毫米之星董事長張凱表示:“2023年，智能駕駛產品進入全線爆發期，大車型在車端推出。車主的使用頻率和滿意度成為產品競爭力的重要衡量標準。”
顧介紹，DriveGPT通過引入駕駛數據建立RLHF(人類反饋強化學習)技術，不斷優化自動駕駛的認知決策模型。現階段主要用於解決自動駕駛的認知決策問題，最終目標是實現端到端的自動駕駛。
目前，Millicent DriveGPT雪湖？海若升級了模型架構和參數規模，參數規模達到6543.8+020億。預訓練階段引入量產車4000萬公裏行駛數據，RLHF階段引入5萬個人工選擇的高難度場景接管剪輯。
DriveGPT雪湖？海若的底層模型采用了GPT(Generative Pre-trained Transformer)的生成式預訓練模型，不同於ChatGPT使用自然語言進行輸入輸出。DriveGPT的輸入是感知融合後的文本序列，輸出是自動駕駛場景文本序列，即將自動駕駛場景符號化，形成“駕駛語言”，最終完成車輛的決策與控制、障礙物預測、決策邏輯鏈輸出等任務。
顧進壹步解釋道，雪湖？海若有三種能力:
1.DriveGPT雪湖？海若可以根據概率生成很多場景序列，每個場景都是全局場景，每個場景序列都是未來可能發生的實際情況；
2.在所有場景序列都生成的情況下，DriveGPT雪湖？海若可以量化場景中最受關註的自駕行為的軌跡，即在生成場景的同時，生成自駕者未來的軌跡信息；
3.有了車輛未來的軌跡信息，希望這個軌跡能夠得到解釋，而GPT模型最擅長的領域就是對話和推理。DriveGPT雪湖？海若也很好地繼承了這壹特點。在生成場景序列和軌跡的同時，他還會輸出整個決策邏輯鏈。
顧介紹，中國自動駕駛行業最大的智能計算中心MANA OASIS(雪湖)於2023年6月5438+10月發布。Oasis)此次從計算能力優化方面升級了三大能力，進壹步支持DriveGPT雪湖？海若的計算能力。
首先，米莉和火山引擎新建立了“全套大型模型訓練支撐框架”，實現了異常任務的分鐘級捕捉和恢復能力，可以保證千卡任務連續訓練數月，無任何異常中斷，有效保證大型模型訓練的穩定性；
其次，開發了以真實數據反饋為核心的增量學習技術，並擴展到大規模模型訓練中，構建了大規模模型連續學習系統。自主研發任務級靈活調度器，分分鐘調度資源，集群計算資源利用率達到95%。
最後，MANA OASIS可以通過提高數據吞吐量來降本增效，滿足變形金剛大模型的訓練效率。通過引入火山引擎提供的Lego算子庫，實現算子融合，端到端吞吐量提升84%。
說到DriveGPT雪湖？在實現海若的過程中，顧表示，首先在預訓練階段引入量產駕駛數據對初始模型進行訓練，然後引入駕駛接管片段數據對反饋模型進行訓練。然後利用反饋模型通過強化學習對叠代初始模型進行不斷優化，形成自動駕駛認知決策模型的不斷優化。
DriveGPT雪湖？的壹個關鍵設計是場景的符號化表達，顧稱之為驅動語言。
同時，DriveGPT雪湖？海若還會根據Drive語言輸入端的提示和CSS自動駕駛場景庫中的決策樣本對模型進行訓練，讓模型學習推理關系，從而將完整的駕駛策略拆分為自動駕駛場景的動態識別過程，完成可理解、可解釋的推理邏輯鏈的生成。
除此之外，顧還提到了雪湖？海若可以逐步應用於城市NOH、快捷推薦、智能陪練和脫困。用DriveGPT雪湖？有了海若的加持，車輛駕駛起來會更安全；動作更加人性化，絲滑，有合理的邏輯告訴駕駛員為什麽車輛選擇這樣的決策動作。對於普通用戶來說，車輛越來越像老司機，用戶會對智能產品有更強的信任感，明白車輛的行為是可以預測和理解的。
目前，米莉在使用數據的過程中，已經逐漸建立了壹套基於4Clips的駕駛場景識別方案，性價比非常高。在業內，要給出正確的標註結果，壹張圖需要5元左右；如果用DriveGPT雪湖？海若的場景識別服務，壹張圖片的價格將降至0.5元。單幀圖像的整體標註成本僅相當於行業的1/10。接下來，毫米將逐步向行業開放圖像幀和4D剪輯場景識別服務，這將大大降低行業使用數據的成本，提高數據質量，從而加速自動駕駛技術的快速發展。
目前，Millicent DriveGPT雪湖？海若已正式對外開放，並開始與有限的第壹批客戶合作。北交大計算機與信息技術學院、高通、火山引擎、華為雲、JD.COM科技、四維圖新、威派新能源、英特爾等紛紛加盟。Millicent DriveGPT雪湖？海若模型的結果將首先登陸配備毫米HPilot3.0的新摩卡DHT-PHEV
顧對說，米莉森開車去過雪湖嗎？海若將攜手生態夥伴，探索智能駕駛、駕駛場景識別、駕駛行為驗證、擺脫困難場景等四大應用能力。
本文來自車易號作者TechWeb，版權歸作者所有。任何形式的轉載請聯系作者。內容僅代表作者觀點，與車改無關。