德基老板如何利用长尾词提高网络推广效果

当你驾驶着车，看到水泥未干的地面，一定会绕道而行，而一辆智能驾驶汽车却会因此陷入尴尬。

当一个骑着自行车的人手中拿着一个Stop的标识牌，我们并不会因此停下车，但智能驾驶汽车或许会因此停了下来。

这些看似极端的情况，实则指向的是智能驾驶的长尾问题。这些充满了巧合性与不可预见性的场景也被称为边缘场景（corner case），正是它们，困住了智能驾驶L5级别的商业化落地。

值得警惕的长尾问题

或许你对上面举例的这两个场景不以为然，甚至可能觉得智能驾驶因“水泥未干”而翻车，有点哭笑不得。但其实，长尾问题造成了智能驾驶在道路上难以消除的不确定性，直接影响了行车安全。它是一个很严肃的问题。

比如，特斯拉在美国发生的多起事故中，其中有十余起就是因长尾问题造成，甚至直接导致了人员伤亡。在这些事故中，智能驾驶的车辆无法识别前方因应急救援临时搭建起的警告措施，比如闪着警灯的警车、照明棒和亮灯的告示牌、交通锥等。

然而，一根照明棒、一个静止的交通锥，只是边缘场景中的沧海一粟。复杂的道路状况给智能驾驶带来的挑战还有很多。智能驾驶在技术上已经解决了90%的问题，但剩下10%的长尾问题却可能要花费同样多甚至更多的精力去解决。

数据，是核心竞争力

在硬件方面，解决智能驾驶长尾问题有两个关键：单车智能和车路协同。单车智能是通过摄像头、雷达等传感器以及先进算法，赋予车辆智能驾驶的能力；车路协同是通过5G高精度地图感知路况，使得车辆具备智能驾驶能力。

单车智能像是军队里的士兵，如果士兵单兵作战能力足够强，可以处理各种不同的突发情况。车路协同则更像是指挥官，把所有士兵协调在一起，实现统一行动。

而在软件方面，算法和高质量数据是解决智能驾驶长尾难题的核心。无论是单车智能还是车路协同，其本质还是需要通过不断获取数据，不断优化智能驾驶算法和模型，从而解决智能驾驶的长尾问题。跑得越多，意味着数据越多，有更多稀缺场景的积累，算法和模型也会因此训练得更为成熟。

如何获得海量的数据？无人车领域的先行者Waymo，用“后装改造车辆—路测收集数据—试运营”的方式，走出来了一条路。

但显然这种模式是无法复制的，因为自建运营车队成本十分高昂，早期投入资金甚至高达1000亿美元，这还没算上后期解决问题的成本。并且，获取数据的效率也十分低。

能不能自己不建车队，让跑在路上的量产车来采集数据？这诞生了另一种模式——“数据众包”。理解起来很简单，就是利用已经跑在路上量产的L2-L3级智能驾驶的车辆收集道路数据，持续不断地为L4级智能驾驶提供数据流。

其实，我们生活中也有很多数据众包的案例，比如导航。大家在使用导航的同时，为导航提供了你所在地的交通数据，实现了数据众包，所以导航能实时显示哪里拥堵，计算出准确的到达时间。

让静止的飞轮转起来

除了收集数据，更重要的是建立自动化的数据工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型，以更快的速度、更高效的方式应对边界化难题。

智己携手阿里共同打造“云上数据超级工厂”

这就是智己IM AD“飞轮式”智能驾驶解决方案。整个飞轮一共有三个关键因子：数据驱动的算法、海量数据、闭环自动化。

智己IM AD“飞轮解决方案

具体来说，整个闭环过程是这样的：

1、当车辆收集到高价值样本时，系统就会对观测结果进行全自动标注。

2、数据积累到一定水平，就会自动触发无人工干预的模型训练迭代，完成训练。

3、模型评测自动启动，研发团队只需阅读由系统所推送的评测报告来决定模型发版，即可完成整个闭环。

这个过程不断循环，自动“消化”海量长尾数据，从而低成本、高效率地打通整个链路，而不是依靠“传统”的人工驱动，耗时耗力。

这是IM AD迭代进化、领跑赛道的关键所在。IM AD采用人工智能超级算法，以全流程数据驱动为技术路线，利用车端持续产生的实际数据，能够全面高效的解决10%低概率长尾问题，真正帮助用户获得安全、良好的智能驾驶体验。

不断地循环，就像一个转起来的飞轮。为了使静止的飞轮转动起来，一开始你必须使很大的力气，一圈一圈反复地推，但是每一圈的努力都不会白费，飞轮会转动得越来越快，终成厚积薄发之势。

本站部分内容由互联网用户自发贡献，该文观点仅代表作者本人，本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规等内容，请举报！一经查实，本站将立刻删除。