从第二阶段到第三阶段：灵活性的极致追求，软件的自主升级-上｜盖世大学堂汽车大模型应用系列知识讲解

在科技飞速发展的当下，软件领域正经历着深刻变革，从传统模式逐步向更高级的阶段迈进。这一过程中，软件架构、开发模式以及对需求的处理方式等方面都发生了显著变化，对各个行业尤其是智能驾驶领域产生了深远影响。深入剖析这些变化，对于理解未来科技发展趋势和把握行业走向至关重要。

当敏捷迭代从量变走向质变，自主性成为这一转变的核心特征。最终目标是实现一个完全无需人为干预中间过程设计的自主性闭环，在这个闭环里，软件和业务闭环是关键要素。在迈向这一目标的进程中，软件行业从早期阶段不断演进，传统模式在其中扮演了重要角色。

传统模式主要基于规则算法，如常见的“if else”语句。这种模式具有一定优势，由于是人编写的代码，其可解释性强，开发人员能够清晰地理解每一步的逻辑。同时，项目进度和成果也相对容易预测，在调试时，开发人员可以依据清晰的逻辑快速定位和解决问题，而且对数据的要求不高。在传统开发中，随着项目推进，开发产品的工程师会积累经验、不断成长，但产品本身缺乏自我成长的逻辑，因为代码的更新和改进依赖于工程师手动修改。在智能驾驶系统的早期发展阶段，多数是基于这种规则算法构建的。

如今，数据驱动的逻辑逐渐兴起，与传统规则算法相比，其核心差异在于成长对象的改变。在数据驱动模式下，模型本身是一个可微分的构建，其中不包含代码且难以解释。模型的学习过程依赖于数据，数据充当了“老师”的角色。在图像识别模型训练中，大量的图像数据被输入模型，模型通过对这些数据的学习来不断优化自身性能，实现从数据中提取特征并进行分类或预测的功能。这与传统模式中产品本身不具备自我成长能力形成鲜明对比。

以自动驾驶系统为例，深入了解其架构和工作流程，有助于理解软件开发模式变化对其产生的影响。任何智能驾驶系统或智能化系统，都可分为感知、决策和执行三个关键步骤，并且总体上与真实世界进行交互。感知环节又细分为自车感知和外部感知，这类似于人类通过眼睛、耳朵等获取外界信息的过程。在这个过程中，内心世界（或称为世界模型）的概念至关重要，它主要对应融合和预测这两个环节。融合的核心是将外部不同的异构数据或信息在内心世界中进行整合，从而形成统一概念。在看到、听到和触摸到鸭子时，大脑会将这些来自不同维度的信息融合，形成对鸭子的统一认知。基于这种统一认知，内心世界会对未来可能发生的情况进行预测，在预测的基础上做出决策，决策就像是制定一个计划，最后通过执行环节将决策转化为实际行动。

在整个交互过程中，对于高等级智能体而言，一个重要的原则是不断将真实世界和内心世界进行拟合。也就是说，内心世界与真实世界的分布越接近，智能体在所处环境中的生存概率就越高。在自动驾驶场景中，如果车辆的感知系统能够更精准地反映真实路况，那么车辆做出正确决策并安全行驶的概率就会大大增加。

从软件架构的发展历程来看，其经历了多个阶段的演变。在传统智驾开发阶段（软件1.0），产品开发需要众多工程师协同工作，从制定策略、进行设计，到最终软件工程师将软件需求转化为软件语言，再转化为硬件语言。这一过程中，存在着软硬件耦合与解耦的特点。在需求设计到软件语言的转化过程中，以MATLAB为主的开发语言呈现出软硬件紧耦合的特性，因为它希望需求能直接转化为产品，需求文档和最终代码交付紧密结合。而在软件语言到硬件语言的转化过程中，则表现出解耦的特点，代码具有较好的通用性，可以在不同芯片和产品线上使用。

随着技术发展，进入数驱智驾开发阶段（软件2.0）以及更高级的大模型阶段（第三阶段），软件架构发生了显著变化。在大模型阶段，从需求翻译到软件语言的过程是解耦的，这意味着需求和软件实现之间的联系不再像传统模式那样紧密。而软件和硬件之间则呈现出紧耦合的特点，例如定制化芯片（ASIC芯片），其设计理念是牺牲通用性来换取更高的能耗比，以实现机器性能的最佳发挥。

在需求处理方面，传统开发模式和大模型阶段也存在明显差异。在传统的V模型开发过程中，需求会被分解为测试用例，并逐步向下分解到开发阶段，每个需求条目都强调可追溯性、条目化，并且要经过产品和开发系统的共同确认。而在大模型阶段，虽然也存在需求文档，但此时的需求本质上是对数据的描述。在开发一个天气感知相关的功能时，需求可能会围绕数据展开，如确定以雨刮刮不刮为重点功能时，会描述在这一功能中，80%的数据将围绕雨的相关信息构建，同时也会考虑其他天气情况的数据占比。在大模型阶段，需求不再是传统意义上的RQ1、RQ2等树状结构的条目化需求。

需要明确的是，软件发展的各个阶段不是简单的替代关系，而是一种叠加关系，即从1到1+2，再到1+2+3的过程。在实际工程应用中，不能简单地认为新的阶段可以完全取代旧阶段。一些年轻人可能认为使用了先进的模型就代表了先进生产力，但在实际系统开发中，如果没有其他阶段的支撑，这些先进模型也难以发挥作用。在落地一个产品时，往往需要多个阶段的人员和技术共同协作，才能确保项目的顺利推进。

在模型应用方面，不同类型的模型在不同场景下有着不同的工作方式。以ChatGPT为代表的模型，人们通常将其作为工具使用，在使用过程中存在人与模型磨合的问题。目前主要有两种方式，一种是“人的屈服派”，通过大量调整提示词来使模型满足需求；另一种是在模型不能满足要求时，通过重新训练模型、开发专业领域模型或利用提示词进行包装等方式，使模型对特定人群更加友好。

而自动驾驶类的模型则有着不同的工作逻辑。在自动驾驶场景中，模型是实现目标的核心，人主要起到确保目标达成的监督作用。当模型处于不同的成熟度时，会采用不同的策略。在模型训练初期或效果不理想时，可以采用影子模式，让模型在不影响正常驾驶的情况下收集数据；当对模型的安全性存在疑虑时，可以构建双系统，如L2系统，配合规则算法来保障安全；随着模型性能的提升，准备向更高等级（如L3）发展时，可以在不破坏原有系统的基础上，追加安全系统来实现目标。在相机模型在雨雾天气效果不佳时，可以增加激光雷达作为兜底方案，以确保产品的安全交付和用户体验。

目前自动驾驶发展主要有两种路线，以特斯拉为主的渐进式路线和以谷歌为主的跃进式路线。当前，渐进式路线在市场上占据主导地位，跃进式路线发展相对受限。

从软件发展趋势来看，规则算法逐渐被模型化替代是一个明显的趋势。这是因为规则算法模块通常由不同的算法小组开发，本质上是人与人合作的过程，这会带来大量的性能损失。而模型化，尤其是端到端模型的发展，使得从感知到融合、预测再到决策的整个业务环节都实现了模型化。这种模型化程度的加深，核心意义在于提高软件迭代速率和应对需求变更的能力。如果使用规则算法编写程序，在面对需求变更时，迭代效率较低，因为需要大量人力细分场景、分解需求，还要处理各种利益和想法问题，涉及复杂的流程。而模型化方法能够更高效地实现优化，大大提高迭代效率，对整个系统的发展具有重要推动作用。

在模型逐步替代规则算法的过程中，是一个循序渐进的过程，而不是一蹴而就的。这一过程的核心在于实现老师和学生之间灵活切换的理念，类似于安全系统与功能体验系统之间的关系。在保证功能安全边界和质量的前提下，识别长期差异，这些差异可以用于模型训练，推动功能迭代。在实际应用中，规则算法可以转化为安全边界，同时为模型训练提供数据来源。环境差异通过模型和规则算法之间的比较产生，进而为模型训练提供数据。因此，直接跳过前期积累，试图一步实现端到端的模型应用是不现实的，数据工程需要逐步积累和成熟。

在软件研发过程中，云端训练系统也经历了从人直接产生设计，到通过标注数据产生设计，再到由知识产生数据及设计的发展过程。早期，人在设计过程中起到主导作用，通过直接编写代码和制定规则来构建系统；随着数据驱动模式的兴起，标注数据成为设计的重要依据，模型通过对标注数据的学习来优化自身；在更高级的阶段，知识开始发挥关键作用，知识产生数据并指导设计，实现了一体化的设计过程。在这个过程中，多任务的自监督训练和单任务单模型的有监督训练等技术不断发展，推动着软件研发向更高水平迈进。

模型在软件系统中扮演着核心角色，其结构代表了一种思维范式。不同位置的模型，由于承载的功能需求不同，结构也会有所差异。在自动驾驶的感知环节，针对外部直接输入的数据，通常会采用CNN（卷积神经网络）、ResNet（残差网络）等模型结构，它们的主要作用是进行压缩感知，将大量冗余的信息进行压缩，转化为更易于处理的结构性数据，以便后续的预测和决策。在融合预测环节，Transformer等模型结构应用较为广泛，它提供了一种有效的数据处理和特征提取方式；在决策层面，强化学习和对抗学习等技术则发挥着重要作用，帮助模型做出更加合理的决策。

虽然模型看起来由多个模块组成，但从整体上可以将其视为一个串联的整体，当感知、融合、预测和决策等环节能够有效串联起来时，就构成了端到端的状态，这也是当前软件发展追求的目标之一。实现端到端的模型应用，可以提高系统的整体性和协同性，进一步提升软件的性能和智能化水平。

在软件从第二阶段向第三阶段发展的过程中，涉及到软件架构、需求处理、模型应用和研发模式等多个方面的深刻变革。这些变革相互关联、相互影响，共同推动着软件行业向追求更高灵活性和自主升级的方向发展。在未来，随着技术的不断进步，软件将在更多领域发挥重要作用，为人们的生活和各个行业的发展带来更多创新和改变。