城市领航辅助驾驶，已经是“现货”了。
北京顺义闹市区，11公里自动驾驶全程无接管：
明年上线交付，技术来自毫末智行，一家成立2年的自动驾驶公司。
这2年间，毫末以惊人的速度完成了产品量产上车，积累了400万公里真实路测里程，还刚刚融到近10亿元，晋身独角兽。
进展之快业内罕有，但是从何而来？
毫末智行AI DAY也许可以一探究竟。
NOH，是毫末智行的智能驾驶领航产品。
与乘用车上常见的辅助驾驶不同，NOH不再局限于简单的巡航、跟车、车道偏离预警这些功能，而是真正意义上给驾驶员减负。
自主规划线路、自主选择行驶策略、自主避让障碍、自主变换车道…
你更熟悉的，可能是覆盖高速路段的智能领航产品，因为高速场景边界条件更清晰简单，实现起来更容易。
毫末有勇气挑战城市路端，表现到底怎么样呢？
首先是红绿灯识别，确认可通行后进行无保护左转：
根据导航路线，下个路口即将右转时，NOH会互动提前主动变道：
主动避让违规横穿马路的行人：
还会主动避让加塞的车辆：
接下来是一连串高难度自主进出环岛动作，期间还完成了避让两轮电动车：
待转区也能准确识别并正确驶入驶出：
还有两个很有意思的细节，其中之一是车辆减速通过没有隔离带的路段：
这说明NOH对环境识别精准度很高。
另一个是车辆减速通过没有红绿灯的路口：
这样的策略表明毫末的NOH不是一味保守死板，在保证安全的条件下依然会兼顾通行效率。
在行业大部分玩家还在激烈争夺高速领航辅助驾驶落地时，毫末智行已经将NOH能力扩展到城市道路。
对于这样的效率，毫末智行解释说是因为他们给自动驾驶烙上了思想钢印。
在这个思想钢印的信念之下，诞生了国内首个自动驾驶数据智能体系MANA。
毫末智行数据智能技术体系MANA，中文名叫雪湖。
命名来自《三体》，面壁者罗辑掉入冰封的湖面，从此参透黑暗森林法则，找到了打破三体威胁的规律，开启威慑纪元。
毫末以此命名，含义有从MANA开始，彻底领悟掌握自动驾驶的核心能力之意。
而这就是数据驱动。
特斯拉身先士卒，证明了巨量数据、超大算力、快速迭代的闭环能力对自动驾驶的重要性。
“数据驱动”这个概念，其实像黑暗森林法则，初闻之时感觉字字在理，却平平无奇，难以领会深意。
数据闭环的模型其实在各个自动驾驶公司都大同小异，核心无非就是“数据收集-训练-部署-再收集”的循环。
但实操起来却不是那么简单。
巨量数据涌进系统后，怎么处理？如何分类打标？怎么加快训练速度？验证测试是不是要在各种气候路况下重新跑一遍？
这些问题，成立刚满两年的毫末智行，悟了。
能让数据驱动真正形成闭环的条件不复杂，毫末把它们变成思想钢印，刻在自动驾驶研发之中。
思想钢印命题只有一个，那就是：
研发、量产、落地，坚定低成本、高速度。
首先是低成本，包括数据收集、处理、AI模型训练、系统测试等环节。
其次是高速度，一一对应上面的各个环节。
其中，成本既有数据的传输、存储等人力财力成本，也有AI训练、测试时的时间成本。
不用说，成本越低当然数据获取就越多，模型迭代越快。
而高速度，则能保证巨量数据拿到手后紧紧有条按部就班，快速把数据优势转化成产品端的技术进步。
参透这两点，数据驱动才能爆发出巨大能量。
毫末智行建设的MANA数据智能体系，一切都是为这两个原则服务。
MANA包括了上面的所有思考点，由四个子系统组成：
BASE包括了数据的获取，传输，存储，计算，以及新的数据分析和数据服务。
TARS是核心算法原型，用于感知、认知、车端建图、和验证的实践。
LUCAS则是对算法在应用场景上的实践，包括高性能计算、诊断、验证、转化等核心能力。
VENUS是数据可视化化系统，包括软件和算法的执行情况，对场景的还原，以及数据洞察等能力。
MANA不是一个软件，而是一个技术体系，其中包含众多子模块，它们一同构成了毫末智行的数据驱动能力，也是解释毫末业务飞速进展的关键。
从数据本身的视角，可能更好理解。
首先，数据要被感知到。毫末智行自动驾驶方案目前核心的感知设备，是摄像头和激光雷达。
采集到的数据，首先通过一个ResNet网络计算基础数据，然后生成两个分支，一个是计算目标特征的FPN网络，可以分别计算车道线、路基、车辆、信号灯等等目标信息。
另一个分支则用于free space（可行驶区域）生成和场景识别。
对于激光雷达点云图，则用pointpillar算法，首先把点云数据降维进行伪二维化，之后再用一般图像的方法进行计算。
两种数据源，采取过程融合，加入时序的特征，实现感知能力快速提高，能够更准确的刻画现实世界。
第二步，数据除了被感知，还要被系统认知，就是解决从客观世界到驾驶动作的映射。
首先是表达特定场景下驾驶行为，可以从宏观上归纳出几个影响因素：天气、道路结构、交通参与者、交通流密度、彼此方位、主车路线、碰撞风险和碰撞时距。
然后从已有的数据中挖掘和表达这些属性，然后在进行聚类和分类，以找到更加舒适和高效的解决方案。
接着通过端到端模拟学习，以之前例子作为指导，得到具体的本车动作。
模拟学习，需要更大的数据样本，特别是标注好的数据，然后从数据中学习得到规律。
所以，问题关键就聚焦到到快速标注上。
Tesla积累20亿公里数据，累计标注了60亿个物体，包括精准的3D信息、深度、速度。
同样的数据量按相同标准进行人工标注，所付出的时间和资金，没有哪个自动驾驶公司能承担。
所以毫末研发了一个高效标注系统，应用无监督自动标注算法，性能比市场上很多产品强1倍。
目前，毫末大部分数据处理是通过自动标注完成的。
进行到这一步，数据已经可以喂给算法进行训练，那么训练好的模型，如何验证效果？
尤其是在短时间对多个功能进行不同升级后，如果把所有版本依次拿到实车上跑一遍，然后再开发下一个版本…自动驾驶可能就永无实现之日了。
所以要把把验证工作放在仿真系统中进行。
毫末智行将每一次路侧都还原为仿真中的“元宇宙”，同一场景下不同光照、不同天气，不同曝光条件都可在系统中调整，由此来模拟算法在不同工况下的表现。
至此，一组数据就完成了他们从被采集处理、成为训练素材、变成系统能力提升的全部使命。
MANA对于毫末智行的重要性，看到这里各位应该已经有了概念。
如果把数据比作燃料，那MANA就是能使燃料爆发出能量、推动整个系统运转的引擎。
而且，这部“引擎”不仅快，还经济实惠。
MANA要把毫末智行带向何方？
当然是速度更快的自动驾驶能力提升，和规模更大的量产落地。
了解了MANA系统的来龙去脉，个中内涵…
也就能理解MANA之于毫末智行的承前启后意义，解释了毫末速度的真实原因，而且还是这家自动驾驶新晋独角兽今后战略规划的前提。
比如AI DAY上，毫末分享了对未来数据发展的判断。
未来几年，在智能汽车的推动下，人类存储的数据将发生结构性的改变。
影像数据会越来越多，而由于数据类型的转变，对计算的要求也将发生改变。
深度学习的计算能力会更日益重要，对算力要求也会快速增长。
所以，除了推出单板算力360T的自研算力平台，毫末也宣布筹建自己的超算中心
等等，大模型、大数据、规模量产、自研算力平台、自建超算中心…
熟悉吗？
打通数据闭环的毫末，似乎走上了和特斯拉类似的路线。
核心原因还是在数据。
毫末智行CEO顾维灏，对于数据挖掘利用的“段位”，有独特的解读。
他认为，特斯拉的领先，归根结底是建立在十亿公里级的里程数据上。
一个自动驾驶公司建立一套数据闭环并不难，真正有含金量的是能在多大规模的数据上跑通数据闭环。
这既代表一家公司的当下的业务进展、技术能力，也预示了未来算法迭代的“加速度”。
而数据驱动，毫末的优势恰好在于获取的成本和效率。
毫末智行出自长城汽车集团旗下，客观上具备了将自动驾驶大规模量产的先天优势。
长城汽车6个子品牌，数十款车型，正在智能化转型关键窗口，更重要的，是这些车型过百万的年销量。
事实也正是如此。
毫末智行AI DAY上，董事长张凯说，成立两年来，积累实际路测里程已达400万公里，产品已经搭载在长城坦克、WEY、哈弗等五款车型上。
3年内，毫末智能驾驶产品装机量会达到100万。
而在即将到来的2022年，这个数字会迅速扩大至34款车型，具体装机量，据毫末估计可以达到30-40万辆之间。
对于毫末智行来说，产品装机量能以每年数十万辆的规模增长，带来的数据增量更是大部分新势力或自动驾驶公司很难实现的。
而将智能驾驶套件以前装形式搭载在量产车上，毫末获取数据的成本，几乎就只有数据传输的通信成本。
实现低成本高效率的数据获取后，毫末的智能化发展路径、展现出的未来潜力，也越来越像业内的另一个关键玩家——
特斯拉。
瞄准量产乘用车，快速增加装机量、积累里程，在数据迭代中不断进化。
毫末也一样，在MANA拼图完整对外披露后，另一个议题也被问及——
如此规模的数据和模型训练，怎么搞？
顾维灏说，逢山开路遇水搭桥，最优解就是自建超算。
是的，如果你熟悉这个领域，或许还记得，特斯拉今年最核心的技术进展，来自自建超算。
这是巧合？顾维灏认为不完全是。
因为毫末智行在实践后，恰恰证明了数据驱动是自动驾驶技术和核心和基础，任何自动驾驶研发都将遵循这一原则。
现如今，几乎所有自动驾驶玩家都意识到数据驱动的重要性，无一例外都渴望打通自己的“任督二脉”。
但是这其中，真正理解了“量产-成本-效率”内涵的玩家，真正有能力实践这个规律的“面壁者”，实际并不多。
而毫末智行，通过种种进展和成果，解释了何以发展神速、备受看好的原因。
它有先天优势，还有后天的努力，并以“雪湖”为名实践的自动驾驶落地法则…
而在毫末智行之前，业内也没有过这样的速度：
最快的规模化数据闭环、最快的自动驾驶创业公司营收增幅、最快的量产自动驾驶方案上车交付，以及最快实现燃油车的智能驾驶，打破新势力们引以为豪的垄断。
所以如果之前，毫末智行的进展被以「毫末模式」视之，那现在更加值得注意的是「毫末速度」。
「毫末速度」代表了其实践成果，更体现了在愈加清晰的自动驾驶落地法则中，中国玩家基于中国路况给出的行业尺度。
