2024年，中国城市智驾迎来全面爆发。在这场高阶智能驾驶的竞速赛中，广汽正以稳健而坚定的步伐，向行业第一梯队迈进。

广汽的“星灵智行” ADiGO 技术品牌，以AI重构智能汽车，全面推动AI赋能智能驾驶和智能座舱，加速汽车从“移动工具”，向“智能终端”进化。广汽 GSD 智能辅助驾驶实现了对复杂城市场景的泛化理解能力。系统现已覆盖至少35个主场景、357个子场景，在红绿灯起停、拥堵博弈变道、待转区左转等高难度场景中表现游刃有余，城市场景覆盖率超99%，被动接管率优于100公里/次。同时，广汽成为全国首批 L3 自动驾驶准入的车企之一，达到行业领先水平。

而这背后，是一场关于“数据洪流”的硬仗。广汽投入在端到端自动驾驶的训练数据从PB级起步，并且已经逐步扩展到接近百PB规模，模型参数量规模从百兆起步，未来会要达到千兆以上，集群规模从千卡起步，未来也会进阶万卡。

广汽意识到：为满足技术快速迭代的需求，对主机厂而言，打造一个高性能，稳定可靠的AI基础设施至关重要。

于是，一场关于“自动驾驶数据、算力与工程体系”的攻坚战悄然打响。

智能驾驶进入“深水区”，旧体系难以为继

过去几年，自动驾驶的技术路线经历了深刻变革：从早期基于规则的模块化架构，到如今主流的端到端大模型+VLA（视觉-语言-动作）范式，整个行业的研发逻辑正在被重塑。这一转变带来的最直接冲击，是数据量的指数级增长。为了研发一款具备市场竞争力的自动驾驶产品，广汽自动驾驶团队每天要处理的数据量攀升至近百PB级：摄像头图像、激光雷达点云、毫米波雷达信号、车辆状态信息……这些原始数据需要经过解包、切帧、标注、清洗、训练等多个环节，才能用于模型迭代。而在模型的训练、推理和仿真环节，还要保证集群运行的稳定性和资源的高利用率。

然而，在广汽自动驾驶研发团队的早期探索中，面临到一个几乎所有车企都会遇到的困局：数据多、流程散、效率低，传统的自建研发架构逐渐暴露出瓶颈：

●         单个clip（数据片段）处理耗时长达上百分钟；

●         百万级任务调度延迟高，资源利用率不足40%；

●         元数据分散在不同系统中，异常样本溯源困难；

●         模型训练排队严重，迭代周期长，难以应对复杂长尾场景。

与此同时，随着端到端大模型成为行业主流，数据闭环的速度直接决定了技术演进的节奏。谁能把数据流转得更快，谁就能在长尾场景覆盖、模型泛化能力和用户体验优化上建立代际优势。

联手阿里云：打造属于广汽的“智能端到端数据底座”

面对这场系统性挑战，广汽没有选择简单堆资源或者采购工具，而是决定与阿里云展开深度协同，共同构建一套面向未来的“智能端到端数据底座”。正值阿里云大数据 AI 平台全面升级其智能辅助驾驶解决方案，该方案覆盖从数据接入、处理、训练到推理仿真的全生命周期管理。这对正处于转型关键期的广汽而言，恰逢其时。借助阿里云大数据 AI 平台能力，广汽逐步构建起支撑智能驾驶业务可持续发展的技术底座。

“目前，广汽与阿里合力打造的智驾云已经高效稳定运行半年多。”广汽集团自动驾驶首席科学家周寅分享，“在这个过程中，我们整个AI基础设施的稳定性，资源利用率以及研发效率也取得了质的飞跃和提升。”

广汽基于阿里云大数据AI平台加速广汽GSD智能辅助驾驶系统迭代

这不是一次简单的工具替换，而是一次面向未来的端到端数据底座范式升级。

第一步：优化数据产线，让数据真正“流动”起来

数据是燃料，但先要能“点燃”。广汽首先聚焦数据处理环节，引入阿里云 MaxCompute - MaxFrame 分布式计算框架，结合 DataWorks 一站式智能数据开发治理平台实现海量数据全流程自动化管理。

效果立竿见影：

●         单任务可调度数万Core算力，最大20GB单文件处理，数据包处理效率相较自建方案提升10倍以上；

●         日均可处理数十万级数据包，生成超过数百万clips和数亿训练样本；

●         借助 DataWorks 实现百万级任务的一站式开发与调度管理；

●         通过元数据血缘追踪，异常 clip 可快速回溯至原始数据源，大幅提升可维护性；

“通过和阿里云大数据 AI 平台的合作，把每天3个亿样本处理的周期，从周级别变成了天级别，保证了迭代的效率。”广汽集团基础架构负责人王麒钧表示，“这让我们可以把精力真正放在业务创新上。”

同时，平台采用弹性伸缩与按量付费模式，有效降低单个数据包的处理成本，显著减轻长期运营的资源与财务压力。

第二步：打通检索瓶颈，让“大海捞针”变得高效

在千亿级训练数据中精准定位特定场景（如雨天施工区、夜间行人横穿），是提升长尾场景覆盖率的关键。广汽可基于阿里云大数据 AI 平台的向量检索引擎，构建高性能检索能力：

●         对文本、图像、点云等多模态混合检索；

●         实现 PB 级非结构化数据的毫秒级响应；

这项能力不仅能提升数据挖掘效率，也为后续大模型预训练提供高质量语料基础。

第三步：加速模型训练，缩短从数据到决策的闭环周期

如果说数据是燃料，训练就是燃烧过程。

广汽依托于阿里云PAI平台和灵骏集群，支持千卡规模的训练任务，稳定训练4周以上不中断。同时借助PAI的企业级资源管理功能，广汽目前智算资源利用率可以做到90%以上。

值得高兴的是，广汽在模型训练效率上，成功应用了PAI Turbo-X的模型训练加速方案，在系统侧，数据侧，模型侧等多维度全方位加速：

●         系统侧：优化 CPU 亲和性、垃圾回收机制、动态编译、流水线并行和操作系统

●         数据侧：高性能的 DataLoader 引擎，优化数据预处理流程和实现智能训练样本分组

●         模型侧：算子、Module、优化器、优化策略、量化、CPU 和 GPU 设备的自动切换

最终在单训练任务数据规模增长了20倍，模型参数规模增长了10倍的情况下，取得了缩短训练时长50%的可喜收益。版本模型2天迭代1次，这在智驾研发里，是非常大的代际差距。

第四步：技术共创，探索AI基础设施和模型训练新范式

更值得期待的是，广汽并未止步于“使用”，而是与阿里云共同探索下一代AI基础设施建设和模型训练新范式。

双方围绕 Lance File ——一种新兴的具有极致压缩比的列式非结构化数据格式，开展技术共创试点。利用其极致压缩比和内置索引能力，进一步降低存储开销、提升数据加载速度。

同时，探索结合阿里云大模型训练框架PAI-Megatron-Patch和强化学习框架PAI-ChatLearn等技术，进一步加速大模型模型训练和推理的进程。

这些共创和尝试，不仅是技术的优化，更是为未来大规模车云协同训练打下基础。

迈向成熟：从“解决问题”到“构建能力”

如今，广汽已将多条核心智驾数据产线建设在阿里云大数据 AI 平台，建立起一套稳定、高效、可扩展的端到端数据智能研发体系：

●         数据闭环周期缩短 1倍

●         数据处理效率提升 10倍

●         模型训练资源利用率翻番

●         研发运维人力投入显著降低

更重要的是，这套体系具备良好的延展性，能够支撑广汽在未来几年内持续升级感知、规控等模块的技术栈。

“我们会坚定的拥抱阿里云这个合作伙伴，在 Data+AI 这一层做持续的深度建设。”广汽集团基础架构负责人王麒钧指出，“这是广汽在自动驾驶发展各种不确定因素中，最确定的一部分。”

广汽集团基础架构负责人王麒钧在云栖大会分享

结语：在深水区稳扎稳打，才是长远之道

今天，超过80%中国车企的智驾跑在阿里云大数据 AI 平台上。

这并非偶然，而是行业共识的体现：在AI驱动的时代，主机厂的核心竞争力，不再仅仅是“造车”，更是“造系统”。

今天的广汽，已经找到了正确的方向：用先进的大数据 AI 平台，支撑持续打磨的技术底座和快速迭代的模型算法。

在这条通往高阶智能驾驶的路上，广汽始终稳扎稳打，而阿里云大数据 AI 平台也将作为广汽的坚实后盾，持续陪伴广汽一路前行。