口智能驾驶从基于规则驱动的“rule-base”方案，过渡到数据驱动的“端到端”方案。两套方案中均包含感知和规划两部分，感知信息由程序一端进入，先由感知部分处理并输出到规划部分，最后由另一端输出如预测轨迹等结果。两套方案的感知部分均已神经网络化，区别在于规划部分。
√rule-base:规划部分存在大量人工规则。路试出现的新问题，需要工程师继续添加或调整规则以规避，算法的快速迭代导致团队的臃肿，难以实现高效自动化的程序迭代。
√端到端：规划部分同感知部分一样神经网络化，符合Scaling Law,即更多的计算量+更多的训练数据+更大的算法规模=更棒的算法性能。因此可以通过扩大算法参数规模，或用大量高质量驾驶数据迭代程序，让程序规划更加拟人。
口参考Scaling Law,理想如何迅速提高自身智驾能力?
大车队能够提供大量训练数据，从7月底的100万clips,迅速增加到12月中旬的800万，从平均接管里程评价算法性能，有近5倍的提升。
√数据基建，即自动化的模型评价体系，实现数据闭环。通过自研的世界模型，从多维度评估算法性能，也能够比较模型在不同城市场景下的能力，并给予训练数据调整建议，且模型评价实现完全自动化。
√训练算力是支撑算法快速迭代的基石。理想拥有国内车企中第一梯队的算力规模，保证理想高速的智驾算法更新频率。
集团资源倾斜：理想在2023年9月的战略会上得出结论，要大力发展智能化，通过加强投入，补足落后于头部车企的差距。理想迅速做出调整，将负责感知和系统的负责人已晋升为副总裁，并开始积极采购算力卡，大量招揽智驾人才，推进自研智驾芯片开发等。
本文来自知之小站
PDF报告已分享至知识星球，微信扫码加入立享3万+精选资料，年更新1万+精选报告
（星球内含更多专属精选报告.其它事宜可联系zzxz_88@163.com）
