第1186章 批評和進展
「陳總，我說一個我們團隊的例子。
上半年我們投入了很多資源去開發一個超高擬真度的極端場景模擬器，目標是復現一些現實中極難遇到的Corner Case（極端情況）。
想法是好的，但實際開發過程中發現，對算力需求極大，構建成本很高，而且生成的場景在多樣性上還是有限制。
反觀另一個小組，他們聚焦優化現有的仿真場景庫，引入了更多真實路采數據轉化的場景，雖然單個場景的擬真度沒那麼炫酷，但對模型訓練的效率和效果提升非常顯著。
回頭看，我們那個『高大上』的項目，投入產出比可能確實不如後者。」
陳默認真地聽著，追問了一句：
「那麼，現在那個超高擬真度項目狀態如何？後續計劃是什麼？」
負責人回答：
「我們已經暫停了進一步的大規模投入，轉向研究如何將其中部分技術，比如更精細的傳感器物理模擬，拆解應用到現有仿真平台中，提升整體保真度，而不是追求單個場景的極致。」
「嗯，及時調整方向，把資源用在刀刃上，這個決策是對的。」陳默肯定了這種反思和調整。
這時，首席算法專家顧南舟也舉了舉手，他雖然年輕，但在技術上有一種純粹的執著：
「陳總，我覺得在模型疊代上，我們有時候過於追求刷榜了。
（指在公開數據集上取得更高排名）
為了在某個榜單上提升零點幾個百分點，可能會耗費團隊幾周的時間去調參和集成。
但這些提升，很多時候在真實路測中感受並不明顯，甚至可能因為過擬合導致在未知場景下表現更差。
我覺得，我們的評價標準，應該更貼近實際用戶體驗和系統整體表現，而不是單純的榜單分數。」
「說得好！」陳奇驚立刻表示贊同。
「這就是典型的『過程』和『結果』錯位。
我們優化的是榜單分數這個『過程指標』，但真正的『結果』應該是路上開得更好、更安全。
我建議，以後模型疊代的評價，權重應該向大規模影子模式測試、閉環仿真測試和關鍵場景通過率傾斜，降低公開數據集刷榜的權重。」
李鵬飛也深有感觸：
「南舟和奇驚提到了一個關鍵點。
我們做研究出身的人，容易陷入對單項技術指標的極致追求。
但在工程化、產品化的過程中，必須要有系統思維和用戶視角。
一個單項99.9%優秀的模塊，如果與其他模塊協同不好，可能最終系統表現還不如一個各項都95分但協同順暢的方案。
我們的『結果』，最終要體現在整車智能駕駛系統的綜合體驗和安全性能上。」
討論再次深入。
大家結合具體項目，反思了是否存在為了追求技術先進性而偏離用戶真實需求的情況，是否存在為了滿足內部考核指標而做了「偽工作」的現象。
陳默引導大家聚焦「價值創造」，強調無論是技術突破、流程優化還是項目管理，最終都要落腳到對產品競爭力、用戶體驗和商業成功的貢獻上。
在這個過程中，他也巧妙地穿插問及了當前技術方向的進展，尤其是與即將到來的旗艦轎車啟界S5相關的部分。
確實沒辦法，他現在有集團層面的工作，還要分管IT和知止資本，最關鍵的是數位技術BU也剛剛站穩腳跟。
自己的精力被分得太散，很多匯報性的材料根本來不及看。
「說到結果導向，我們S5項目的智駕系統，目前進展到哪一步了？
特別是你們一直在攻堅的BEV+Transformer和Occupancy Network的融合感知方案，在真實路測中的表現如何？」
陳默看似隨意地問道，實則切中了當前最核心的技術進展。
蔣雨宏作為產品線總裁，宏觀把握最清晰，他接過話頭：
「陳總，S5的智駕系統，硬體平台您很清楚，是遠超M5的代際提升。
軟體和算法上，我們基於BEV的感知方案已經非常成熟，在M5的ADS 2.0上得到了充分驗證。
針對S5，我們重點在推進BEV+Transformer與Occupancy Network的深度融合。」
他頓了頓，組織了一下語言，繼續說道：
「簡單說，傳統BEV像是一張精準的2.5D地圖，能知道障礙物在哪裡、是什麼。
而Occupancy Network則更像是構建一個3D的『占據柵格』，它不關心物體具體是什麼分類，只關心這個空間位置有沒有被占據。
這對於處理未知障礙物、異形物體、或者被部分遮擋的目標非常有效。」
卞金麟補充了技術細節：
「目前融合模型在內部測試中表現搶眼。
特別是在城區複雜路口，對於突然闖入的自行車、三輪車、甚至小動物這些長尾場景，識別率和反應速度比純BEV方案有顯著提升。
而且Occupancy Network對於可通行空間的判斷也更準確，為後續的規控決策提供了更可靠的環境認知基礎。」
李鵬飛從算法層面印證：
「我們基於海量中國路況數據訓練的融合模型，對於『鬼探頭』、施工路障、臨時停靠的車輛等經典Corner Case，通過率已經超過了95%。
而且，這套框架的泛化能力很強，隨著我們數據閉環不斷注入新的邊緣案例，模型還在持續進化。」
陳奇驚則從工程落地角度匯報：
「架構上，我們已經完成了新模型在S5域控制器上的部署和優化，充分利用了新一代AI晶片的算力。
雖然模型更複雜，但通過算子融合、模型量化等技術，推理延遲控制在了預期範圍內，能夠滿足S5對高階智駕功能的實時性要求。」
顧南舟也難得地多說了幾句：
「我們在Occupancy的時序一致性上也做了很多優化，避免相鄰幀間占據區域的『閃爍』，這讓預測模塊能更穩定地推斷動態物體的運動趨勢。
另外，針對S5強調的『極致流暢』體驗，我們在決策規划算法中引入了更細粒度的人工勢場法，讓車輛在擁堵跟車、自動變道等場景下的動作更像『老司機』，減少頓挫感。」
上半年我們投入了很多資源去開發一個超高擬真度的極端場景模擬器，目標是復現一些現實中極難遇到的Corner Case（極端情況）。
想法是好的，但實際開發過程中發現，對算力需求極大，構建成本很高，而且生成的場景在多樣性上還是有限制。
反觀另一個小組，他們聚焦優化現有的仿真場景庫，引入了更多真實路采數據轉化的場景，雖然單個場景的擬真度沒那麼炫酷，但對模型訓練的效率和效果提升非常顯著。
回頭看，我們那個『高大上』的項目，投入產出比可能確實不如後者。」
陳默認真地聽著，追問了一句：
「那麼，現在那個超高擬真度項目狀態如何？後續計劃是什麼？」
負責人回答：
「我們已經暫停了進一步的大規模投入，轉向研究如何將其中部分技術，比如更精細的傳感器物理模擬，拆解應用到現有仿真平台中，提升整體保真度，而不是追求單個場景的極致。」
「嗯，及時調整方向，把資源用在刀刃上，這個決策是對的。」陳默肯定了這種反思和調整。
這時，首席算法專家顧南舟也舉了舉手，他雖然年輕，但在技術上有一種純粹的執著：
「陳總，我覺得在模型疊代上，我們有時候過於追求刷榜了。
（指在公開數據集上取得更高排名）
為了在某個榜單上提升零點幾個百分點，可能會耗費團隊幾周的時間去調參和集成。
但這些提升，很多時候在真實路測中感受並不明顯，甚至可能因為過擬合導致在未知場景下表現更差。
我覺得，我們的評價標準，應該更貼近實際用戶體驗和系統整體表現，而不是單純的榜單分數。」
「說得好！」陳奇驚立刻表示贊同。
「這就是典型的『過程』和『結果』錯位。
我們優化的是榜單分數這個『過程指標』，但真正的『結果』應該是路上開得更好、更安全。
我建議，以後模型疊代的評價，權重應該向大規模影子模式測試、閉環仿真測試和關鍵場景通過率傾斜，降低公開數據集刷榜的權重。」
李鵬飛也深有感觸：
「南舟和奇驚提到了一個關鍵點。
我們做研究出身的人，容易陷入對單項技術指標的極致追求。
但在工程化、產品化的過程中，必須要有系統思維和用戶視角。
一個單項99.9%優秀的模塊，如果與其他模塊協同不好，可能最終系統表現還不如一個各項都95分但協同順暢的方案。
我們的『結果』，最終要體現在整車智能駕駛系統的綜合體驗和安全性能上。」
討論再次深入。
大家結合具體項目，反思了是否存在為了追求技術先進性而偏離用戶真實需求的情況，是否存在為了滿足內部考核指標而做了「偽工作」的現象。
陳默引導大家聚焦「價值創造」，強調無論是技術突破、流程優化還是項目管理，最終都要落腳到對產品競爭力、用戶體驗和商業成功的貢獻上。
在這個過程中，他也巧妙地穿插問及了當前技術方向的進展，尤其是與即將到來的旗艦轎車啟界S5相關的部分。
確實沒辦法，他現在有集團層面的工作，還要分管IT和知止資本，最關鍵的是數位技術BU也剛剛站穩腳跟。
自己的精力被分得太散，很多匯報性的材料根本來不及看。
「說到結果導向，我們S5項目的智駕系統，目前進展到哪一步了？
特別是你們一直在攻堅的BEV+Transformer和Occupancy Network的融合感知方案，在真實路測中的表現如何？」
陳默看似隨意地問道，實則切中了當前最核心的技術進展。
蔣雨宏作為產品線總裁，宏觀把握最清晰，他接過話頭：
「陳總，S5的智駕系統，硬體平台您很清楚，是遠超M5的代際提升。
軟體和算法上，我們基於BEV的感知方案已經非常成熟，在M5的ADS 2.0上得到了充分驗證。
針對S5，我們重點在推進BEV+Transformer與Occupancy Network的深度融合。」
他頓了頓，組織了一下語言，繼續說道：
「簡單說，傳統BEV像是一張精準的2.5D地圖，能知道障礙物在哪裡、是什麼。
而Occupancy Network則更像是構建一個3D的『占據柵格』，它不關心物體具體是什麼分類，只關心這個空間位置有沒有被占據。
這對於處理未知障礙物、異形物體、或者被部分遮擋的目標非常有效。」
卞金麟補充了技術細節：
「目前融合模型在內部測試中表現搶眼。
特別是在城區複雜路口，對於突然闖入的自行車、三輪車、甚至小動物這些長尾場景，識別率和反應速度比純BEV方案有顯著提升。
而且Occupancy Network對於可通行空間的判斷也更準確，為後續的規控決策提供了更可靠的環境認知基礎。」
李鵬飛從算法層面印證：
「我們基於海量中國路況數據訓練的融合模型，對於『鬼探頭』、施工路障、臨時停靠的車輛等經典Corner Case，通過率已經超過了95%。
而且，這套框架的泛化能力很強，隨著我們數據閉環不斷注入新的邊緣案例，模型還在持續進化。」
陳奇驚則從工程落地角度匯報：
「架構上，我們已經完成了新模型在S5域控制器上的部署和優化，充分利用了新一代AI晶片的算力。
雖然模型更複雜，但通過算子融合、模型量化等技術，推理延遲控制在了預期範圍內，能夠滿足S5對高階智駕功能的實時性要求。」
顧南舟也難得地多說了幾句：
「我們在Occupancy的時序一致性上也做了很多優化，避免相鄰幀間占據區域的『閃爍』，這讓預測模塊能更穩定地推斷動態物體的運動趨勢。
另外，針對S5強調的『極致流暢』體驗，我們在決策規划算法中引入了更細粒度的人工勢場法，讓車輛在擁堵跟車、自動變道等場景下的動作更像『老司機』，減少頓挫感。」