括但不限于算力资源跨地域 汇聚、异构算力支持、资源隔离与调度、高可用性与容错性、性能监控与分析等。 （3）算法服务。提供行业级算法服务能力，包括但不限于基础算法库、算 法开发与优化工具、数据标注基础模型、智驾模型训练与测试环境、智能驾驶基 础模型、剪枝压缩部署工具等。 2 智能驾驶智算数据平台发展现状分析 2.1 国外现状分析 2.1.1 国外企业及项目建设情况 （1）智能驾驶开发商及汽车厂商 研发，并且开发了高度真实的仿真平台，兼具 WorldSim 和 LogSim 仿真能力。 Waymo 的主要优势之一在于可依托 Google 在全球的用户网络，通过用户的 机器人验证进行道路交通对象数据标注，帮助 Waymo 建立高质量数据集。此外， Waymo 还通过高保真模拟驾驶环境用于补充真实世界的数据。 Wayve 积极利用人工智能算法开展自动驾驶系统开发。2023-2024 年，Wayve （3）我国智能驾驶数据集开放程度不佳 目前，国外智能驾驶领域拥有丰富的数据集资源，例如 nuPlan、Argoverse 和 Waymo Open Dataset 等。这些数据集不仅涵盖了多样化的驾驶场景，还提供了高 质量的标注，广泛应用于感知、决策、规划等关键环节的算法开发。相比之下， 我国的数据共享机制尚未充分发展，目前公开的国内数据集少之又少，开放的数 据集数量和质量不足，这对智能驾驶算法开发造成一定限制。 （4）数据共享与开放机制不完善

AIGC赋能自动驾驶应用 传统的数据标注需要海量的人工，但人工标注在效率和成本方面已经难以满足模型训练对海量数据集 的需求。同时，数据复杂度也在不断提升，从2D走向3D，直到4D数据，除了视频，还包括点云数据 的标注。具体而言，人工标注的不足包括： 1. 成本高：自动驾驶技术需要大量的数据来进行训练和测试，这些数据量通常都非常巨大，需要耗费 大量的时间和人力来进行标注。 2.标注的复杂性高：自动驾驶技 识别和跟踪，这些标注需 要高精度、高效率、高可靠性和高一致性，难度越来越高。 3.不能确保标注的一致性和规范性：在自动驾驶领域，数据的标注需要遵循一定的规范和标准，以确 保数据的准确性和一致性。 基于云端的离线大模型的数据标注方法对以上问题迎刃而解。离线模型可以对大量数据进行预处理， 在批量处理中自动化标注大量数据，并且可以保证数据的标注质量和一致性，从而大大提高数据标注 的效率，降低 的效率，降低数据标注的人力成本和时间成本。云端的大模型不但可以对数据进行自动化标注，还可 以进行多模态数据挖掘，用自然语言来进行数据预处理，例如检索特定场景数据、挖掘长尾数据等。 4.1.3 基于AIGC的自动化数据标注 图4.1-1 4D数据标注需要自动化数据标注才能满足成本和效率的需求 汽车产业 AIGC 技术应用白皮书 38 PAGE 4.1 AIGC赋能自动驾驶应用 自动驾驶的核心挑战在

行平移、旋转和缩放就能够很容易地理解产品 几何特征和相应的尺寸、公差。MBD 数据集 还可以表示隐含的信息，进行剖切或特定的测 量。在三维模型加二维图纸的定义模式下，三 维模型上并没有检验要求的描述，有关产品检 验信息标注在二维图纸上。而应用 MBD 方法， 可大大简化检验过程，应用基于三维模型的检 验软件，直接读取三维模型上的尺寸和公差数 据，在编制检验程序时，使用者的输入达到最 小。利用便携式的坐标测量装置，可使检验深 数字模型的表达，美国机械工 程师协会从 1997 年 1 月起发起关于三维模型 标注标准的起草工作，以解决图纸与信息系 统传输之间的矛盾。此标准于 2003 年 7 月 被美国机械工程师协会接纳为新标准 （ASME Y14.41）。 随 后，Siemens、PTC、Dassault 等公司将该标准应用于各自的 CAD 系统中， 对三维标注进行了支持。作为该项技术的发起 者之一，波音公司在 787 项目中开始推广使 Manufacturing Information， PMI) 与三维设计信息共同定义到产品 的三维数模型中，摒弃二维图样，直 接使用三维标注模型作为制造依据， 开创了飞机数字化设计制造的崭新模 式；R&R 公司开始应用主模型驱动的 技术，以具有 PMI 三维标注的模型作 为单一数据源，贯穿产品研发的各个 环节；GE 航空发动机应用主模型驱动 技术，实现三维主模型与多种具体应 用或任务关联，极大地缩短了产品研

系统关型 系统名称 案统地 5 含段 直径 连接受巴 追延实 材质 规格坐 管段描述 反转立面 音血 面积 机械 · 流量 暴他流量 流量 雷民数 相对用度 流量状态 摩澳系数 度 摩池 庄蜂 尺寸标注 外径 型 T-HV BA XF Ps 主干 U P S 水 平 PS 地面线楷 综合布线主干 家 合 布 线 地 面 线 槽 广播 有线电视 室分 接头连接风管搭建方式 底对齐述接风管搭建方式 寸及标高生成洞口。 洞口标准族文件的创建 通过创建洞口标注族文件，可以在 Revit 中对二次结构洞口自动生成标注 其内容包括：所在机电系统名称、洞 口外形尺寸、洞口标高 ( 可按照系 统 需求自动标注底部标高或中心标高 ) 等。大大减少了以往需要在 CAD 图 纸 中手动标注的工作量，并且避免 了人 为失误导致的标注错误的发生， 极大 的提高了标注的准确性和统一性。 项目鸿染器 0B: 预丘洞楼型 检查 曾 换 标记 5 记 注屏 贵别 文字 化 符号 5 梁 擦 格 区 双 路 径 期 舫 网 曲 篮 径 纳 监 径 邵 长 高程点 高慢点 坐 标 尺寸标注 · 27 注料记号 图 12 慈 量 膜 区 物 中 弯 1854 是☆ Q 登云 ·X ③ · Autedesk Revit Z016-BR-B1 预 面 模

(Zero-shot) ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ⼤规模⽆标注 ⽂本数据 预训练语⾔模型“预训练 而增强车载小模型的远距离感知能力。 使用了百度文心 ERNIE 3.0 大模型 ，在智能客服知识库扩充、车载语音系统短答案生成、 汽车领域知识库构建三个任务上进行了微调与验证。 该大模型在 2300 万条吉利汽车专业领域无标注数据上进行模型预训练 ，并联合双方的 人 工智能专家和汽车行业专家一起研发。 应用于提升百度自动驾驶感知算法 产业研究 战略规划 技术咨询 28 加符合物理规律的多模态内容。 能力以及工具调用能力。 跨领域多任务。 该平台基于盘古大模型和 ModelArts AI 开发生产线 ， 提供了数据 生成、 自动标注、 模型训练、 云端仿真、 虚实结合仿真、 数据 闭 环等一系列能力。 该平台预集成了超过 25 万个场景库 ， 包括 500 多类功能场景和 200 多项测评指标体系 ，将传统纯实车测试

其核心是通用算法模 块。 该模块结合传统图像检测算法以及神经网络算 法,在不同细分领域进行调试和优化,从而提高在不同 场景下的部署落地效率和检测质量。 在边缘侧,产品 采集图像数据,进行缺陷标注,并将有缺陷的图像上传 云端;在云端,产品进行多行业算法模型训练,并实现 算力资源分配和缺陷在线判断,下发至客户产线侧的 算力一体机,对工业成像设备如工业相机采集到的图 像进行实时智能检测。 的缺陷类型,包括叉状 隐裂、线型隐裂、树枝状隐裂、断栅、破片、混档、黑斑、 黑片、黑边、线痕、虚焊、过焊等。 将每一种缺陷的单元图像,使用标签图像标注缺 陷类型和位置,包括前面提到的 12 类缺陷,标注信息 保存成 xml 文件,每种缺陷类型标注 200 组。 (2)Faster RCNN 模型 引入 Faster RCNN 检测模型。 如图 4 所示,该模 型的 架 构 主 pooling,RoI Pooling)、分类与压缩。 (3)二次缺陷检测 对预分类之后疑似异常的光伏板进行检测,进一 步明确其具体的缺陷类型,主要步骤如下。 步骤 1:对目标检测标注数据集进行训练集和测 试集划分,做归一化、缩放图像预处理,使图像符合网 络结构,并减小对计算资源的要求,再设置好输入图像 的宽高、类型等参数和初始权重文件,进行模型训练直 至收敛,或达到设定的预定义次数

优点在于并行度高 ，可一次性处理所有输入数据 ，使 ChatGPT 能对词语序列的概率分布进行建模 ，利用上下 文 信息预测后续词语出现的概率分布。 ChatGPT 成功关键之二：新模型 CNN 模型只能对标注过的物体 进 行相似度的比对 RNN 模型无法进行并行计算， 效 率严重受限。 Tf 模型可找到更泛华的相似规律， 或者说， 它的联想能力更强。 资料来源：《动手学深度学习》（李沐） 2020 大模型对自动驾驶成本的影响 l 车载感知硬件成本降低。 l 自动标注的效率提升， 带动成本大幅度下降。 l 大模型的开发成本。 l 厂商需要新增大量云端 算力。 毫末智行：单张图的标注 成本从 5 元下降到 0.5 元 ， 成本下降 90% 。 小鹏汽车： 2000 人年的 标注量 ，可在 16.7 天完 成， 效率提升 4.5 万倍。 大多数厂商选择多传感器融合路线，

所示。建立卫星产品 高保真孪生模型，以实际装拆数据驱动模型实时渲 染，真实呈现卫星装配状态、实装工艺参数，并实现 与总体设计要求的状态偏差分析与数据判读。采 用全景影像在线采集→图像拼接→热点标注→影 像与数据关联管理等方法，建立卫星研制全过程全 景影像状态基线，实现卫星实物状态及实施数据的 穿透式、真实化在线确认及后续质量状态追溯，实 现卫星研制状态的多层级、穿透式组织呈现。 2 挖掘、按需智能推送与工艺智能生成需求，提出基 于知识挖掘与智能推理的工艺快速设计方法，实现 基于文本挖掘的工艺知识提取标注、知识按需自动 推送、基于混合智能推理的工艺内容快速生成，如 图 12 所示。采用基于文本挖掘的工艺知识提取与 标注方法，对海量文本类工艺数据进行预处理，多 维度提取文本特征并标注工艺实例。基于系统自 动挖掘提取典型工艺实例、工艺决策规则并经人工 知 识 修 正 入 库 ，形 成

在数据增长过程中，数据闭环能力已成为决定技术演进 速度的核心要素。车端传感器持续采集多维环境信息， 云端则构建起数据存储、智能挖掘、自动标注、模型训 练与验证的完整技术链。值得注意的是，随着智能网联 车辆渗透率提升，行业数据总量呈指数级增长，但原始 数据中普遍存在场景重复、特征模糊、标注噪声等问题， 数据规模的爆发式增长并未直接转化为技术优势，未经 筛选的海量数据中有效信息占比往往较低，这使得数据 第一章 第一章 智能驾驶概念与发展辨析 07 价值的精准提炼成为关键突破口。这种“数据泡沫”现象 倒逼企业构建智能化筛选机制，可以实现质效平衡的自 动标注技术应运而生。总的来说，大规模且高质量的数 据集才是智能驾驶技术迭代演进的核心。 从环境感知、决策规划、指令执行到模型训练，数据深 度渗透智能驾驶全流程，在系统功能优化、性能提升中 发挥着不可替代的关键作用。对于智能网联汽车来说， 数据已 用稀疏算力口径进行宣传，但由于两种算力在定义、适 用场景及性能表现上存在较大差异，宣传口径的不一致 极易引发用户概念混淆，不利于用户准确评估产品的性 能。建议规范行业算力宣传口径，在宣传时显性标注稠 密算力或稀疏算力，避免对消费者造成误导。 2.1.2.2 标准接口 域控制器支持多种类传感器的接入，包括摄像头、毫米 波雷达、超声波雷达、激光雷达、组合定位等，提供丰富、 灵活可变的主流硬件接口。

对语言模型进行训练，然 后在进行具体任务时，再利用少量数据进行微调。例如，在金融文本情绪分析当中，可以首先利用大量网络文 本数据，训练模型对于语言的一般理解；再利用少量领域数据（如 1000 条标注后的金融新闻标题）对模型参 数进行微调（Fine-tune）。在经济金融研究中，可以利用事先训练好的 BERT 模型，在具体应用中进行微调， 实现对特定任务预测性能的改进。例如Siano (2025) 据包括一个 问题和多种回答，以及人类对这些回答的偏好顺序。通过将一个问题和多个回答输入奖赏模型，它可以返回这 些回答的优劣排序，给更优的答案更高的奖励。奖励模型的训练往往涉及到大量人工劳动，不少标注员来自 非洲欠发达国家4。最后，给定问题，让大语言模型输出答案，并更新参数以最大化答案在奖赏模型处的奖励。 后两步统称为人类反馈的强化学习（Reinforcement Learning with 1000-2000 条数据足以取得良好的效果。因此，对于需要通过 文本数据度量特定构念的研究者，不妨尝试微调大模型。具体来说，首先应定义好相关构念以及度量方式，通 过人工标注的方式构造一些数据集，然后对大模型进行微调，并在人工标注的验证数据集上进行验证。最后， 即可将其拓展到更大规模的文本上。 3.4 采样和推理 基于大模型学习到的语言概率分布，就可以从中采样出一个个随机序列。在中文语境中，大模型“推理”