以上，就是毫末在系统量产上车之后，获得的数据和场景的反馈作用力。
而在另一端，毫末延续本色，把AI最前沿创新技术的吸收作为进步的另一重保证。
现如今，大模型和Transformer落地应用自动驾驶已是业内所有玩家的共识，但熟悉行业前情的人或许多少还有印象，最早把Transformer作为新手段用于感知的，正是毫末。
最新前沿判断方面，顾维灏此次特别强调了Attention机制下的大模型带来的惊喜。
Attention大模型背后的机制，主要是用统一模型的思路解决问题，告别不同AI任务使用专门模型的范式。这种机制其实早在2014年便已经提出，但主要在NLP领域被应用，直到2020年起在计算机视觉领域也取得明显突破，从谷歌的VIT到微软的SwinTransformer，轻松刷爆各大排行榜。
基于Attention机制的Transformer结构，更是在各种通用任务中表现惊人，展现出有效的通用AI模型范式的潜力。
而且Attention机制结构简洁，可以无限堆叠基本单元得到巨大参数量模型，随着参数提升效果也在提升。
顾维灏认为，基于Attention大模型，辅助驾驶获得的大规模人机共驾数据就有了更高效地转换，随着量产车交付和上路，数据量不仅大而且足够多样，就能更快抵达自动驾驶终局。
这也是毫末认为“辅助驾驶是通往自动驾驶的必由之路”的技术底层自信，现阶段没有比辅助驾驶能更高效地积累到足够规模和多样性的数据。
但欲享Attention大模型之利，就得解决其落地之不易。
最核心的就是超大参数对于算力的需求：高需求、高成本，高落地难度，让摩尔定律不再有效。
顾维灏透露，毫末的方法是通过低碳超算来降低训练成本，通过改进车端模型和芯片设计来实现车端落地。云端和终端两头并举，两头优化。
于是毫末超算中心也正式亮相，成为首个构建超算的自动驾驶公司。
毫末方面还透露，毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。
自动驾驶的3.0时代？
量产、规模化、数据智能……
这是毫末智行谈到最多的词、强调最多的词，也是对于自动驾驶发展阶段的最新认知的总结。
在自动驾驶的落地探索征程中，有过路线的划分，比如Waymo为代表的终极派和特斯拉为代表的渐进派；有过传感器的阵营，如激光雷达阵营和纯视觉阵营；甚至以商用模式为基准，还有To C、To B和To G的划分。
