简介:本文拆解吉利千里浩瀚的技术分工、功能边界与量产路径,并区分官方发布、公开宣传与待确认的信息。读者能看清端到端、VLM和世界模型各自负责什么,理解无图城市NOA为何仍依赖导航地图,并获得企业搭建多模型AI系统时可参考的选型、路由与安全兜底思路。
据吉利公开宣传,千里浩瀚是一套面向多车型、多场景、多安全层级的智能驾驶系统,宣传中提到的发布时间为2025年3月。”千里”指通用大模型与算力底座,”浩瀚”指智驾能力与用户体验。它是一套系统方案,覆盖多种车型与场景。
公开宣传提到,该系统覆盖吉利多个价位区间的车型,部分车型标配高速领航辅助(NOA)与自动泊车(APA)。”全系标配”这类说法容易让人理解为所有在售车型都有。实际配置应以各车型的官方配置表为准。评估或购买时,要核对具体车型、功能版本和运行设计域(ODD)。
ODD指系统设计上允许运行的条件,例如道路类型、速度范围、天气和光照。超出这个范围,功能会降级,或要求驾驶员接管。
三类技术各有分工。下表列出作用、价值和难点,并标注每项信息的状态。”公开宣传”指吉利对外提及的内容,”待官方确认”指公开资料中尚无完整说明的细节。
| 技术方向 | 主要作用 | 对智驾的价值 | 主要难点 | 信息状态 |
|---|---|---|---|---|
| 端到端模型 | 从传感器输入直接输出转向、加减速或轨迹 | 减少模块间误差逐级累积,利于复杂场景 | 数据质量、长尾场景验证、实时性 | 公开宣传:技术路线;待官方确认:具体结构 |
| VLM视觉语言模型 | 融合图像、视频与文本语义 | 辅助理解施工区域、临时管制、交警手势 | 推理时延、输出幻觉、安全约束 | 公开宣传:功能方向;待官方确认:部署位置与推理频率 |
| 世界模型 | 预测环境演化,生成仿真场景 | 补充长尾数据,用于训练与策略评估 | 仿真真实性、算力成本、预测可靠性 | 公开宣传:用途;待官方确认:模型规模与仿真占比 |
端到端模型的输入通常是摄像头、雷达等传感器数据,输出是转向、加减速或未来轨迹。传统方案把感知、预测、规划和控制拆成多个模块,每个模块的误差都会向下游累积。端到端方案减少了这种割裂。但它对数据量和验证体系的要求更高,因为模型内部的决策过程较难直接解释。
VLM的作用偏向理解。它可以把”前方施工,请减速”这类文字语义,与图像中的锥桶、围挡对应起来。实际部署时,VLM通常不直接控制车辆,而是输出场景标签或风险提示,交给规划模块和规则层使用。推理时延与安全约束的具体做法,需以官方披露为准。
世界模型可以理解为环境演化的预测器。它根据当前画面推测周围车辆和行人的下一步状态,也能生成罕见场景,例如突然横穿的行人或雨夜中的遮挡情况,用于训练和测试。真实路测中这类场景出现频率低,所以仿真补充的价值较高。仿真数据在训练中的占比,以及真实性的验证口径,公开资料中没有给出,本文不做估计。
三者的协同关系可以概括为:端到端模型负责主要的驾驶输出,VLM提供语义补充,世界模型负责数据与验证。行业通行的做法是由独立于模型的规则层承担安全兜底,例如紧急制动和速度限制。千里浩瀚在这一层的具体实现,待官方确认。
原文提到的量产路径包括四个环节。它们首尾相接,形成闭环。每一步都需要明确输入、输出和验证条件,下面逐一说明。
输入是量产车辆在日常行驶中产生的数据,包括传感器记录和触发事件。输出是可用于训练的样本,尤其是长尾场景,例如少见的施工形态或异常交通参与者。验证条件包括数据脱敏、覆盖范围和回流频率。公开宣传提及数据回流,但采集规则、脱敏方式和回流频率,待官方确认。
输入是回流数据与世界模型生成的仿真样本。输出是新版本模型。验证条件包括离线指标、仿真回放与实车测试结果。是否使用影子模式(系统在后台运行新模型但不控制车辆,仅比对结果),以及具体指标,待官方确认。
输入是通过评估的模型版本,输出是车辆端的升级。验证条件包括灰度发布、回滚机制和升级前后的功能对比。OTA的推送范围与节