魔视智能CEO虞正华：L3是个伪命题

作者 / 曹锦

在首席智行官与魔视智能科技（以下简称「魔视」）创始人兼CEO虞正华对话时，他刚从慕尼黑车展归来。和许多中国初创科技公司的的感受一样，在与德系车企洽谈的过程中，他发现海外品牌电动化、智能化的步调已经趋于一致，而且也同样将AI视作必要能力。

这不仅令虞正华看到了更多空间与机遇，还再次确认了自己对发展路线的预判。

从通用AI看自动驾驶

在创立魔视之前，虞正华创业的方向是城市交通管理系统的AI应用。例如路侧的交通监管，电子警察等等。

「这与车载算法有很多接近的地方，因为它也是以AI为基础，并用摄像头、雷达等传感器，识别路上的各种目标。」在当时的公司借壳上市后，也就是2015年，正值AI技术展示出以深度学习为代表的重要进展。此时，虞正华结合他对交通层面的认知，创办了魔视智能。

「过去，我从交通管理的角度，看到了很多交通系统的问题，其中大多与人工介入的因素高度相关。所以自动驾驶技术的引入，我们认为可以极大地改变这种现状。」

在他看来，无论是技术路径，还是商业模式，当时的自动驾驶都还存在很多选择空间。在这种种可能性中，虞正华认为「渐进式」的商业闭环更易走通，也更容易在量产过程中积累数据。

但这不代表魔视完全放弃了L4级自动驾驶，因为除了对商业模式的考虑，虞正华还在持续观察AI技术的发展形势。

「从2012年到2023年，AI技术每过几年就会有个惊喜。从最早的深度学习到新型网络架构，从Transformer的引入,继而到今年年初的大模型……如今，我们从通用AI的脉络，也看到了L4技术的良好基础。」

虞正华表示，基于过去这几年的自动驾驶实践探索，以及通用AI的技术成果，自动驾驶技术路线已经趋于清晰。因此魔视也正在持续在相应路线上做深入研发，逐步向L4布局。

海量数据带来更多可能

「大模型不是随着GPT突然出现的东西，而是有所传承、持续演化的技术。」虞正华表示，以Transformer为基础的架构，已经证明了海量的数据确实能够「大力出奇迹」。

虞正华认为，如今，在自然语言的命题下，大模型已经取得显著成果。而当多模态大模型进一步融入视觉、声音等元素后，自动驾驶也多了许多可能性。

在过往经历中，虞正华在交通与人工智能相交叉的领域中，曾取得一些突破，他认为这也是有可能在自动驾驶界获得复制的。「虽然任务不一样，网络设计也有较大差别，但是原理上还是有很多共通的地方。」

他表示,在感知相关的功能上，工业界也都在引入类似Transformer的架构，因为各类大模型的基础网络架构，在原理上是一致的。

而在自动驾驶界，随着越来越多的智能车辆实现量产，产生的数据越来越多，也会形成更多的数据闭环。

「过去，我们只是做了感知算法这部分。但现在业界普遍认为，AI算法已成为自动驾驶算法的核心基础。现在，已经完全可以有一个模型来覆盖从感知到融合的所有部分，未来可能还会涵盖路径规划，也就是大家所说的端到端自动驾驶。」

完全的「端到端」并不现实

在今年上海车展上，魔视展出了「从感知到融合」的BEV架构。虞正华表示，魔视正在运用此类端到端能力，分布到现有的一些任务中。至于再进一步与规控的结合，目前在预研的状态。

「其实，端到端是AI技术的一个典型标志。自动驾驶系统从感知融合、定位，到规划、决策控制等，整个算法的链条是很长的。理想化的结果是将全链条实现端到端，而目前来看，还是只能让其中前半段实现端到端。」

虞正华表示，目前，其实在一定程度上，感知环节已经形成了端到端——即感知能够通过一个网络进行数据训练，然后得出结果。

而从感知到融合的端到端，是指将多个传感器通过一个BEV架构，直接输出融合之后的目标，并给予目标一些辅助信息。

「如果是涵盖规划的端到端，我认为也不会是直接得出控制决策，因为这难度很大。」虞正华表示，由于传感器采集的数据与车型的尺寸、高度相关，数据分布不同，因此端到端的开发过程会面临适应性问题，使得研发非常复杂。「从现实角度来看，完全的端到端未必合适。但可以实现让感知、认知与规划模块相结合，因为规划与车型其实关系不大。」

L3是个伪命题

虞正华认为，从量产乘用车的角度来说，L3应该是个伪命题，因为它还是意味着需要人类随时准备接管，但接管逻辑、预留时间是否充分都是现实问题。而如果L3的应用场景因此受限的话，那体验也不会太好。

而且更加关键的，还是L3的责任划分：由于其事故责任将由车企承担，所以车企也会特别谨慎。「即便L2的主要责任是由消费者承担的，车企都已经很谨慎了，更何况L3。」

虞正华认为，车企对于L3上车的顾虑很多，即便能有保险能应对经济责任，但事故对于舆论和品牌形象的影响显然是更大的。

因此，虽然魔视也在研发L3+的技术，但还是要按照L2+来量产应用。「这不是因为技术上无法实现，而是因为受到场景限制，另外当然还有法律法规的限制。」

虞正华表示，综合各种因素来看，乘用车的L3商业化应用实际是个伪命题，很可能会被跳过，因为L4的责任划分更加清晰，对驾驶员的要求也低很多。

为何要强调边缘计算？

在魔视智能科技的官网上，标出的定位是「嵌入式人工智能自动驾驶赋能者」。

对此，虞正华解释称，嵌入式AI，意味着其部署环境不是在数据中心或者云端，而是在边缘侧，也就是部署在嵌入式芯片中。

「其实自动驾驶，本质上都是边缘计算，但为什么我们还要强调边缘计算？因为它需要稳固的算法基础和积累，也需要与芯片公司形成相辅相成、深入合作的关系。」

虞正华介绍称，多数芯片都需要有算法公司对其进行部署，而同时后者也需要有相应的芯片来承载算法，二者需要密切配合。

他表示，如今做ADAS的算法公司貌似很多，但是能有全栈自研感知算法、又能经过量产检验的非常少；而边缘计算更是对感知算法能力有较高的要求：「芯片的算力，无论是8 TOPS还是200 TOPS，绝大部分都用在了感知算法上，所以原创的感知算法是一种核心能力的体现。」

同时，随着芯片的迭代，快速的部署能力对于算法公司来说也是考验之一，毕竟不同的芯片所支持的算子、提供的算力都不一样。

对于魔视来说，其解决方案是通过自研的算法框架——UniVisity，将不同芯片的算子、算力等差异封装屏蔽，从而更加快速地进行部署，提高适应性。

「高配车型与中低配的功能要求不一样，这导致传感器配置也不统一，所以灵活性和快速部署能力就是竞争的关键。」

「软硬一体」与「平台化」

与芯片密切相关的，还有「软硬一体」的研发形式。一直以来，魔视都交付的方式都是将算法植到嵌入式芯片，然后把芯片做成整机，以硬件形式交付给主机厂。

在这种形式下，能够直观让客户感到能力差异的，除了功能体验，就是成本控制。

「在实现同等功能的基础上，我们的芯片成本可比行业普遍水平降低40%。」虞正华举了个例子：魔视的APA（自动泊车）和RPA（遥控泊车）系统用的赛灵思Zu2芯片来实现的，这比友商使用的Zu3算力低了一半，但效果却不会打折。「要实现这种成本控制，就是需要结合硬件能力、算法原创能力，以及深度优化能力。」

目前，与魔视合作的主机厂约有20家，再加上每家都有不同的车型，对功能的需求也有较多差异，这令每次量产交付的过程都充满了挑战。

为了应对这种挑战，虞正华一再强调了「平台化」的重要性。「芯片的选择其实并不多，因此我们非常注重算法和软件的平台化，也就是以统一的核心算法与设计，应对不同车型和不同需求，适配各类功能开发。」

中算力产品仍是性价比「爆款」

在今年4月，魔视智能发布了新一代集成式行泊一体域控制器——Magic Pilot，该平台在单颗SOC芯片上即可实现行泊一体功能。

虞正华介绍称，行泊一体的特点，是用一颗芯片来实现行车和泊车两套系统的功能，并将所有传感器的信息在一个域控里统一处理，并生成决策。

「目前，中算力的芯片还是需要行和泊有一定的区分，也就是通过分时复用的方式来实现。算力更高的就是行和泊同时在跑，至少对传感器的处理是同时在进行的。」

魔视的单芯片行泊一体域控制器，可用中算力实现L2+行车主流功能，以及泊车的APA、RPA乃至HPA（记忆泊车辅助）；而至于AVP泊车，虞正华称，虽然该功能在技术上能够实现，但是其落地需要停车场管理等多个环节的配合，所以商业化还需要时间。

在虞正华看来，目前需求量最大的产品还是集中在中算力平台上。「主要还是因为性价比很高，成本对主机厂来说更有吸引力。」