觉非科技成立于2019 年，是国内领先的自动驾驶感知决策算法与数据服务商，以“多传感器融合计算”为核心技术路线，围绕乘用车出行、干线物流及城市末端三大应用场景，提供跨场景、跨平台、跨终端的智能驾驶解决方案。觉非的融合感知系统目前已覆盖车端与路端，构建了适用于全栈自动驾驶且具备“感知-决策-数据”闭环能力的量产方案，以“数据驱动量产化”为核心业务目标，为合作伙伴实现自动驾驶闭环能力。公司于2022 年完成近亿元人民币战略融资，过往投资者包括和高资本、云启资本、光速中国、联想之星、民银国际等。我们就近日与公司管理层的电话会交流，结合公司介绍情况汇总为十问十答。

Q1：公司的核心竞争力包括哪些方面？公司认为：

【资料图】

1）团队：丰富产业背景+清晰定位，组建智驾软件Tier-1 专业团队。公司CEO李东旻曾任百度LBS 业务总经理、集团执行总监，拥有10+年大型互联网公司产品、业务管理经验，曾管理预算超10 亿、团队近2000 人。公司其他核心成员均出自智能出行或地图等相关巨头科技企业，并担任核心业务高管职位，平均拥有超过10 年的管理经验，此前曾成功打造多款用户量级过亿的产品与服务，享有较好的行业口碑和资源积累。

2）技术：深耕多传感器融合路径，具备从小模型量产到大模型应用的落地经验，通过芯片+软件集成的形式打造生态圈。觉非在车端专注于融合计算，集成多种类型传感器，包括IMU、RTK、GPS 及轮速传感器等与位置、姿态相关的传感器；传统地图供应商提供的高精地图及导航地图，由其提供车辆存储的静态数据；以激光雷达、摄像头为代表的感知类传感器等。公司擅长围绕量产半固态及固态激光雷达进行融合感知计算，实现感知、定位、路径规划及记忆建图系统的实时融合。此外，觉非已完成在英伟达、地平线等芯片上就实现多传感器融合模块算法的移植与适配。2022 年8 月，公司联合地平线发布城市通勤融合定位量产解决方案，结合“融合计算”与“地图空间数据”两大核心技术，实现NOA 领航系统的快速落地。

3）数据闭环：依托甲级测绘地图资质+数据工具链，提供高效产品服务。国内智能驾驶车辆在公开道路采集和存储车辆及周边道路设施数据，纳入测绘法管理，行为主体需要具备测绘资质。内资主机厂需申请相应测绘资质，而外资、合资主机厂则须委托具备相应测绘资质的单位。智驾领域涉及全国范围道路测试和数据处理，核心资质为甲级导航电子地图制作资质，目前只有19 家单位经国家自然资源部审批获此资质。觉非科技已与具备甲级电子导航地图资质的企业建立了深度的战略合作，以安全、合规、高效的方式面向主机厂提供数据服务。

4）商业化：建立生态+工程化壁垒，算法数据联动实现飞轮效应。觉非通过数据训练优化算法，再通过算法的迭代获得更多数据进行循环反馈。数据与算法的联动反哺自动驾驶的感知与决策系统，为自动驾驶提供高规格、高时效、低成本的智能驾驶新基建。另一方面，公司与地平线、英伟达等芯片厂商建立了深度战略合作，并成为了首家在地平线征程5 上部署融合定位算法的软件供应商。此外，公司已实现对多家主机厂车型的定点交付，并计划继续扩大合作范围。

Q2：软件定义汽车会给整体产业生态带来什么样的改变？

在软件定义汽车的趋势中将出现独立软件供应商，在实践中呈现两大特征：

1）汽车产业链的链条模式正向供应网模式转变。过去在供应链各层级中，Tier-3无法绕过Tier-2 向Tier-1 供应，但现在诸如芯片、软件、域控等领域，Tier-1、Tier-2 与Tier-3 往往形成网状结构，以组合方式向主机厂合作供应产品。主机厂在决定开发某一车型时，通常先确定芯片，再确定软件集成、域控及传感器供应商，形成“圆桌会议”的模式，以提供最终交付和解决方案。

2）主机厂采用闭环交付模式。主机厂越发重视以低成本方式实现保交付目标，因此逐渐放弃全栈自研，因为该模式需要在单一环节投入大量资源，与汽车产业链的分工特点不符。觉非科技表示，在实践中，越来越多主机厂在感知定位、自动泊车、高速领航等应用领域选择与第三方供应商合作，以保证低成本及交付可行性。

Q3：如何理解公司自动驾驶量产软件Tier-1 的定位？

智能驾驶产业生态可视作“冰山模型”，软件Tier-1 位于“冰山以上部分”。

目前越来越多主机厂将自研实力投入到“冰山以下部分”，即中间件和底层软件操作系统，追求实现整车软件的快速编译、验证和仿真模拟，以整车OTA 升级的形式交付。以觉非为代表的软件Tier-1 供应商则位于“冰山以上部分”，将能力和资源集中在应用层，涵盖感知、定位、路径规划、记忆、建图、预测等模块，并分别应用于自动泊车、城市导航系统和高速公路导航系统等，类似主机厂体系内的“插件”和“应用”。

觉非科技的软件Tier-1 定位可以从算法+数据两大维度看待：1）算法层面，公司专注于多传感器融合，集成位置和姿态相关的传感器，如IMU、RTK、GPS、轮速传感器等；图商提供的标准化导航地图或高精地图；感知类传感器如激光雷达、摄像头等，并围绕其实现感知、定位、路径规划及记忆建图系统的实时融合。2）数据层面，公司可通过安全、合规、高效的方式向主机厂提供数据服务。

Q4：如何看待近年来智能汽车产业的发展？

整车电子电气架构向大算力平台+中央软件平台转型。当前，汽车产业的电子电气架构正加速向域控架构发展，可理解为三台电脑控制整车：第一台电脑控制底盘域；第二台电脑控制座舱域；第三台电脑控制智能驾驶域，并提供实时计算能力。此外，该架构发展也使软件定义汽车成为可能。

市场需求迫切+主机厂加大投入，给自动驾驶产业链企业带来市场红利。国内主机厂对自动驾驶技术需求较为迫切，不断加大投入力度，使汽车的迭代周期和研发模式发生实质性变化。硬件方面，主机厂推出新车的时间周期决定其市场竞争力，当前造车新势力的周期普遍维持在10-12 个月，如极氪在成立两年半内推出了3-4 款车型，大大缩短了硬件迭代的周期。软件方面，此前外资及内资厂商都按3 年一次大改款、2 年一次小改款的节奏迭代，而特斯拉颠覆了行业迭代和研发的模式，其每周发布FSD 测试版本，并每月通过OTA 升级提供给终端消费者。当前整车厂在市场竞争及FSD 设置的高标准下，都在加快整车软件迭代的周期及速度。

Q5：如何看待特斯拉FSD 入华的潜在机会？

受限于数据安全，特斯拉在国内实现FSD 的数据闭环存在较大难度。特斯拉国产及海外车型传感器、芯片等硬件都完全相同，唯一区别在于其在国内采集数据时必须明确遵守"即用即抛"原则，才能使用辅助驾驶软件，因此暂时无法实现FSD 的数据闭环系统。

FSD 若成功入华，国内主机厂将承受较大竞争压力，但也为智能驾驶产业带来新机遇。如果特斯拉将FSD 完全复制到中国，以目前国内主机厂的研发模式，在迭代周期及产品完善程度方面，预计短期追赶将面临较大压力，但也促使其加快研发速度，为智能驾驶产业发展带来新机遇。

对于FSD 三大要素算力、算法和数据，算法较容易移植，问题主要存在于数据和算力。在数据方面，或可考虑采用试点方案来落地。在算力方面，FSD 之所以能实现快速迭代和训练，核心原因之一是因为特斯拉拥有Dojo 超级计算中心，但目前该中心所依赖的A100 显卡进口受限，因此在国内建立类比于Dojo的超算中心可能面临较大困难

Q6：如何看待端到端自动驾驶？

相对于传统车辆智能驾驶系统，端到端为智能驾驶系统开启了新的可行性。当前的量产智驾方案大多基于规则（rule-based），优势在于可解释性，即一旦车辆出现问题或未按预定方式运行，可通过分析日志、黑匣子和其他记录软件直接确定原因，如程序错误、传感器故障或错误识别等。

对于NN-based 的端到端方式，最大的挑战在于如何使其具备可解释性，即如何与现有的车辆规范、功能和安全体系兼容。例如，在高速公路上，可基于规则引擎设计电子围栏，一旦越过围栏，系统立即由rule-based 切换到NN-based，但该能力受限于计算能力、量产资源和成本，目前难以实现。觉非科技表示，智能驾驶系统由基于规则向端到端发展是量变引起质变，其中可能会存在一个转折点，可能取决于数据训练规模、量产车数据积累等因素。

Q7：建立量产车数据闭环面临哪些核心难点？

处理车端海量数据时，需将非结构化数据转化为结构化数据，以确保数据质量及后续可用性，对算法要求较高。以10V 视觉方案为例，其搭载的摄像头通常为200 万像素，每秒产生约100M 数据量。因此，考虑到单车每年产生的庞大数据量，不可能完全上传至云端储存。为解决这一问题，车端必须装配实时处理传感器数据的软件，将这些非结构化数据通过算法转化为结构化数据。上传的数据不再是单纯的照片，而是树木、人员、尺寸、GPS 坐标、精度等信息数据。如以Mobileye 为代表的单目视觉技术路径，其上传的数据基本上无法形成高精地图数据或数据闭环，供其他公司使用。因此，车端软件算法必须与后台的数据闭环匹配，使SLAM 建图及其他要素相互关联，构成完整系统。

数据闭环过程中，数据上传易受带宽容量限制，必须基于实践设定具体策略。

如特斯拉最初引入影子模式分析驾驶员的行为习惯，当驾驶行为习惯与结算结果不一致时，才将驾驶数据上传至云端。同样的逻辑也适用于行驶过程，只有当车辆与离线数据不匹配时才上传数据。在具体实践中，上传频率包括每秒、每2 秒；每1 米或每5 米等，都属于策略问题。觉非科技表示，对于量产车，通常需要2-3.7 次行驶的数据才能覆盖一个十字路口。该结果经由实践得出，是基于实际分析的平均值。因此，数据上传结果取决于大量Know-How 及实践策略，方能形成数据闭环的可用性。

Q8：如何看待大模型在自动驾驶领域的部署？

BEV+Transformer 成为产业共识，将促进自动驾驶算法发生质变。目前智驾领域通常将BEV+Transformer 定义为狭义的大模型，由特斯拉率先实现量产和交付。全行业在自动驾驶技术路径上达成了共识，即希望在自己的技术路径中采用BEV+Transformer，因此新势力及传统主机厂都在展开自研，或与觉非等软件Tier-1 进行技术合作，以推进大模型的研发和量产。但在配件部署和研发方面，相对于基于图像的小模型，大模型的应用会更加困难。基于实践经验，觉非科技认为大模型量产上车的时间点将在2024 年6 月之后，首先在一些大算力、高端车型上实现部署。对于普通车型，该上车周期可能需要延后2-3 年。

车端部署大模型的难点在于大算力及大数据。特斯拉目前是唯一在算力方面实现大规模生产的主机厂，主要归功于其自研FSD 芯片，该芯片的算力远超其他竞品。此外，实现大规模自动驾驶还需大量数据的支持，相较于小模型，大模型所需数据量通常为其100 倍以上。以往，10 万帧或100 万帧的数据训练便足以实现量产交付，但目前的大模型至少需要以10 亿帧数据为起点，对资金、资源的消耗非常庞大。

在中长期，基于大模型的软件Tier-1 市场将呈现明显的马太效应。当数据量达到关键节点，如数百万台车辆生成的数据被某一软件Tier-1 所覆盖，其他网络生成的数据将难以与现有网络抗衡，反而更可能选择并入现有网络，以提升数据流通的价值。

Q9：当下决策式模型相对于生成式模型是否具备优势？

决策式模型和生成式模型在认知上存在一定矛盾。决策式模型加持下AI 模型具备较为准确的判断能力，而生成式模型虽能生成大量内容，但难以辨别真伪，可通过人工标注或场景库进行数据积累加以改进。在长期，生成式模型一旦在数据积累上到达临界点，后续将减少对数据的需求，因为其能自主关联生成大量数据。

对于生成式模型，车型销量与产生的数据价值不直接挂钩，导致汽车产业正从基于制造的逻辑向以数据和软件为核心的逻辑转变。觉非科技表示，过去汽车产业的核心逻辑在于模具和制造等领域，但如果单车价值由软件定义占主导，且该软件能力与销量无关，则可能涌现出新生态系统或产品，该转变至少需要5年甚至更长时间实现。

Q10：如何看待L2+市场及L4 市场的发展现状？

在智能驾驶领域，产业对于“重感知、轻地图”的技术路径达成共识，而具体技术应用围绕L4 及L2+出现分化：

1）对于L4 市场，目前较明显的趋势并非行业先前普遍认知的“L4+场景”，而是“场景+L4”，即L4 技术的实际应用取决于场景方，帮助其降本增效，起锦上添花的效果，但难以拓展更多场景及客户。

2）对于L2+市场，越来越多的自动驾驶新技术，例如“重感知、轻地图”、“BEV+Transformer”，率先出现在L2+市场，该领域是真正的“AI+车”。

智能驾驶AI 技术对乘用车起主导作用，两者的结合让L2+市场更具竞争力。

这样的技术能力也将成为主机厂的卖点，扩大市场销量。特斯拉FSD 系统在过去两年的发展印证了该逻辑，同时也让BEV+Transformer 这样全新的技术路径与方案快速成为了行业共识。

风险因素：公司多传感器融合技术研发不及预期；甲级测绘地图资质进一步收紧；公司芯片厂商及主机厂合作拓展不及预期等。

关键词：