4 月 11 日，InfoQ 獲悉，自動駕駛創企毫末智行發布了業內首個自動駕駛生成式大模型 DriveGPT，中文名“雪湖·海若”。

自動駕駛生成式大模型 DriveGPT 雪湖·海若

自動駕駛生成式大模型 DriveGPT 雪湖·海若，有望成為大模型技術落地自動駕駛新范式。

毫末智行 CEO 顧維灝介紹了雪湖·海若名字的來源：“‘海若’出自《莊子·秋水》，里面有兩個神話人物河伯和北海若。河伯請教北海若，何謂大小之分，北海若教導，不因天地而覺大，不因毫末而覺小。毫末雪湖·海若，寓意智慧包容、海納百川，為行業發展貢獻力量。”

毫末 DriveGPT 雪湖·海若通過引入駕駛數據建立 RLHF（人類反饋強化學習）技術，對自動駕駛認知決策模型進行持續優化。它的最終目標是實現端到端自動駕駛，現階段主要用于解決自動駕駛的認知決策問題，后續持續會將毫末多個大模型的能力整合到 DriveGPT。

目前，毫末 DriveGPT 雪湖·海若實現了模型架構與參數規模的升級，參數規模達到 1200 億，預訓練階段引入 4000 萬公里量產車駕駛數據，RLHF 階段引入 5 萬段人工精選的困難場景接管 Clips。

DriveGPT 雪湖·海若的底層模型采用 GPT（Generative Pre-trained Transformer）生成式預訓練大模型，與 ChatGPT 使用自然語言進行輸入與輸出不同，DriveGPT 輸入是感知融合后的文本序列，輸出是自動駕駛場景文本序列，即將自動駕駛場景 Token 化，形成“Drive Language”，最終完成自車的決策規控、障礙物預測以及決策邏輯鏈的輸出等任務。（DriveGPT 雪湖·海若）DriveGPT 雪湖·海若的實現過程是，首先在預訓練階段通過引入量產駕駛數據，訓練初始模型，再通過引入駕駛接管 Clips 數據完成反饋模型（Reward Model）的訓練，然后再通過強化學習的方式，使用反饋模型去不斷優化迭代初始模型，形成對自動駕駛認知決策模型的持續優化。同時，DriveGPT 雪湖·海若還會根據輸入端的提示語以及毫末 CSS 自動駕駛場景庫的決策樣本去訓練模型，讓模型學習推理關系，從而將完整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生成。

在應用方面，DriveGPT 雪湖·海若的首發車型是新摩卡 DHT-PHEV，即將量產上市。顧維灝提到，DriveGPT 雪湖·海若可以逐步應用到城市 NOH、捷徑推薦、智能陪練以及脫困場景中。有了 DriveGPT 雪湖·海若的加持，車輛行駛會更安全；動作更人性、更絲滑，并有合理的邏輯告訴駕駛者，車輛為何選擇這樣的決策動作。對于普通用戶來說，車輛越來越像老司機，用戶對智能產品的信任感會更強，理解到車輛的行為都是可預期、可理解的。

目前，毫末 DriveGPT 雪湖·海若已正式對外開放，開啟對限量首批客戶的合作，北京交通大學計算機與信息技術學院、高通、火山引擎、華為云、京東科技、四維圖新、魏牌新能源、英特爾等已經加入。毫末 DriveGPT 的對外開放及服務，將促進自動駕駛的從業者和研究機構快速構建基礎能力。

毫末 DriveGPT 雪湖·海若將率先探索四大應用能力，包括智能駕駛、駕駛場景識別、駕駛行為驗證、困難場景脫困。當前，毫末在使用數據過程中，逐步建立起一套基于 4D Clips 駕駛場景識別方案，具備極高性價比。在行業上，給出正確的標注結果，一張圖片需要約 5 元；如果使用 DriveGPT 雪湖·海若的場景識別服務，一張圖片的價格將下降到 0.5 元。單幀圖片整體標注成本僅相當于行業的 1/10。接下來，毫末會將圖像幀及 4D Clips 場景識別服務逐步向行業開放使用，這將大幅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。

大模型研發離不開龐大的算力支撐。

顧維灝介紹，毫末在 2023 年 1 月發布的中國自動駕駛行業最大的智算中心 MANA OASIS（雪湖· 綠洲）此次從算力優化等層面升級了三大能力，進一步支持 DriveGPT 雪湖·海若的算力。首先，毫末與火山引擎全新搭建了“全套大模型訓練保障框架”，實現了異常任務分鐘級捕獲和恢復能力，可以保證千卡任務連續訓練數個月沒有任何非正常中斷, 有效保證了大模型訓練穩定性；其次，毫末研發出以真實數據回傳為核心的增量學習技術，并將其推廣到了大模型訓練，構建了一個大模型持續學習系統，自主研發任務級彈性伸縮調度器，分鐘級調度資源，集群計算資源利用率達到 95%；最后，MANA OASIS 通過提升數據吞吐量來降本增效，滿足 Transformer 大模型訓練效率，通過引入火山引擎提供的 Lego 算子庫實現算子融合，端到端吞吐提升 84%。

毫末打造的自動駕駛數據智能體系 MANA，在經過一年多的應用迭代后，也迎來了全面的升級，正式開放賦能。顧維灝介紹，MANA 計算基礎服務針對大模型訓練在參數規模、穩定性和效率方面做了專項優化，并集成到 OASIS 中；其次，MANA 感知和認知相關大模型能力統一整合到 DriveGPT 雪湖·海若中；第三，增加了使用 NeRF 技術的數據合成服務，降低 Corner Case 數據的獲取成本；同時針對多種芯片和多種車型的快速交付難題優化了異構部署工具和車型適配工具。

審核編輯 ：李倩