2023广州车展期间,智能驾驶计算方案提供商地平线宣布征程6系列芯片将于2024年4月正式发布。
尽管本次并非征程6的正式发布,地平线仍披露了产品的部分信息:征程6基于统一的BPU纳什计算架构而来,是业界首款能够覆盖从低到高全阶智能驾驶需求的系列车载智能计算方案。其中,征程6旗舰专为新一代城区高阶智驾而生,算力高达560 TOPS,对BEV、Transformer等先进模型的支持效率业界领先。

比起产品性能的升级,更值得注意的是,一场小范围的预热活动,竟有比亚迪、广汽集团、大众汽车集团旗下软件公司CARIAD、博世等汽车领域头部企业为之站台。
几家公司里,Tier-1巨头博世与地平线的合作是首次公开。

不知不觉间,地平线征程生态已集齐博世、采埃孚、大陆集团3大Tier-1巨头,此外还有TOP10级别的安波福。而在今年之前,根据地平线的公开信息,合作的只有大陆一家。
怎么忽然之间,国际Tier-1巨头们都相中了地平线?

第一,地平线的产品正在成为市场的主流选择。
2020年,地平线征程2芯片搭载于长安UNI-T量产上市,实现了中国车规级智能芯片前装量产零的突破。2022年,地平线征程5芯片搭载于理想L8量产上市,实现了中国百TOPS大算力车规级智能芯片前装量产零的突破。
从零的突破到成为市场主流,地平线的商业化进程不可谓不快。根据地平线提供的数据,地平线征程系列芯片累计出货量已达400万片,其中征程5出货量突破20万片。根据高工智能汽车研究院数据,2023年上半年NOA计算方案市场,地平线与英伟达市场占比超过八成,成为高等级自动驾驶芯片的两强选手,且地平线NOA车型搭载数量位居行业第一。在L2 ADAS一体机市场,地平线也与博世、Mobileye共同占据超八成市场份额,位居行业前三。

对于国际Tier-1而言,强强联合是水到渠成的选择。
第二,围绕征程芯片,地平线建立了国内最大的智驾软硬件生态。
地平线将智能汽车视作PC和手机之后的下一代计算平台,因此格外注重生态系统的建设。关于地平线在生态建设上的推进方向,大致可用3个词来概括。首先是“开放”,通过开放的商业合作模式,无论车企是通过Tier-1间接合作,还是车企自研智驾系统,乃至向车企开放芯片IP授权,地平线都能够支持,因此生态能够广泛连接产业链上下游伙伴。其次是“支持”,通过构建以“芯片+工具链”为核心的高效开放技术平台,打造国内最为完整成熟的智能驾驶开发环境,地平线为生态伙伴的开发工作提供了有力的支持。最后是“结网”,通过推动软件货架模式落地,使生态伙伴在地平线的平台上形成紧密的协作关系,让有独特长板的软件算法公司在生态内扎根。

相比于技术领先的短暂窗口期,产业链生态才是地平线真正意义上的护城河。以智能驾驶系统的复杂程度,一家Tier-1在各个模块都领先已难以实现,大包大揽的时代一去不复返。生态外玩家,难以凭借一己之力构建起成本更低、效率更高的上下游网络,更难以复刻生态内拼图式的创新涌现。因此,哪怕是Tier-1巨头,拥抱成熟生态也是成本效率的更优解。
第三,中国是全球车企智能化竞争的前沿,也是自动驾驶创新的策源地。
国际车企和Tier-1在中国市场,都需要本土化的创新研发。博世,有“根植本土,服务本土”的理念;采埃孚,“开发、创新、生产、投资,在中国,为中国”;大陆集团,有“扎根市场,服务市场”的中国本土化战略……
地平线近两年在中国智能汽车市场和产业链展现出的巨大优势,无疑会受到国际车企和Tier-1的高度关注,合作在某种意义上也成了必选项。
如今,日益走向主流的地平线,正快速摆脱创业公司的标签。尽管地平线成立时间不过8年,但在这个快速变化的市场,智能汽车行业“最大公约数”的图景,已相距不远。
好文章,需要你的鼓励
"影子AI"是指员工在未经公司批准的情况下使用AI工具办公。虽然ChatGPT等工具能提升效率,但将内部文件、客户数据或源代码输入未授权平台,可能导致企业数据失控。IBM报告显示,20%的企业存在未授权AI工具,63%尚无AI治理政策。专家建议,一味封禁效果有限,企业应明确哪些工具可用、哪些数据禁止上传,员工也应主动核查AI输出内容,避免将敏感信息粘贴至公共AI平台。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
Hirebotics联合Fanuc发布首款基于无代码Beacon平台的防爆协作喷涂机器人Cobot Painter。该方案适用于金属制造商,无需专用喷涂房或复杂编程,可在现有人工喷涂环境中数日内完成部署。操作人员通过平板或手机的"点击示教"功能即可引导机器人完成路径学习,实现液体涂料、粉末涂装等高精度重复作业,帮助制造商将涂装业务收回自主管理。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。