Applied Intuition 利用人工智能和大型語言模型來「改變」車輛性能和運行狀況｜來源：Getty Image

全球的自動駕駛公司，都不怎么好過。

在美國，估值一度達到 300 億美元的 Cruise 陷入泥潭，硅谷典范的 Waymo 遲遲不見盈利的希望。在國內，曾經高舉 L4 大旗的公司，也紛紛加入到為車企服務 L2+自動駕駛的服務之中，賺點辛苦錢。

不過，凡事總有例外。

保時捷不久前領投了一家自動駕駛汽車軟件公司——Applied Intuition。

該公司主要為汽車制造商和其他公司，開發可用于研發自動駕駛解決方案的「仿真測試」軟件，讓客戶可以反復測試車輛的軟件和硬件，還能幫助他們管理自動駕駛的海量數據，從而縮短開發周期，并加快汽車的生產速度。

事實上，除了保時捷，參與領投的還有 Lux Capital 的 Bilal Zuberi、著名投資人 Elad Gil。不僅如此，Andreessen Horowitz、Mary Meeker 的 Bond 基金，甚至 F1 賽車世界冠軍 Nico Rosberg 也加入了本輪投資。可謂是集合了眾多明星資本。

這輪融資幫助 Applied Intuition 籌資 2.5 億美元，使其估值達到 60 億美元。

那么，在這樣惡劣的環境下，Applied Intuition 憑借什么技術，完成上億美元的融資？這家公司到底什么來頭？

01 硅谷長出的智駕獨角獸

Applied Intuition 在 2017 年成立，總部位于硅谷。

公司的兩位創始人，Qasar Younis 和 Peter Ludwig 分別擔任 CEO 和 CTO。兩人在谷歌的地圖業務中相識，一拍即合，決定共同創業，目標是為自動駕駛模擬仿真測試提供解決方案，從而加速全球對安全智能機器的采用。

公司自成立以來就致力于創新 AI 驅動方法解決復雜的軟件問題，通過提供 AI 軟件，來「改造」車輛的性能和運行，挖掘車輛數據，為產品開發和運營改進提供信息，從而徹底改變自動駕駛軟件及其他領域的汽車軟件開發流程。

目前，正在將更多 AI 軟件應用到汽車、國防、建筑和農業等領域。

隨著公司的發展，公司在底特律、華盛頓特區、德國、韓國和日本都設立了辦事處，為全球各行業的客戶提供服務。

對此，Applied Intuition 的聯合創始人 Qasar Younis 表示，「作為生態系統的領導者，我們的職責就是將硅谷的最佳成果帶給我們的全球客戶群。」

目前，Applied Intuition 已宣布，與前 20 家汽車制造商中的 18 家合作，包括豐田、日產、RideFlux 等，甚至還與美國陸軍和國防創新部門簽訂了合同。

另一位創始人 Peter Ludwig 對此更是直言，「汽車制造商在某些方面不與我們合作是很危險的，因為我們正在研究的某些技術非常復雜，而且會產生巨大的影響?！?/p>

值得一提的是，Applied Intuition 自創立起，就一直保持著三位數百分比的同比增長，還實現了盈利。不可否認，公司的發展受益于生成式人工智能、自主系統和軟件定義汽車等時代大趨勢，也因此備受明星資本的青睞，迄今為止已經完成了 5 輪融資，累計吸金超 6 億美元。

Applied Intuition 完成了 5 輪融資，累計吸金超 6 億美元｜來源：Applied Intuition 官網

新一輪的融資到手后，創始人 Younis 表示，「這筆錢用于開發一些野心勃勃的項目上。我們業界領先的汽車軟件產品將注入人工智能技術，比如大語言模型等，擴展到我們明確的 ADAS 和 AD 工具鏈之外，這將成倍地加速下一代汽車的生產。」「不僅如此，有了這筆投資，我們還將開發我們自己的生成式 AI 模型，推動汽車和自動駕駛行業的發展。」

對此，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，將改變全球交通行業?！?/p>

02 虛擬測試平臺

Applied Intuition 的產品到底有什么魔力，能讓創始人有能力「恐嚇」全球汽車公司？

對于傳統車企來說，部署復雜的高級駕駛輔助系統（ADAS）和自動駕駛（AD）軟件帶來巨大挑戰，因為他們需要以具有成本效益和可擴展性的方式，開發和驗證這些系統，而實際測試和數據收集都既昂貴又不安全。

為此，Applied Intuition 提供了 ADAS 和 AD 開發平臺，使工程團隊能夠在虛擬環境中安全、高效地開發和測試系統，并縮短產品上市時間。

平臺統一的工具鏈橫跨從模擬到數據探索和驗證的整個開發周期，還可以單獨提供部分環節所需的仿真或數據工具。此外，它采用機器學習（ML）技術，支持日益逼真和復雜的用例。具體開發流程如下：

1、數據收集與生成

工程團隊既可以通過實際測試獲取駕駛日志，也可以利用平臺的自動配置模型，自動搜索和識別相關的真實世界駕駛日志，來重新模擬、訓練或評估。

這個過程生成的合成數據，將用于改進自動駕駛系統，以應對真實世界數據收集危險的情況，如變線、切入等｜來源：Applied Intuition 官網

2、仿真場景創建

團隊可以根據合成數據或實際駕駛記錄，為感知、預測、規劃和控制模擬創建合成場景。平臺的傳感器和對象級模擬器具有確定性和真實性，易于使用，并能與所有測試系統集成。

通過重新模擬真實世界的駕駛日志來補充合成場景，并使用 AI 生成技術創建手工難以創建的復雜場景｜來源：Applied Intuition 官網

3、運行模擬

開發團隊可以在內部或云端，進行智能選擇，并行運行數千次模擬。在合并每項代碼變更之前，自動執行進展和回歸測試。

利用準確、詳細和高效的車輛動力學模型模擬自動駕駛汽車的性能｜來源：Applied Intuition 官網

4、分析和驗證

在用戶友好的儀表板中可視化測試結果，評估系統性能，并跟蹤運行設計域（ODD）的覆蓋范圍。并在將軟件模塊集成到整個車輛架構之前，確保滿足功能、系統和法規要求。

在用戶友好的儀表板中可視化測試結果，評估系統性能｜來源：Applied Intuition 官網

再舉例來說，May Mobility 就使用了 Applied Intuition 的開發平臺，提升了其視聽技術的安全性、舒適性和性能測試的靈活性和效率。

May Mobility 通過使用 Applied Intuition 的模擬器 Object Sim，在虛擬場景中測試其軟件，以確保車輛行駛安全，并滿足乘車舒適度的特定標準。

通過 ISO 26262 認證的模擬器可進行逼真的物體模擬，用于確定方案通過與否｜來源：Applied Intuition 官網

May Mobility 還通過編程，從車隊收集的數小時駕駛日志中發現異常情況和其他相關事件，再將感興趣的事件轉化為測試用例，以便在 Log Sim 中重新模擬。

通過重新模擬，工程團隊可以在自動駕駛堆棧的循環中，調試路面事件，在過去的駕駛中，測試不同版本的堆棧，并利用 Applied Intuition 的 CI 平臺「云引擎」在部署新軟件之前，識別自動駕駛軟件中出現的問題，并找到根本原因，再進行調整優化。

可見，汽車制造商可利用 Applied Intuition 的 ADAS 和 AD 開發平臺最新的 AI 生成技術，持續開發、測試和驗證系統，提高軟件及硬件的開發速度、安全性和系統質量，同時優化生產成本。

03 合成數據和 AI

在高級駕駛輔助系統（ADAS）和自動駕駛（AD）系統的開發過程中，訓練數據的數量和質量，直接影響到 ML 模型的性能。

然而，在現實世界中收集、標記數據既緩慢又昂貴，而以傳感器「模擬」功能為基礎的合成數據，則有助于解決這一難題。

開發團隊可以使用編程語言和可視化編輯器，通過「模擬」對場景內容、天氣、照明等「變量」進行「控制」，自主定義訓練模型所需的準確數據和標簽，輕松創建各種駕駛場景，包括復雜、罕見和危險的情況，而無需承擔與真實世界測試相關的風險，不僅如此，還可以使用數據集管理工具，查看統計數據、過濾和導出數據。

Applied Intuition 的模擬夜景示例｜來源：Applied Intuition 官網

而且，在訓練感知模型時，ML 工程師可以將合成數據與真實數據相結合，以更快的速度和更低的成本改進自主系統，確保合成數據集為支持 ML 的系統提供最大價值。

此外，合成數據集還提供可集成和可擴展的基礎設施，幫助開發團隊將生成的數據集與現有的 ML 模型進行集成，并驗證模型性能是否有所提高，同時，「云引擎」可以在數小時內協調數千次并行「模擬」，實現彈性擴展和輕松協作。

Applied 的合成數據集允許團隊根據高級語言、日志或場景生成數據集｜來源：Applied Intuition 官網

可見，Applied Intuition 通過在以編程方式生成和標注的傳感器數據上進行訓練，引導或提高機器學習（ML）模型的魯棒性，從而節省數百萬的數據收集、挖掘和標注成本，不僅解決了 ML 模型性能的迫切需求，還為 AI 訓練方法的創新發展鋪平了道路。

那么，自動駕駛汽車團隊如何用 Applied Intuition 的合成數據集訓練系統？

汽車團隊可以用合成數據集，測試各種車輛配置的主動安全功能，評估操作設計域（ODD）中各種場景的系統行為，驗證自動泊車系統、自動高速公路導航等，并滿足商業部署的安全法規要求。具體的使用情況如下：

迭代、模擬優先的開發方法

利用仿真技術縮短開發周期，從編寫代碼到虛擬測試再到實際測試，從數周縮短到數天，減少昂貴甚至危險的道路測試。

有效利用真實數據和合成數據

為下一個生產啟動 (SOP) 計劃建立數據引擎。將相關事件轉換為用于回歸測試的模擬測試，并嘗試通過使用合成數據進行訓練來提高感知性能。

全面模擬

采用可跟蹤不同測試環境結果的平臺，以了解性能并盡早開始準備安全案例。比如，探索邊緣情況，如變線、并線、切入和上下匝道活動，并改變環境參數，如一天中的時間、住宅區和高速公路路況，進行全面測試，為未來的迭代直至最終生產建立信心。

能力驅動開發

利用合成數據提高道路和停車計算機視覺功能的性能，將標注道路訓練數據的相關成本最多降低 10%。使開發人員能夠在 ADAS 計算硬件可用之前對嵌入式代碼功能進行評估。將開發周期縮短約六個月。

性能校準

全面評估系統行為，采用與實際結果相關的仿真模型，為 SIL 和 HIL 測試域設計實時車輛運動支持，促進各種執行器的原始設備制造商和供應商模型的集成。

驗證和認證

通過模擬對每個軟件版本進行持續驗證，將最終驗證階段發現的軟件集成缺陷減少 90%。將測試自動化集成到軟件構建系統中。

可見，Applied Intuition 的合成數據集，對真實世界數據進行了有效補充，提供了一種可擴展的高效解決方案，通過幫助感知和驗證團隊定義、生成和利用用于 ML 模型的合成訓練數據，促進數據驅動的 ADAS 和 AD 開發。

根據數據，到 2026 年，全球自動駕駛汽車市場預計將達到 648.8 億美元。特斯拉、Uber、Waymo 和現有的汽車制造商都面臨著競爭壓力，必須加快自動駕駛汽車技術的發展。

軟件和 AI 正在迅速改變下一代汽車的發展。Applied Intuition 的軟件解決方案可幫助汽車制造商、一級供應商以及卡車運輸、建筑和農業等行業的公司駕馭這一轉變，徹底改變汽車軟件開發流程，并將軟件定義的汽車快速、安全地推向市場。

可見，作為一家「自動駕駛」和造車行業的「送水人」，隨著 AI 技術的進化，同樣也能做得非常成功。