毫末智行CEO顾维灏：数据智能体系MANA再升级，让城市NOH表现越来越好

　　近日，中国首个数据智能体系MANA的再次进化，毫末智行CEO顾维灏以当下大热的城市导航辅助驾驶场景为背景，对外介绍了毫末数据智能体系MANA迎来的多项重磅功能升级。

　　对于城市导航辅助驾驶场景，顾维灏首先表示，这是当前自动驾驶功能的核心突破点，也是行业现阶段的兵家必争之地。然而从道路与交通状况单一的高速场景进入交通参与者众多、道路与交通状况极其复杂的城市场景，自动驾驶系统面临的技术难度可以说是倍数级增长。巨大的挑战也拖住了众多自动驾驶厂商“进城”的步伐，只能持续鏖战技术突破点。

　　在顾维灏看来，当前国内城市道路主要存在4类场景难题，分别为城市道路养护频繁、大型车辆密集、变道空间狭窄、城市环境多样。而如果要解决这4类难题，在技术层面又面临6大挑战：如何在自动驾驶领域应用大模型、如何让数据发挥更大的价值、如何使用重感知技术解决现实空间理解问题、如何使用人类世界的交互接口、如何让仿真更真、如何让自动驾驶系统运动起来更像人。

　　顾维灏表示，针对这6大挑战，毫末智行为数据智能体系MANA带来了6项里程碑式的升级迭代，用以分别击破。首先面对“如何在自动驾驶领域应用大模型”挑战，顾维灏表示，MANA通过使用大规模量产车无标注数据的自监督学习方法打造模型效果，相比只用少量标注样本训练，训练效果提升3倍以上，这让毫末数据优势得以高效转化为模型效果，以更好适应自动驾驶各种感知任务需求。

　　面对“如何让数据发挥更大的价值”挑战，顾维灏表示，面对巨大数据规模下的“数据效率”难题，MANA构建了增量式学习训练平台，抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致，对新数据的拟合尽量好。相比常规做法，整体算力节省80%，响应速度提升6倍。

　　面对“如何使用重感知技术解决现实空间理解问题”挑战，顾维灏表示，通过使用时序的transformer模型在BEV空间上做了虚拟实时建图，使得感知车道线的输出更加准确和稳定，让城市导航自动驾驶告别高精地图依赖。

　　面对“如何使用人类世界的交互接口”挑战，顾维灏表示，MANA通过升级车上感知系统，对刹车灯、转向灯状态进行专门识别，让驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。

　　面对“如何让仿真更真”挑战，顾维灏表示，通过与浙江德清、阿里云合作，将路口这一城市最复杂场景引入仿真引擎，MANA构建了自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，有效破解了城市路口通过“老大难”问题。

　　面对“如何让自动驾驶系统运动起来更像人”挑战，顾维灏表示，通过对覆盖全国的海量人类驾驶进行深度理解，学习常识和动作拟人化，使得毫末辅助驾驶决策更像人类实际驾驶行为，可结合实际情况选择最优路线保证安全，体感更像老司机。

　　通过对数据智能体系MANA进行里程碑式升级，毫末自动驾驶技术在泛化性、鲁棒性再次提升的同时，也对算力提出了更高的要求。而对此，顾维灏则在现场正式官宣了属于中国自动驾驶公司的首个超算中心。“如何提升训练效率降低训练成本，实现低碳计算，是自动驾驶走进千家万户的一个关键门槛”，顾维灏表示，毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。

　　基于“数据驱动自动驾驶迭代”这一底层逻辑，数据智能体系MANA已成为毫末智行所有产品进化的核心动力，而在其推动下，毫末城市NOH在竞争日益激烈的城市辅助导航驾驶领域，也表现得越来越具有领先性与竞争力。在未来，毫末智行也将继续以零事故、零拥堵、自由出行和高效物流为目标，助力合作伙伴重塑和全面升级整个社会的出行及物流方式。