第1186章 批评和进展
“陈总，我说一个我们团队的例子。
上半年我们投入了很多资源去开发一个超高擬真度的极端场景模擬器，目標是復现一些现实中极难遇到的corner case（极端情况）。
想法是好的，但实际开发过程中发现，对算力需求极大，构建成本很高，而且生成的场景在多样性上还是有限制。
反观另一个小组，他们聚焦优化现有的仿真场景库，引入了更多真实路采数据转化的场景，虽然单个场景的擬真度没那么炫酷，但对模型训练的效率和效果提升非常显著。
回头看，我们那个『高大上』的项目，投入產出比可能確实不如后者。”
陈默认真地听著，追问了一句：
“那么，现在那个超高擬真度项目状態如何？后续计划是什么？”
负责人回答：
“我们已经暂停了进一步的大规模投入，转向研究如何將其中部分技术，比如更精细的传感器物理模擬，拆解应用到现有仿真平台中，提升整体保真度，而不是追求单个场景的极致。”
“嗯，及时调整方向，把资源用在刀刃上，这个决策是对的。”陈默肯定了这种反思和调整。
这时，首席算法专家顾南舟也举了举手，他虽然年轻，但在技术上有一种纯粹的执著：
“陈总，我觉得在模型叠代上，我们有时候过於追求刷榜了。
（指在公开数据集上取得更高排名）
为了在某个榜单上提升零点几个百分点，可能会耗费团队几周的时间去调参和集成。
但这些提升，很多时候在真实路测中感受並不明显，甚至可能因为过擬合导致在未知场景下表现更差。
我觉得，我们的评价標准，应该更贴近实际用户体验和系统整体表现，而不是单纯的榜单分数。”
“说得好！”陈奇惊立刻表示赞同。
“这就是典型的『过程』和『结果』错位。
我们优化的是榜单分数这个『过程指標』，但真正的『结果』应该是路上开得更好、更安全。
我建议，以后模型叠代的评价，权重应该向大规模影子模式测试、闭环仿真测试和关键场景通过率倾斜，降低公开数据集刷榜的权重。”
李鹏飞也深有感触：
“南舟和奇惊提到了一个关键点。
我们做研究出身的人，容易陷入对单项技术指標的极致追求。
但在工程化、產品化的过程中，必须要有系统思维和用户视角。
一个单项99.9%优秀的模块，如果与其他模块协同不好，可能最终系统表现还不如一个各项都95分但协同顺畅的方案。
我们的『结果』，最终要体现在整车智能驾驶系统的综合体验和安全性能上。”
討论再次深入。
大家结合具体项目，反思了是否存在为了追求技术先进性而偏离用户真实需求的情况，是否存在为了满足內部考核指標而做了“偽工作”的现象。
陈默引导大家聚焦“价值创造”，强调无论是技术突破、流程优化还是项目管理，最终都要落脚到对產品竞爭力、用户体验和商业成功的贡献上。
在这个过程中，他也巧妙地穿插问及了当前技术方向的进展，尤其是与即將到来的旗舰轿车启界s5相关的部分。
確实没办法，他现在有集团层面的工作，还要分管it和知止资本，最关键的是数位技术bu也刚刚站稳脚跟。
自己的精力被分得太散，很多匯报性的材料根本来不及看。
“说到结果导向，我们s5项目的智驾系统，目前进展到哪一步了？
特別是你们一直在攻坚的bev+transforupancy network的融合感知方案，在真实路测中的表现如何？”
陈默看似隨意地问道，实则切中了当前最核心的技术进展。
蒋雨宏作为產品线总裁，宏观把握最清晰，他接过话头：
“陈总，s5的智驾系统，硬体平台您很清楚，是远超m5的代际提升。
软体和算法上，我们基於bev的感知方案已经非常成熟，在m5的ads 2.0上得到了充分验证。
针对s5，我们重点在推进bev+transforupancy network的深度融合。”
他顿了顿，组织了一下语言，继续说道：
“简单说，传统bev像是一张精准的2.5d地图，能知道障碍物在哪里、是什么。
而occupancy network则更像是构建一个3d的『占据柵格』，它不关心物体具体是什么分类，只关心这个空间位置有没有被占据。
这对於处理未知障碍物、异形物体、或者被部分遮挡的目標非常有效。”
卞金麟补充了技术细节：
“目前融合模型在內部测试中表现抢眼。
特別是在城区复杂路口，对於突然闯入的自行车、三轮车、甚至小动物这些长尾场景，识別率和反应速度比纯bev方案有显著提升。
而且occupancy network对於可通行空间的判断也更准確，为后续的规控决策提供了更可靠的环境认知基础。”
李鹏飞从算法层面印证：
“我们基於海量中国路况数据训练的融合模型，对於『鬼探头』、施工路障、临时停靠的车辆等经典corner case，通过率已经超过了95%。
而且，这套框架的泛化能力很强，隨著我们数据闭环不断注入新的边缘案例，模型还在持续进化。”
陈奇惊则从工程落地角度匯报：
“架构上，我们已经完成了新模型在s5域控制器上的部署和优化，充分利用了新一代ai晶片的算力。
虽然模型更复杂，但通过算子融合、模型量化等技术，推理延迟控制在了预期范围內，能够满足s5对高阶智驾功能的实时性要求。”
顾南舟也难得地多说了几句：
“我们在occupancy的时序一致性上也做了很多优化，避免相邻帧间占据区域的『闪烁』，这让预测模块能更稳定地推断动態物体的运动趋势。
另外，针对s5强调的『极致流畅』体验，我们在决策规划算法中引入了更细粒度的人工势场法，让车辆在拥堵跟车、自动变道等场景下的动作更像『老司机』，减少顿挫感。”
上半年我们投入了很多资源去开发一个超高擬真度的极端场景模擬器，目標是復现一些现实中极难遇到的corner case（极端情况）。
想法是好的，但实际开发过程中发现，对算力需求极大，构建成本很高，而且生成的场景在多样性上还是有限制。
反观另一个小组，他们聚焦优化现有的仿真场景库，引入了更多真实路采数据转化的场景，虽然单个场景的擬真度没那么炫酷，但对模型训练的效率和效果提升非常显著。
回头看，我们那个『高大上』的项目，投入產出比可能確实不如后者。”
陈默认真地听著，追问了一句：
“那么，现在那个超高擬真度项目状態如何？后续计划是什么？”
负责人回答：
“我们已经暂停了进一步的大规模投入，转向研究如何將其中部分技术，比如更精细的传感器物理模擬，拆解应用到现有仿真平台中，提升整体保真度，而不是追求单个场景的极致。”
“嗯，及时调整方向，把资源用在刀刃上，这个决策是对的。”陈默肯定了这种反思和调整。
这时，首席算法专家顾南舟也举了举手，他虽然年轻，但在技术上有一种纯粹的执著：
“陈总，我觉得在模型叠代上，我们有时候过於追求刷榜了。
（指在公开数据集上取得更高排名）
为了在某个榜单上提升零点几个百分点，可能会耗费团队几周的时间去调参和集成。
但这些提升，很多时候在真实路测中感受並不明显，甚至可能因为过擬合导致在未知场景下表现更差。
我觉得，我们的评价標准，应该更贴近实际用户体验和系统整体表现，而不是单纯的榜单分数。”
“说得好！”陈奇惊立刻表示赞同。
“这就是典型的『过程』和『结果』错位。
我们优化的是榜单分数这个『过程指標』，但真正的『结果』应该是路上开得更好、更安全。
我建议，以后模型叠代的评价，权重应该向大规模影子模式测试、闭环仿真测试和关键场景通过率倾斜，降低公开数据集刷榜的权重。”
李鹏飞也深有感触：
“南舟和奇惊提到了一个关键点。
我们做研究出身的人，容易陷入对单项技术指標的极致追求。
但在工程化、產品化的过程中，必须要有系统思维和用户视角。
一个单项99.9%优秀的模块，如果与其他模块协同不好，可能最终系统表现还不如一个各项都95分但协同顺畅的方案。
我们的『结果』，最终要体现在整车智能驾驶系统的综合体验和安全性能上。”
討论再次深入。
大家结合具体项目，反思了是否存在为了追求技术先进性而偏离用户真实需求的情况，是否存在为了满足內部考核指標而做了“偽工作”的现象。
陈默引导大家聚焦“价值创造”，强调无论是技术突破、流程优化还是项目管理，最终都要落脚到对產品竞爭力、用户体验和商业成功的贡献上。
在这个过程中，他也巧妙地穿插问及了当前技术方向的进展，尤其是与即將到来的旗舰轿车启界s5相关的部分。
確实没办法，他现在有集团层面的工作，还要分管it和知止资本，最关键的是数位技术bu也刚刚站稳脚跟。
自己的精力被分得太散，很多匯报性的材料根本来不及看。
“说到结果导向，我们s5项目的智驾系统，目前进展到哪一步了？
特別是你们一直在攻坚的bev+transforupancy network的融合感知方案，在真实路测中的表现如何？”
陈默看似隨意地问道，实则切中了当前最核心的技术进展。
蒋雨宏作为產品线总裁，宏观把握最清晰，他接过话头：
“陈总，s5的智驾系统，硬体平台您很清楚，是远超m5的代际提升。
软体和算法上，我们基於bev的感知方案已经非常成熟，在m5的ads 2.0上得到了充分验证。
针对s5，我们重点在推进bev+transforupancy network的深度融合。”
他顿了顿，组织了一下语言，继续说道：
“简单说，传统bev像是一张精准的2.5d地图，能知道障碍物在哪里、是什么。
而occupancy network则更像是构建一个3d的『占据柵格』，它不关心物体具体是什么分类，只关心这个空间位置有没有被占据。
这对於处理未知障碍物、异形物体、或者被部分遮挡的目標非常有效。”
卞金麟补充了技术细节：
“目前融合模型在內部测试中表现抢眼。
特別是在城区复杂路口，对於突然闯入的自行车、三轮车、甚至小动物这些长尾场景，识別率和反应速度比纯bev方案有显著提升。
而且occupancy network对於可通行空间的判断也更准確，为后续的规控决策提供了更可靠的环境认知基础。”
李鹏飞从算法层面印证：
“我们基於海量中国路况数据训练的融合模型，对於『鬼探头』、施工路障、临时停靠的车辆等经典corner case，通过率已经超过了95%。
而且，这套框架的泛化能力很强，隨著我们数据闭环不断注入新的边缘案例，模型还在持续进化。”
陈奇惊则从工程落地角度匯报：
“架构上，我们已经完成了新模型在s5域控制器上的部署和优化，充分利用了新一代ai晶片的算力。
虽然模型更复杂，但通过算子融合、模型量化等技术，推理延迟控制在了预期范围內，能够满足s5对高阶智驾功能的实时性要求。”
顾南舟也难得地多说了几句：
“我们在occupancy的时序一致性上也做了很多优化，避免相邻帧间占据区域的『闪烁』，这让预测模块能更稳定地推断动態物体的运动趋势。
另外，针对s5强调的『极致流畅』体验，我们在决策规划算法中引入了更细粒度的人工势场法，让车辆在拥堵跟车、自动变道等场景下的动作更像『老司机』，减少顿挫感。”