2024年，中國城市智駕迎來全面爆發。在這場高階智能駕駛的競速賽中，廣汽正以穩健而堅定的步伐，向行業第一梯隊邁進。

廣汽的“星靈智行” ADiGO 技術品牌，以AI重構智能汽車，全面推動AI賦能智能駕駛和智能座艙，加速汽車從“移動工具”，向“智能終端”進化。廣汽 GSD 智能輔助駕駛實現了對複雜城市場景的泛化理解能力。系統現已覆蓋至少35個主場景、357個子場景，在紅綠燈起停、擁堵博弈變道、待轉區左轉等高難度場景中表現遊刃有餘，城市場景覆蓋率超99%，被動接管率優於100公里/次。同時，廣汽成為全國首批 L3 自動駕駛准入的車企之一，達到行業領先水平。

而這背後，是一場關於“數據洪流”的硬仗。廣汽投入在端到端自動駕駛的訓練數據從PB級起步，並且已經逐步擴展到接近百PB規模，模型參數量規模從百兆起步，未來會要達到千兆以上，集羣規模從千卡起步，未來也會進階萬卡。

廣汽意識到：為滿足技術快速迭代的需求，對主機廠而言，打造一個高性能，穩定可靠的AI基礎設施至關重要。

於是，一場關於“自動駕駛數據、算力與工程體系”的攻堅戰悄然打響。

智能駕駛進入“深水區”，舊體系難以為繼

過去幾年，自動駕駛的技術路線經歷了深刻變革：從早期基於規則的模塊化架構，到如今主流的端到端大模型+VLA（視覺-語言-動作）範式，整個行業的研發邏輯正在被重塑。這一轉變帶來的最直接衝擊，是數據量的指數級增長。為了研發一款具備市場競爭力的自動駕駛產品，廣汽自動駕駛團隊每天要處理的數據量攀升至近百PB級：攝像頭圖像、激光雷達點雲、毫米波雷達信號、車輛狀態信息……這些原始數據需要經過解包、切幀、標註、清洗、訓練等多個環節，才能用於模型迭代。而在模型的訓練、推理和仿真環節，還要保證集羣運行的穩定性和資源的高利用率。

然而，在廣汽自動駕駛研發團隊的早期探索中，面臨到一個幾乎所有車企都會遇到的困局：數據多、流程散、效率低，傳統的自建研發架構逐漸暴露出瓶頸：

• 單個clip（數據片段）處理耗時長達上百分鐘；
• 百萬級任務調度延遲高，資源利用率不足40%；
• 元數據分散在不同系統中，異常樣本溯源困難；
• 模型訓練排隊嚴重，迭代週期長，難以應對複雜長尾場景。

與此同時，隨着端到端大模型成為行業主流，數據閉環的速度直接決定了技術演進的節奏。誰能把數據流轉得更快，誰就能在長尾場景覆蓋、模型泛化能力和用户體驗優化上建立代際優勢。

聯手阿里雲：打造屬於廣汽的“智能端到端數據底座”

面對這場系統性挑戰，廣汽沒有選擇簡單堆資源或者採購工具，而是決定與阿里雲展開深度協同，共同構建一套面向未來的“智能端到端數據底座”。正值阿里雲大數據 AI 平台全面升級其智能輔助駕駛解決方案，該方案覆蓋從數據接入、處理、訓練到推理仿真的全生命週期管理。這對正處於轉型關鍵期的廣汽而言，恰逢其時。藉助阿里雲大數據 AI 平台能力，廣汽逐步構建起支撐智能駕駛業務可持續發展的技術底座。

“目前，廣汽與阿里合力打造的智駕雲已經高效穩定運行半年多。”廣汽集團自動駕駛首席科學家周寅分享，“在這個過程中，我們整個AI基礎設施的穩定性，資源利用率以及研發效率也取得了質的飛躍和提升。”

廣汽基於阿里雲大數據AI平台加速廣汽GSD智能輔助駕駛系統迭代

這不是一次簡單的工具替換，而是一次面向未來的端到端數據底座範式升級。

第一步：優化數據產線，讓數據真正“流動”起來

數據是燃料，但先要能“點燃”。廣汽首先聚焦數據處理環節，引入阿里雲 MaxCompute - MaxFrame 分佈式計算框架，結合 DataWorks 一站式智能數據開發治理平台實現海量數據全流程自動化管理。

效果立竿見影：

• 單任務可調度數萬Core算力，最大20GB單文件處理，數據包處理效率相較自建方案提升10倍以上；
• 日均可處理數十萬級數據包，生成超過數百萬clips和數億訓練樣本；
• 藉助 DataWorks 實現百萬級任務的一站式開發與調度管理；
• 通過元數據血緣追蹤，異常 clip 可快速回溯至原始數據源，大幅提升可維護性；

“通過和阿里雲大數據 AI 平台的合作，把每天3個億樣本處理的週期，從周級別變成了天級別，保證了迭代的效率。”廣汽集團基礎架構負責人王麒鈞表示，“這讓我們可以把精力真正放在業務創新上。”

同時，平台採用彈性伸縮與按量付費模式，有效降低單個數據包的處理成本，顯著減輕長期運營的資源與財務壓力。

第二步：打通檢索瓶頸，讓“大海撈針”變得高效

在千億級訓練數據中精準定位特定場景（如雨天施工區、夜間行人橫穿），是提升長尾場景覆蓋率的關鍵。廣汽可基於阿里雲大數據 AI 平台的向量檢索引擎，構建高性能檢索能力：

• 對文本、圖像、點雲等多模態混合檢索；
• 實現 PB 級非結構化數據的毫秒級響應；

這項能力不僅能提升數據挖掘效率，也為後續大模型預訓練提供高質量語料基礎。

第三步：加速模型訓練，縮短從數據到決策的閉環週期

如果説數據是燃料，訓練就是燃燒過程。

廣汽依託於阿里雲PAI平台和靈駿集羣，支持千卡規模的訓練任務，穩定訓練4周以上不中斷。同時藉助PAI的企業級資源管理功能，廣汽目前智算資源利用率可以做到90%以上。

值得高興的是，廣汽在模型訓練效率上，成功應用了PAI Turbo-X的模型訓練加速方案，在系統側，數據側，模型側等多維度全方位加速：

• 系統側：優化 CPU 親和性、垃圾回收機制、動態編譯、流水線並行和操作系統
• 數據側：高性能的 DataLoader 引擎，優化數據預處理流程和實現智能訓練樣本分組
• 模型側：算子、Module、優化器、優化策略、量化、CPU 和 GPU 設備的自動切換
  

最終在單訓練任務數據規模增長了20倍，模型參數規模增長了10倍的情況下，取得了縮短訓練時長50%的可喜收益。版本模型2天迭代1次，這在智駕研發裏，是非常大的代際差距。

第四步：技術共創，探索AI基礎設施和模型訓練新範式

更值得期待的是，廣汽並未止步於“使用”，而是與阿里雲共同探索下一代AI基礎設施建設和模型訓練新範式。

雙方圍繞 Lance File ——一種新興的具有極致壓縮比的列式非結構化數據格式，開展技術共創試點。利用其極致壓縮比和內置索引能力，進一步降低存儲開銷、提升數據加載速度。

同時，探索結合阿里雲大模型訓練框架PAI-Megatron-Patch和強化學習框架PAI-ChatLearn等技術，進一步加速大模型模型訓練和推理的進程。

這些共創和嘗試，不僅是技術的優化，更是為未來大規模車雲協同訓練打下基礎。

邁向成熟：從“解決問題”到“構建能力”

如今，廣汽已將多條核心智駕數據產線建設在阿里雲大數據 AI 平台，建立起一套穩定、高效、可擴展的端到端數據智能研發體系：

• 數據閉環週期縮短 1倍
• 數據處理效率提升 10倍
• 模型訓練資源利用率翻番
• 研發運維人力投入顯著降低

更重要的是，這套體系具備良好的延展性，能夠支撐廣汽在未來幾年內持續升級感知、規控等模塊的技術棧。

“我們會堅定的擁抱阿里雲這個合作伙伴，在 Data+AI 這一層做持續的深度建設。”廣汽集團基礎架構負責人王麒鈞指出，“這是廣汽在自動駕駛發展各種不確定因素中，最確定的一部分。”

廣汽集團基礎架構負責人王麒鈞在雲棲大會分享

結語：在深水區穩紮穩打，才是長遠之道

今天，超過80%中國車企的智駕跑在阿里雲大數據 AI 平台上。

這並非偶然，而是行業共識的體現：在AI驅動的時代，主機廠的核心競爭力，不再僅僅是“造車”，更是“造系統”。

今天的廣汽，已經找到了正確的方向：用先進的大數據 AI 平台，支撐持續打磨的技術底座和快速迭代的模型算法。

在這條通往高階智能駕駛的路上，廣汽始終穩紮穩打，而阿里雲大數據 AI 平台也將作為廣汽的堅實後盾，持續陪伴廣汽一路前行。