核心信息，Dante也为大家做了简单总结。

高通：下一代座舱平台骁龙8295性能大幅提升

高通在论坛上分享了在车载智能座舱芯片领域的成功，从高通骁龙820A开始被业界所熟知，此后第三代数字座舱平台骁龙8155芯片取得非常大的市场份额，全球最大的25家车企已有20家采用第3代骁龙汽车数字座舱平台。

高通还分享了第四代数字座舱平台骁龙8295（此前未公布名称，可能基于高通骁龙888打造），采用5nm制程，支持同步处理仪表盘、座舱屏、AR-HUD、后座显示屏、电子后视镜等多屏场景需求，CPU、GPU等主要计算单元的计算能力较8155提升50%以上，主线能力有超过100%的提升。

中央集成的计算通讯架构是汽车行业的发展共识，因此高通下一步的研发规划是将自动驾驶和智能座舱域控制器合二为一，同一计算平台兼顾不同功能算力需求。高通还表示，由于最大竞争对手英特尔的退出，目前基本没有对手了，高通每年投入50亿做IP研发，每年推出一款旗舰产品，可以复用在手机SoC 和车载计算平台，这样的技术迭代速度没有企业可以跟上。

华为智能车云：上云是自动驾驶商用的必由之路

智能驾驶汽车会产生大量的数据，但对算法训练有价值的数据不足1%，怎么进行有效数据的挖掘，是业界的难点。此外现阶段的监督学习，训练算法模型需要对数据进行标注，花费的成本非常高且效率很低。

其次随着数据量的提升，算法模型的逐渐复杂，算法迭代的训练的硬件成本也很高，对GPU和超算中心的需求会很大，这对车企而是非常昂贵的投资。华为智能车云所做的服务，是通过云计算的集约化帮助车企降低数据分拣、标注、训练的成本。

华为云拥有自动化的数据挖掘，和高效的数据标注的能力，以及灵活的云上训练平台，能够帮助车企工程人员在工具链方面的投入最小化，这本质上不应该是车企的核心竞争力。整体而言使用云服务可以提高运维60%的效率，降低整体30%-60%的成本，这对自动驾驶的商用落地至关重要。

AutoX：数据有效性比数据的数量更重要

AutoX创始人肖教授表示，现在绝大多数机器学习都基于监督学习，依靠大量人工标注，这导致大量的数据都是浪费的。每车智能汽车每小时产生数据量超过1TB，假设每天跑10小时，一台就有10TB的数据，仅几百台车，每天就有将近1PB的数据。

“全世界我没有看到任何一家公司敢号称有1PB的数据全部被标注过，而1PB的数据也只是几百台车跑一天10个小时的数据。所以上路的车越多，数据量越大，就能解决人工智能是伪命题。”

特斯拉车载硬盘空间非常小，网络带宽也非常小，数据基本上就是现场采集现场扔掉，没有任何作用。特斯拉的数据无法回传到仿真器进行高清仿真，这些数据只在当天现场用影子模式测试一下就删除了。

只有保证数据质量一切才有意义，而数据质量意味着需要几个TB的存储空间，例如AutoX车上有32TB的存储空间。存储数据并有效处理这些高质量数据，才能进行高分辨率的模拟仿真，在仿真器里可以多次训练算法的规划控制，只有这样才能真正发挥数据能力。

赢彻科技：逐步量产才能破解整个行业的成本难题

赢彻科技CTO杨睿刚分享道：“重卡需要高速运动、高载重量，对感知系统提出了更高要求。界上最好、最贵的激光雷达有效感知距离只有200米，重卡的刹车距离从100km/h刹到0需要150米。对于系统要求至少能探测300米以外，目前没有任何激光雷达能够实现，因此只能通过计算机视觉方案，通过多个高清摄像头配合算法实现300米的有效探测距离。”

“第二个难点是车辆控制，重卡轻载16吨，满载145吨，是Robotaxi 的8倍，而且重卡是两节设计，刹车控制不好，会导致危险的折叠（即货车厢压迫驾驶舱），这些都给重卡自动驾驶造成非常大的难题。”

此外商用车是生产工具，做自动驾驶会更关注成本。对自动驾驶行业而言，只有从L2到L4循序渐渐的发展，从无到有进行规模量产，才能促进传感器的成本通过规模效应来下降，近几年激光雷达的价格下降就是例证。