華為乾崑 ADS 4，是屬于中國智駕的「AlphaGo」時刻

2016 年，韓國職業九段棋手李世石與谷歌旗下 DeepMind 公司開發的人工智能機器人 AlphaGo，進行了一場曠世對弈。

整場圍棋對局以五番棋形式開展，這位曾拿下過 14 個世界冠軍的圍棋棋手，對弈過程中頻頻陷入長考，最終 AlphaGo 以 4:1 的比分戰勝李世石，在這場完全信息博弈的游戲里笑到了最后。

這場足以載入史冊的對弈傳奇性在于，AlphaGo 成為全球首個擊敗人類職業圍棋選手，也是首個戰勝圍棋世界冠軍的 AI 機器人，而下出「神之一手」扳回一小分的李世石，是唯一戰勝過 AlphaGo 的人類棋手。

當 AlphaGo 在完全信息博弈類游戲里變得無法擊敗，人類智慧與 AI 短兵相接，我們無法忽視的是人效與深度學習 AI 之間存在著一條難以逾越的鴻溝。

近 10 年后的今天，另一個「AlphaGo」時刻，即將在國內的智能駕駛領域兌現。

李世石在對弈中陷入沉思-圖片來自：AP

局后復盤的李世石-圖片來自：AP

“這是今年華為乾崑最重磅的發布會?！?/p>

4 月，華為乾崑智能技術大會，華為智能汽車解決方案 BU CEO 靳玉志宣布，華為乾崑正式發布 ADS 4 系統，并提供 4 款系統版本選擇：

1）ADS SE 基礎版：支持城區 LCC、高速 NCA

2）ADS Pro 增強版：新增全向主動安全

3）ADS Max 超階版：新增城區 NCA、泊車代駕 VPD、車位到車位 P2P、全場景泊車以及全維主動安全

4）ADS Ultra 旗艦版：新增高速 L3

靳玉志告訴我們：華為乾崑 ADS 4 不僅面向當下的 L2 完成了體驗升級，更是面向未來 L3 的解決方案，而其中 Ultra 版本的推出，意味著華為乾崑真正向 L3 級自動駕駛邁出商用解決的關鍵一步。

從規則時代到世界模型時代

回望過去，智能輔助駕駛技術歷經了三個時代：規則驅動、端到端模型再到世界模型時代。

2014 年，特斯拉與 Mobileye 攜手向公眾推出 Autopilot Hardware 1.0 系統，基于 Mobileye Eye Q3 計算平臺打造，主要感知硬件由 1 顆前置單目攝像頭、1 顆毫米波雷達以及 12 顆超聲波傳感器構成。

次年，面向旗下旗艦轎車 Model S，特斯拉正式推送 Autopilot Beta v1 版本，開啟 Autopilot 的商用時代。

2016 年，特斯拉不再滿足于 Mobileye 的平臺硬件，選擇基于英偉達硬件平臺推出 HW2.0，處理算力相比 1.0 提升 48 倍。

緊接著 3 年后的 2019 年，隨著兩顆自研 FSD 車端芯片上車，特斯拉進入到 HW3.0 的全棧自研時期。

2021 年 7 月，特斯拉為剝離毫米波雷達車型重構底層算法，全新 FSD Beta v9 采用純視覺技術路線，首次新增城市 NOA。

特斯拉 Autopilot - 圖片來自：Reuters

幾乎同一時期，國內進展如何？

我們首先想到了小鵬和華為乾崑，同樣是 2021 年，在這一年里，小鵬前智能駕駛一號位吳新宙帶領團隊在一顆算力僅為 30TOPS 的 Xavier 芯片上，實現了小鵬的高速 NGP 功能，這也讓小鵬汽車成為國內首家擁有 Xavier 計算平臺解決方案的車企。

同年 4 月，華為乾崑發布 ADS 1.0，基于 Transformer 的 BEV 架構，率先商用城區 NCA，首次創新性采用 BEV+Transformer 算法，成功實現了 3D 場景感知，華為乾崑由此完成了從無到有的突破的基礎。

2 年后，華為乾崑正式推出 ADS 2.0 系統，業界首發「全向主動安全」，擺脫高精地圖的依賴，全國都能開，并引入 GOD 網絡，實現了「物+路」的雙重感知。

盡管在無圖化后，系統的泛化能力增強，這極大加快了廠商的「開城」進度，但無論是特斯拉，抑或是國內沖在前沿的技術企業，都得面臨同一個問題 ——

智駕依舊是一行一行死板的代碼規則驅動，而人卻無法窮盡所有路況場景，這讓「開城」成為了一場活脫的人力打補丁競賽，智駕團隊規模極快膨大。

晚點 LatePost 曾在 2023 年下半年，對市面智駕自研廠商做了一次人員的統計梳理，最后發現：

國內最大自動駕駛研發團隊來自華為，團隊規模接近 5000 人；國產新能源龍頭比亞迪，在對自動駕駛研究院架構梳理后，擁有多達 3000 人的開發團隊，而「蔚小理」三家的相關開發團隊規模分別約為 1000 人、1000 人以及 900 人。

2023 年中吳新宙加入英偉達

2024 年，「端到端」時代降臨。

在特斯拉發布 FSD v11.4.6 版本后，馬斯克開始頻頻預熱 FSD v12，他表示：

v12 將把城市街道的駕駛堆棧升級為端到端（End to End）的神經網絡，FSD 可以通過不斷輸入的視頻數據學習成長，替代掉 30 萬行的 C++ 人工代碼，最后 FSD v12 的人工代碼僅會剩下 2000 行。

特斯拉 E2E 基礎架構

掀起 E2E 新技術浪潮，國內各家車企紛紛搶灘端到端，精簡團隊轉向效率更高、駕駛風格更「類人」的神經網絡驅動模式。

譬如是理想汽車在端到端轉型過程中，就曾對智駕團隊進行過幅度不小的調整，一輪整體比例超過 18%的人員優化，將智駕團隊規模重新縮減到了 1000 人以內。

同年 4 月，華為乾崑發布 ADS 3，業界首發「車位到車位 P2P」，實現全場景貫通，徹底摒棄 BEV，采用端到端架構，感知部分用 GOD，決策通過 PDP 網絡實現，并新增本能安全網絡，ADS 3 基于此實現全國通行。

在端到端神經網絡架構下，華為乾崑宣稱：，ADS 3 的復雜路況通行更平順，重剎減少 15%，平順性提升 50%，顛簸幅度大幅減少 50%。

泛化能力更強，決策更貼近類人，但學習人類駕駛數據的端到端模型仍舊存在著兩個痛點：

1）數據采集成本高，諸如「鬼探頭」等高難度極端場景難以獲取

2）人類駕駛數據質量參差不齊，諸如「分心」、「壓實線」等不遵守交規的駕駛行為影響模型決策

AI 抓取數據訓練模型開車，關鍵在于大量優質、干凈的數據，其中包括優質人類駕駛數據以及各種可能引發長尾效應的 Corner Case。

如果無法解決以上兩個痛點，自動駕駛系統便始終會存在「安全死角」。

理想汽車就是重注 VLA 技術的車企之一

各家車企在端到端基礎上，開始尋求新的解決方案，譬如是近期在業內崛起的端到端+VLA 技術。

理想汽車就是重注 VLA 技術的車企之一

但華為智能駕駛解決方案產品線總裁李文廣，曾在一次對談中談到了 VLA 技術的局限性，他說：

“VLA 最早應該是在機器人領域用得比較多，當然車也算是機器人，車數據進來是數據、核心點云，之后出來就是動作，而中間那塊 VLA 加了一個大語言模型，通過大語言模型把進來的東西轉化為動作，直接控制這個車。

應用大語言模型的好處是，（大語言模型）是業界最成熟的，優點是推理能力強，至少可以看到對場景理解能力比較強。

但這里有一個很大的弱點，它對空間的感知能力有限，因為車在做動作的時候，它需要在空間里運動，這就導致了 VLA 來做動作的話，這條路還挺危險的?！?/p>

而華為乾崑最終在 ADS 4 上，找到了真正的「版本答案」—— WEWA 架構，從端到端模型時代邁入世界模型時代。

AlphaGoAlphaZero 時刻：從「類人」到「超人」

能讓華為乾崑 ADS 4 發生質變，并支撐起高速 L3 商用的關鍵，是 WEWA 架構的搭建。

什么是 WEWA？

所謂「WEWA」架構，我們要拆分成兩部分去理解，前半部分是「WE」，也即是 World Engine，代表云端世界引擎；后半部分「WA」則是 World Action，代表車端世界行為模型。

WE：布置在云端的世界引擎

目前車企早已不缺乏普通數據，而是缺少引發長尾效應里的各種 Corner case，而人工采集不僅效率低，且數據獲取質量不穩定。

「WE」云端世界引擎的誕生，就解決了這個核心問題，利用擴散生成模型技術，能夠高質、可控地生成各種人類司機開車極少遇到的難例場景，比方說是側前車 Cut-in、紅綠燈路口、鬼探頭以及前車急剎等組合場景，甚至可以將難例密度提升 1000 倍。

云端世界引擎，就這樣通過高密度的仿真，不斷將優質的難點數據「投喂」給 AI 模型訓練，完成從「人教 AI」到「AI 教 AI」的轉變。

為了確保安全，WE 還設置「安全優先」的強化學習原則，如同設立獎懲監督員的角色，規訓模型時刻記得「安全第一」的原則。

在這一塊，華為乾崑與特斯拉達成了無聲的默契共識：

早在去年年初，也即是 OpenAI 首個視頻生成模型 Sora 橫空出世的節點，馬斯克就曾在社交平臺上表示，大約一年前，特斯拉就已經能夠利用精確的物理原理制作真實模擬世界的視頻了，只是這些訓練視頻大多來自汽車駕駛視頻，內容相對無聊了些。

同時，馬斯克還認為，特斯拉能夠超越 OpenAI 的地方在于，生成視頻過程中特斯拉能夠預測極為幾位準確的物理現實，以此幫助 FSD 更好理解實際駕駛環境，積累經驗迅速成長。

華為乾崑與特斯拉的理念，不謀而合。

共計 7 個視角的模擬現實視頻片段-圖片來自 X

這么說可能會有些過于教條、概念，我們回到上文開篇所提到的李世石與 AlphaGo 進行的曠世對決。

在李世石輸給 AlphaGo 的一年后，中國圍棋職業九段棋手柯潔也與 AlphaGo 進行了對弈，最終柯潔以 0:3 敗北 AlphaGo。

這一次與柯潔對弈的 AlphaGo 已經不再是一年前與李世石對弈的 AlphaGo，而是基于Zero 版架構、算法的 AlphaGo Master。

AlphaGo 主要負責人 David Silver 曾在一次專訪中，談到了 AlphaGo 出現過的局限性與解決辦法，他表示：

“在與李世石比賽時候，我們意識到 AlphaGo 偶爾會產生「幻覺」，系統地誤判盤面情況，并持續數手，我們嘗試了很多想法來解決這個弱點，最終我們用的方法是更多依賴強化學習的力量，并讓它自己找到更好的解決方案?！?/p>

更易理解來看，AlphaGo 起初通過人類對局數據從 0 開始學習圍棋，此后又通過不斷高強度的自我對弈，讓 AlphaGo 與 AlphaGo 催生出更強大的 AlphaZero，最終超越人類棋手。

一年后柯潔對陣以 AlphaZero 架構打造的 AlphaGo Master 落敗

而自動駕駛中的「端到端」模型與世界模型，正好對應了 AlphaGo 與 AlphaGo Zero 的能力發展過程。

在世界模型的支持下，輔助駕駛模型也將從「類人」，朝著「超人」最終演進。

截至今年 4 月，華為乾崑已經在世界引擎內進行了多達 6 億公里的高速 L3 仿真驗證。

WA：原生、全模態感知

WEWA 架構的另一個關鍵部分，是「WA」世界行為模型。

當前行業的智能輔助駕駛，多是基于業界開源的通用大模型進行二次訓練而來，在車端運行時往往存在時延大、資源要求高的難題。

而華為乾崑的「WA」車端世界行為模型，是智駕原生基模型，包含「聽覺」、「視覺」、「觸覺」的多傳感器全模態感知能力，這些信息在經過 token 化后生成智駕原生基模型。

同時，基模型引入 MoE 多專家能力架構，能夠針對不同場景調用不同能力，最后輸出兩類信息：

1）給車用的軌跡生成，從模仿人類到超越人類

2）給人看的場景意圖，給人更安心的駕駛體驗

更生動的說法是，WA 世界行為模型相當于車端的「多能專家」，這個從零開始訓練的智駕專用大模型，空間推理能力更強，距離位置判斷也更精確，即便模型參數精煉，相應效率也極快。

得益于「聽覺」、「視覺」、「觸覺」等多模態感知能力，WA 世界行為模型可以做到車內外動靜全掌握，并且還術業有專攻。

在遇到復雜路口、高速避險等不同路況時，世界行為模型會自動調用最拿手的「專家」應對，既能精準下達控車指令，又能提前多看幾步預判別人的預判，實現更好的人機共駕體驗。

這是華為乾崑堅定走「多模態感知」路線的重要原因，李文廣曾如此談到了純視覺與多模態感知的路線之爭，他說：

“回歸到我們（華為乾崑）做自動駕駛的理念，安全和時間。對于現在的 L2 要求來說，如果真要滿足這些要求、標準，純視覺也是 ok 的，但要從安全各方面來講，我們覺得很多場景安全需要去兜底。

有些兜不住的原因，一個是嫌激光雷達貴，另一個是采用的激光雷達線程不夠，我們也對線程低的激光雷達分析過，如果去做主動安全識別小物體，會因為角分辨率有限，稍微遠一些，就會看不到小東西，這不符合我們的理念?！?/p>

截至目前，乾崑智駕累計避免可能的碰撞次數超過 25420 萬次，而隨著WEWA 架構上車，華為乾崑在 ADS 4 上首發全維防碰撞系統 CAS 4.0：

全時速安全：生效范圍 1-150km/h，前向 AEB 最高剎停速度、eAES 最大避撞速度分別可達 130km/h、135km/h

全方向安全：在前、側、后向基礎上，新增負向、懸空防放碰撞

全目標安全：新系增小目標障礙物識別

全天候安全：新增霧塵天、雪天以及附著力不同路面識別

全場景安全：新增爆胎穩定控制輔助、駕駛員失能輔助

華為乾崑表示，相比上一代 ADS 架構，WEWA 架構的端到端時延降低了 50%，反應更快，變道更絲滑，無效變道次數減少，通行效率提升 20%，預見式開車能夠降低重剎率 30%。

這套 WEWA 架構，讓自動駕駛從「人類學車」進化到了「AI 學車」，這不是人類能力的簡單復制，而是具有人類安全價值觀并且超越人類的 AI 司機。

華為乾崑 ADS 4 的推出，是面向未來 L3 及更高階輔助智能駕駛而生，也是真正代際級別的能力躍遷，屬于智能輔助駕駛的「AlphaGo Zero」時代悄然已至。