拿“云”来说，根据IDC的报告显示，每一次向高阶驾驶演进，对于云的基础设施、平台、应用、服务的消耗量都要上升一个数量级。用自动驾驶感知算法来举例，以前一个L3级别的Demo，只需百万级图片和几十张训练卡，花几百万就能实现。但如果要实现L3级别的量产，投入的资金可能就达到千万级甚至上亿。而到了L4级别的自动驾驶，从原型到量产，中间要处理的数据量、消耗的GPU资源和投入的研发费用，都将以指数级别增加，对云端异构资源的需求也呈现井喷式增长。
因此，在高阶自动驾驶研发过程中，除了云端资源的性能和稳定性之外，是否能提供大规模异构算力、拥有健全的生态系统，以及解决方案是否拥有较高的性价比则成了另外的考量因素。尤其是在性价比——在上云的基础上，谁能将软硬件协同发挥出最大的效率，谁就掌握了主动权，这几乎已经成了全行业的共识。
百度智能云最新提出的「AI大底座」由两个重要部分组成：一是解决算力问题的百舸计算平台，为自动驾驶研发过程提供了海量异构资源的支持；另一个是AI中台，覆盖了AI开发的全生命周期，可以帮助车企极大加速自动驾驶的研发过程。
事实上，云给自动驾驶的研发带来的提升是肉眼可见的，甚至将改变原有的生产方式。比如前段时间，百度智能云联合NVIDIA在GPU卡上，针对常见智驾场景感知模型进行一系列的软硬一体优化，实现了最高400%的吞吐量提升，训练时间缩短80%。
至于“智”，则是大家熟悉的大模型。据宋飞介绍，目前百度文心大模型的能力已经应用到数据挖掘场景中，而在未来，它还将被应用到工具链的每一个环节，比如可以通过输入“标注所有的红绿灯”就可以实现对图片的快速标注，从而进一步提升自动驾驶的研发效率。
04历史进程中的自动驾驶
回溯中国自动驾驶过去的沸腾十年往事，它曾被大众寄予了太多改变世界的厚望，在国内催生了一段群雄并起、热钱涌动的黄金岁月。巅峰时期，它曾一度引领着AI创业的方向，几乎每隔一段时间就会有一个新玩家宣布入局。
风口之外，值得深思的地方还很多。从单车智能到车路协同的路线之争，到“渐进式”与“跨越式”、亦或者百度坚持的“技术降维，数据反哺”路线之争，不同的战略选择背后，终极目标都是自动驾驶的普及和应用。
但有一点毋庸置疑，在轰轰烈烈的汽车智能化浪潮下，自动驾驶还会继续向前继续发展。
最典型的例子，根据IDC的预测，国内自动驾驶研发解决方案市场未来五年复合增速预计高达90.0%，以未来汽车云市场竞争的关键变量为例，百度智能云相比去年同期实现了162%的超高速增长。
当被问及如何看待这场云和自动驾驶的融合时，宋飞的回答很诚恳，“这将是一个大市场，未来百度能做的、要做的还有很多，关键是理解市场，理解客户。我们也期待在未来可以让自动驾驶走入千家万户，为国内汽车行业智能化转型提供百度的云上方案”。
