文章核心观点 - 中国工程院院士邬贺铨指出，单车智能存在局限性，车路云协同是智能交通发展的关键方向，其核心在于数据处理与算力，但目前面临海量数据需求和巨大算力挑战，算力压缩是未来重点[1][2][3][5] - 为推进车路云一体化发展，需要在数据处理、智能体应用、网络建设（特别是V2X网络）等方面进行系统性升级与协同建设，并建议组建全国统一的V2X运营商以实现规模化、标准化部署[6][7] 单车智能的局限性与车路云协同的优势 - 单车智能在复杂路口、恶劣天气、交通标志不清等情况下难以发挥作用，且存在雷达距离有限、视觉盲区以及激光雷达成本较高等问题[1] - 车路云协同能够实现全天候运行，简化对车载传感器和雷达的要求，实现全局性感知，并将周边车辆和道路状况反馈至汽车，同时有利于城市交管部门全局掌控[1] 智能交通面临的数据挑战 - 训练L5级别自动驾驶模型需要170亿公里的数据，其中真实路侧数据至少需1亿公里[2] - 以100辆车7×24小时不间断行驶计算，采集1亿公里路侧数据需要3.7年[2] - 每辆车每秒由雷达、传感器产生的数据量约为1GB，经压缩后，一辆车行驶产生的数据传输量约为12GB[2] - 对于智能交通，每辆车至少需保留1GB数据，以图像数据为例，约为1亿token时延[2] - 在L4级别下，数据量可减少至20%—30%，L3级别可减少至10%—20%，但L3级别数据量仍高达1亿EB，成本高昂且难以获取极端长尾场景数据[2] - 目前大部分交通数据中，仅有1%来自真实道路，90%来自封闭道路，90%为仿真数据[2] - 为解决数据不足，可借助AI技术通过改变光照、视觉、材质，添加人为噪声、障碍等方式变换场景生成更多数据[2] - 交通数据标注成本较高，需开发基于AI的标注方法替代人工，但完全依赖AI生成数据存在弊端，原始数据至少应保留10%—20%[3] 智能交通面临的算力挑战 - 当前世界现有的算力水平难以满足智能交通的需求[1] - 智能驾驶对算力的需求与模型参数、训练数据成正比，与训练时长、GPU利用率成反比[3] - 训练时长过长会导致GPU出错影响效率，无法单纯依靠拉长训练时长来降低算力要求[3] - 每个城市建设的车联网城市云平台所需算力因智能驾驶程度及所支持的车辆数量而异[3] - 车端算力需求随自动驾驶级别提升而剧增：L2、L3、L4、L5级别车载算力最低要求分别为4—10Tops及更高，L5级别需达到1000Tops（每秒一千万亿次计算），目前尚无车辆能够支持如此高的算力[3] - 车端应用还需具备通信能力（支持车到车、车到路及车到网络通信）以及定位功能[4] 算力压缩的技术方向与解决方案 - 未来在自动驾驶领域应更加关注算力的压缩[1][5] - 可以借鉴DeepSeek等生成式AI的技术思路，如通过注意力机制简化计算过程，着重考虑主语与其他词、相连词以及主谓之间的关系以减少计算量[5] - 采用多头注意力多维度核算，多维度并行时先压缩再存储以提升计算效率[5] - 利用知识蒸馏技术，如同老师提取书籍精华，学生无须复杂训练，从而显著简化计算能力[5][6] - 仅有大模型不足以实现落地应用，需将其部署上云，方便用户使用并添加自身数据进行微调[6] - 智能体在智能驾驶中发挥重要作用，可将各类智能驾驶场景分解为多个具备记忆、任务分解、规划和使用工具能力的智能体，以推动大模型在特定场景中的应用[6] 网络建设与升级需求 - 已部署的5G高可靠、低时延网络需电信运营商进行改造升级以适配车联网[6] - 需建设运营商之间本地网的直连点，以解决以往互联存在的时延问题[6] - 传统5G网络无法为车联网提供充足的确定性和低时延保障，需在城市重要路口将5G网络升级至5G-A，确保确定性时延[6] - 除5G网络升级外，还需建设涵盖边缘计算、车联网城市云以及RSU等的路侧网络，需各方协同建设，可利用运营商已有的局域网、城域网和广域网能力[7] - 目前国家有20个城市试点V2X网络建设，但各城市单独建设存在标准不统一、碎片化、缺乏规模化以及成本高等问题[7] 关于V2X网络建设的建议与效益 - 建议组建全国性的统一V2X运营商，由电信运营商、汽车企业、金融机构、交通企业、市政公司等共同构成，负责全国车联网投资建设，实现统一标准、规模部署和集中运营[7] - 经测算，分两期建设V2X网络，总投资约4000亿元（不包含运营商对现有5G网络的改造投资）[7] - 完成投资后，可实现2G以上公路（约56万公里）全覆盖，完成主要城市路口改造，支持L3级智能驾驶能力，使城市通行效率提升30%，降低交通事故发生率80%[7]