最近，科技圈最火的话题莫过于“CHATGPT”。不过，ChatGPT只是一种外在表现形式，更值得关注的是背后AI技术进展以及未来的应用落地。
甚至有人乐观地描述ChatGPT所带来的变化：如果说ChatGPT之前，AI最多只是现有场景产品的一个模块。那么，ChatGPT之后，AI会重新定义现有场景的产品框架。
是否真如乐观者所言仍有待观察，但自动驾驶作为AI落地的重要场景之一，是否会在这波浪潮中有更进一步的发展，仍引起了不少人的探讨。
有人认为，自动驾驶需要更多的是图形、图像、数据的处理能力，对图像算法的要求更高，与自然语言处理的能力相关性不大，想要ChatGPT的能力来实现自动驾驶，目前还不太可能。
当然也有人认为，ChatGPT的出现给大家看到了一种可能，那就是经过训练后的AI，将会使得高级别的自动驾驶有望在几年后出现。
自动驾驶是AI落地的重要场景之一
为什么AI技术的进展会让人关注自动驾驶是否受到影响呢？
观察自动驾驶的发展历史不难发现，自动驾驶的每一次重大突破都跟AI技术发展同步。
我们知道，AI其实就是在模仿大脑神经元网络，通过分析大量的数据来学习一些非常人性化的技能。上世纪80年代，神经网络的第一次实际应用就是发生在自动驾驶领域。
1987年，卡内基-梅隆人工智能实验室的研究人员试图制造一种可以自动驾驶的卡车。他们通过为所有的驾驶行为人工编写代码，为卡车在道路上遇到的各种情况编写尽可能详细的指令，以此让车辆自动行驶。但遗憾的是，这种方式最终只能让汽车实现每秒几英寸的速度。
人工写代码的方式不成，另外一个叫迪安波默洛的博士生选择了另一种方式：神经网络。
他给自己的系统命名为ALVINN，采用这个系统后，卡车利用车顶摄像头拍摄的图像来跟踪司机们在做什么，以此观察如何在道路上行进来学习驾驶。1991年，ALVINN以接近60英里的时速从匹兹堡开到了宾夕法尼亚的伊利市。
不过，更直接、更广泛的影响发生在2012年。
多伦多大学教授杰夫辛顿和他的两名学生亚力克斯克里哲夫斯基和伊利亚萨特斯基弗在ImageNet图像识别比赛上拿了冠军，并且发表论文介绍了算法AlexNet。这篇论文不仅是人工智能的转折点也是全球科技行业的转折点。
目标检测及图像识别作为自动驾驶的关键技术，高度受益于计算机视觉算法的突破，因此随着2015年斯坦福人工智能实验室主任李飞飞团队在ImageNet开放数据集上的识别准确率首次超过人类，自动驾驶作为AI最重要的落地场景之一，也进入了发展快车道。
对辅助驾驶的影响更直接，但上“车”成本要解决
那么，这次ChatGPT的出现会再次成为自动驾驶的Milestone吗？
一般来说，AI可以概括分为语音、视觉、自然语言理解三部分。上一波AI浪潮主要是基于视觉上图像识别技术的突破，而这次ChatGPT则是基于GPT-3模型的自然语言处理技术，它可以有效地模拟人类语言理解能力，从而帮助人们更好地理解和分析自然语言文本数据。
当我们要探讨ChatGPT会对自动驾驶产生哪些影响的时候，我们认为，首先要弄明白这里的自动驾驶指的是可量产的低级别的自动驾驶（辅助驾驶）还是高级别L4级别的自动驾驶？其次ChatGPT指的是一个语言模型还是更广义的生成模型？
如果从自然语言理解的角度出发，ChatGPT对于辅助驾驶部分的人机交互的影响更为直接，而对L4级别自动驾驶的影响或许并不大。
乘联会秘书长崔东树也在其微信公众号发文称，目前的人机交互和智能座舱体系的创新很强，尤其是国内车企的人机交互能力很强。汉语只有中国企业理解的更深刻。随着未来的底层赋能，国内汽车业界在应用层面将会有更多良好的人机交互效果。
比如通过使用ChatGPT，车辆可以通过语音或文本的方式与驾驶员进行交互，并向驾驶员提供有关车辆状态、行驶信息等的实时反馈。
在此之前，虽然已经出现了大量的车载交互系统，但是行业的痛点主要聚焦于“理解”部分，大部分的车载语音交互系统在“理解”上并不智能，导致整个系统功能单一、命令词单一。ChatGPT的爆火让市场看到了解决的希望。
不过，乘联会秘书长崔东树也同时表示，电动化是新能源车的核心，智能化只是锦上添花，未来车企的核心竞争力仍然是造好电动车，同时充分利用ChatGPT等智能化赋能汽车行业发展。
当然，不管是不是核心，想要ChatGPT上车，光有技术突破还不行，一位AI行业人士对钛媒体表示，“还需要面临成本的问题，包括使用成本、云服务成本、针对性的训练成本等。”
大模型或成趋势
但是，如果从更广义的生成模型来看，大数据、大参数的生成式模型会有助于实现更高等级的自动驾驶。
毫末智行数据智能科学家贺翔在接受钛媒体App采访时表示，车端能力主要包括两类：感知和认知，感知能力确实主要依靠图像技术，而认知能力则更依赖ChatGPT类似的生成技术。
也就是说，ChatGPT的重要革命性意义在于：让AI模型进入了知识和推理的时代。当前，自动驾驶最大的短板恰恰在于决策规划缺乏足够的智能。
ChatGPT 使用了一种叫“人类反馈强化学习（RLHF）”的训练方法，毫末智行数据智能科学家贺翔对钛媒体APP解释称，GPT是一个大规模通用预训练语言模型，GPT1、2、3主要是参数规模的提升，ChatGPT主要是引入了人类反馈数据做强化学习。
这种方法的引入可以在训练中根据人类反馈，保证对无益、失真或偏见信息的最小化输出。
恰好自动驾驶决策算法中也有一类叫做模仿学习，就是让机器去学习不同场景下人类驾驶员是怎样做的。
一般来说，人类司机的每一次接管，都是对自动驾驶策略的一次人为反馈；这个接管数据可以被简单当成一个负样本来使用，就是自动驾驶决策被纠正的一次记录。同时也可以被当作改进认知决策的正样本来学习。
“大数据、大参数的大模型能学到更多的潜在知识，包括不同的环境、不同的场景等，相当于学习到了大量的自动驾驶常识，这种常识对自动驾驶决策至关重要。”毫末智行数据智能科学家贺翔对钛媒体App表示。
也就是说，在自动驾驶研发的过程中采用人类反馈强化学习的思想，可以训练出模型来验证、评价机器模型的输出，使其不断进步，最终达到人类的驾驶水平。
所以，可以说基础能力的提升，带来了想象力及可应用场景的扩张。但目前阶段，我们仍然无法准确判断以ChatGPT为代表的大模型会给自动驾驶带来多大的变革，一位行业人士对钛媒体App表示，通过大模型训练而来的优秀泛化能力，可能让世间再无corner case。
corner case是指在自动驾驶中是指行驶过程中可能出现，但发生频率极低的小概率事件。尽管平时很少会遇到，但对于自动驾驶系统来说，遇到无法做出决策的corner case时，很可能会导致致命的交通事故。
ChatGPT的横空出世则让行业认识到，不断去累积公里数，一直这么跑下去是可以获得更高级别的自动驾驶技术的跨越。
事实上在此之前，不管是国外的特斯拉，还是国内的小鹏、百度、毫末智行都已经在探索“大模型”的路线了。
特斯拉在2020年宣布将基于深度神经网络的大模型引入其自动驾驶之中，到现在已实现了纯视觉FSD Beta的大规模公测；小鹏在2022年1024科技日中表达了使用大模型打通XNGP全场景能力的观点；百度Apollo认为文心大模型将是提升器自动驾驶能力的核心驱动力。
毫末智行则早在2021年宣布要借助大模型提升数据处理能力，今年2月17日，毫末智行将人驾自监督认知大模型正式升级为“DriveGPT”，将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。
不过，高级别的自动驾驶汽车的开发是一个复杂的多学科领域，涉及广泛的技术和监管挑战，人工智能技术进展可以带来一定的推动作用，但是这并非一个短期可以实现的问题。
有报道称，GPT3.0涉及了1700亿参数，内存达300多GB，训练过程耗费1200多万美金。上述行业人士表示，自动驾驶算法是要跑在车上，这么大的模型能不能部署到车端？又需要耗费多少算力支持？另外，自动驾驶不能依靠重复性、简单的路况数据堆叠就能完成，因此如何保证数据量大且有效也是一个关键的问题。（本文首发钛媒体App， 作者｜韩敬娴，编辑｜张敏）
