Applied Intuition 利用人工智能和大型语言模型来「改变」车辆性能和运行状况｜来源：Getty Image
全球的自动驾驶公司，都不怎么好过。
在美国，估值一度达到 300 亿美元的 Cruise 陷入泥潭，硅谷典范的 Waymo 迟迟不见盈利的希望。在国内，曾经高举 L4 大旗的公司，也纷纷加入到为车企服务 L2+自动驾驶的服务之中，赚点辛苦钱。
不过，凡事总有例外。
保时捷不久前领投了一家自动驾驶汽车软件公司Applied Intuition。
该公司主要为汽车制造商和其他公司，开发可用于研发自动驾驶解决方案的「仿真测试」软件，让客户可以反复测试车辆的软件和硬件，还能帮助他们管理自动驾驶的海量数据，从而缩短开发周期，并加快汽车的生产速度。
事实上，除了保时捷，参与领投的还有 Lux Capital 的 Bilal Zuberi、著名投资人 Elad Gil。不仅如此，Andreessen Horowitz、Mary Meeker 的 Bond 基金，甚至 F1 赛车世界冠军 Nico Rosberg 也加入了本轮投资。可谓是集合了众多明星资本。
这轮融资帮助 Applied Intuition 筹资 2.5 亿美元，使其估值达到 60 亿美元。
那么，在这样恶劣的环境下，Applied Intuition 凭借什么技术，完成上亿美元的融资？这家公司到底什么来头？
01 硅谷长出的智驾独角兽
Applied Intuition 在 2017 年成立，总部位于硅谷。
公司的两位创始人，Qasar Younis 和 Peter Ludwig 分别担任 CEO 和 CTO。两人在谷歌的地图业务中相识，一拍即合，决定共同创业，目标是为自动驾驶模拟仿真测试提供解决方案，从而加速全球对安全智能机器的采用。
公司自成立以来就致力于创新 AI 驱动方法解决复杂的软件问题，通过提供 AI 软件，来「改造」车辆的性能和运行，挖掘车辆数据，为产品开发和运营改进提供信息，从而彻底改变自动驾驶软件及其他领域的汽车软件开发流程。
目前，正在将更多 AI 软件应用到汽车、国防、建筑和农业等领域。
随着公司的发展，公司在底特律、华盛顿特区、德国、韩国和日本都设立了办事处，为全球各行业的客户提供服务。
对此，Applied Intuition 的联合创始人 Qasar Younis 表示，「作为生态系统的领导者，我们的职责就是将硅谷的最佳成果带给我们的全球客户群。」
目前，Applied Intuition 已宣布，与前 20 家汽车制造商中的 18 家合作，包括丰田、日产、RideFlux 等，甚至还与美国陆军和国防创新部门签订了合同。
另一位创始人 Peter Ludwig 对此更是直言，「汽车制造商在某些方面不与我们合作是很危险的，因为我们正在研究的某些技术非常复杂，而且会产生巨大的影响。」
值得一提的是，Applied Intuition 自创立起，就一直保持着三位数百分比的同比增长，还实现了盈利。不可否认，公司的发展受益于生成式人工智能、自主系统和软件定义汽车等时代大趋势，也因此备受明星资本的青睐，迄今为止已经完成了 5 轮融资，累计吸金超 6 亿美元。
Applied Intuition 完成了 5 轮融资，累计吸金超 6 亿美元｜来源：Applied Intuition 官网
新一轮的融资到手后，创始人 Younis 表示，「这笔钱用于开发一些野心勃勃的项目上。我们业界领先的汽车软件产品将注入人工智能技术，比如大语言模型等，扩展到我们明确的 ADAS 和 AD 工具链之外，这将成倍地加速下一代汽车的生产。」「不仅如此，有了这笔投资，我们还将开发我们自己的生成式 AI 模型，推动汽车和自动驾驶行业的发展。」
对此，Lux Capital 的普通合伙人 Bilal Zuberi 也表示，「Applied Intuition 站在人工智能革命的前沿，将改变全球交通行业。」
02 虚拟测试平台
Applied Intuition 的产品到底有什么魔力，能让创始人有能力「恐吓」全球汽车公司？
对于传统车企来说，部署复杂的高级驾驶辅助系统（ADAS）和自动驾驶（AD）软件带来巨大挑战，因为他们需要以具有成本效益和可扩展性的方式，开发和验证这些系统，而实际测试和数据收集都既昂贵又不安全。
为此，Applied Intuition 提供了 ADAS 和 AD 开发平台，使工程团队能够在虚拟环境中安全、高效地开发和测试系统，并缩短产品上市时间。
平台统一的工具链横跨从模拟到数据探索和验证的整个开发周期，还可以单独提供部分环节所需的仿真或数据工具。此外，它采用机器学习（ML）技术，支持日益逼真和复杂的用例。具体开发流程如下：
1、数据收集与生成
工程团队既可以通过实际测试获取驾驶日志，也可以利用平台的自动配置模型，自动搜索和识别相关的真实世界驾驶日志，来重新模拟、训练或评估。
这个过程生成的合成数据，将用于改进自动驾驶系统，以应对真实世界数据收集危险的情况，如变线、切入等｜来源：Applied Intuition 官网
2、仿真场景创建
团队可以根据合成数据或实际驾驶记录，为感知、预测、规划和控制模拟创建合成场景。平台的传感器和对象级模拟器具有确定性和真实性，易于使用，并能与所有测试系统集成。
通过重新模拟真实世界的驾驶日志来补充合成场景，并使用 AI 生成技术创建手工难以创建的复杂场景｜来源：Applied Intuition 官网
3、运行模拟
开发团队可以在内部或云端，进行智能选择，并行运行数千次模拟。在合并每项代码变更之前，自动执行进展和回归测试。
利用准确、详细和高效的车辆动力学模型模拟自动驾驶汽车的性能｜来源：Applied Intuition 官网
4、分析和验证
在用户友好的仪表板中可视化测试结果，评估系统性能，并跟踪运行设计域（ODD）的覆盖范围。并在将软件模块集成到整个车辆架构之前，确保满足功能、系统和法规要求。
在用户友好的仪表板中可视化测试结果，评估系统性能｜来源：Applied Intuition 官网
再举例来说，May Mobility 就使用了 Applied Intuition 的开发平台，提升了其视听技术的安全性、舒适性和性能测试的灵活性和效率。
May Mobility 通过使用 Applied Intuition 的模拟器 Object Sim，在虚拟场景中测试其软件，以确保车辆行驶安全，并满足乘车舒适度的特定标准。
通过 ISO 26262 认证的模拟器可进行逼真的物体模拟，用于确定方案通过与否｜来源：Applied Intuition 官网
May Mobility 还通过编程，从车队收集的数小时驾驶日志中发现异常情况和其他相关事件，再将感兴趣的事件转化为测试用例，以便在 Log Sim 中重新模拟。
通过重新模拟，工程团队可以在自动驾驶堆栈的循环中，调试路面事件，在过去的驾驶中，测试不同版本的堆栈，并利用 Applied Intuition 的 CI 平台「云引擎」在部署新软件之前，识别自动驾驶软件中出现的问题，并找到根本原因，再进行调整优化。
可见，汽车制造商可利用 Applied Intuition 的 ADAS 和 AD 开发平台最新的 AI 生成技术，持续开发、测试和验证系统，提高软件及硬件的开发速度、安全性和系统质量，同时优化生产成本。
03 合成数据和 AI
在高级驾驶辅助系统（ADAS）和自动驾驶（AD）系统的开发过程中，训练数据的数量和质量，直接影响到 ML 模型的性能。
然而，在现实世界中收集、标记数据既缓慢又昂贵，而以传感器「模拟」功能为基础的合成数据，则有助于解决这一难题。
开发团队可以使用编程语言和可视化编辑器，通过「模拟」对场景内容、天气、照明等「变量」进行「控制」，自主定义训练模型所需的准确数据和标签，轻松创建各种驾驶场景，包括复杂、罕见和危险的情况，而无需承担与真实世界测试相关的风险，不仅如此，还可以使用数据集管理工具，查看统计数据、过滤和导出数据。
Applied Intuition 的模拟夜景示例｜来源：Applied Intuition 官网
而且，在训练感知模型时，ML 工程师可以将合成数据与真实数据相结合，以更快的速度和更低的成本改进自主系统，确保合成数据集为支持 ML 的系统提供最大价值。
此外，合成数据集还提供可集成和可扩展的基础设施，帮助开发团队将生成的数据集与现有的 ML 模型进行集成，并验证模型性能是否有所提高，同时，「云引擎」可以在数小时内协调数千次并行「模拟」，实现弹性扩展和轻松协作。
Applied 的合成数据集允许团队根据高级语言、日志或场景生成数据集｜来源：Applied Intuition 官网
可见，Applied Intuition 通过在以编程方式生成和标注的传感器数据上进行训练，引导或提高机器学习（ML）模型的鲁棒性，从而节省数百万的数据收集、挖掘和标注成本，不仅解决了 ML 模型性能的迫切需求，还为 AI 训练方法的创新发展铺平了道路。
那么，自动驾驶汽车团队如何用 Applied Intuition 的合成数据集训练系统？
汽车团队可以用合成数据集，测试各种车辆配置的主动安全功能，评估操作设计域（ODD）中各种场景的系统行为，验证自动泊车系统、自动高速公路导航等，并满足商业部署的安全法规要求。具体的使用情况如下：
迭代、模拟优先的开发方法
利用仿真技术缩短开发周期，从编写代码到虚拟测试再到实际测试，从数周缩短到数天，减少昂贵甚至危险的道路测试。
有效利用真实数据和合成数据
为下一个生产启动 (SOP) 计划建立数据引擎。将相关事件转换为用于回归测试的模拟测试，并尝试通过使用合成数据进行训练来提高感知性能。
全面模拟
采用可跟踪不同测试环境结果的平台，以了解性能并尽早开始准备安全案例。比如，探索边缘情况，如变线、并线、切入和上下匝道活动，并改变环境参数，如一天中的时间、住宅区和高速公路路况，进行全面测试，为未来的迭代直至最终生产建立信心。
能力驱动开发
利用合成数据提高道路和停车计算机视觉功能的性能，将标注道路训练数据的相关成本最多降低 10%。使开发人员能够在 ADAS 计算硬件可用之前对嵌入式代码功能进行评估。将开发周期缩短约六个月。
性能校准
全面评估系统行为，采用与实际结果相关的仿真模型，为 SIL 和 HIL 测试域设计实时车辆运动支持，促进各种执行器的原始设备制造商和供应商模型的集成。
验证和认证
通过模拟对每个软件版本进行持续验证，将最终验证阶段发现的软件集成缺陷减少 90%。将测试自动化集成到软件构建系统中。
可见，Applied Intuition 的合成数据集，对真实世界数据进行了有效补充，提供了一种可扩展的高效解决方案，通过帮助感知和验证团队定义、生成和利用用于 ML 模型的合成训练数据，促进数据驱动的 ADAS 和 AD 开发。
根据数据，到 2026 年，全球自动驾驶汽车市场预计将达到 648.8 亿美元。特斯拉、Uber、Waymo 和现有的汽车制造商都面临着竞争压力，必须加快自动驾驶汽车技术的发展。
软件和 AI 正在迅速改变下一代汽车的发展。Applied Intuition 的软件解决方案可帮助汽车制造商、一级供应商以及卡车运输、建筑和农业等行业的公司驾驭这一转变，彻底改变汽车软件开发流程，并将软件定义的汽车快速、安全地推向市常
可见，作为一家「自动驾驶」和造车行业的「送水人」，随着 AI 技术的进化，同样也能做得非常成功。
