小米SU7的城市NOA在推送半個月之后，關于這套智能駕駛輔助系統(tǒng)的評價寥寥無幾。原因是，它只覆蓋北京、上海以及廣州等十個城市，還需要刷夠1000km的安全智能駕駛里程才可以使用。而且，是從6月6日開始陸續(xù)推送，而不是有車就能進行OTA；系統(tǒng)更新之后，就是憑上面提到的1000km里程夠了之后才可以開始使用。

總之，小米SU7的城區(qū)NOA功能想要用上，相對來說門檻比較高。

然后，就是關于這套智能駕駛的好用程度了。因為目前關于小米SU7城市NOA功能的相應的實際使用信息非常有限，但也能看出這套智能駕駛功能的城區(qū)NOA是否足夠好用。先給個小結，小米SU7更新之后的城區(qū)NOA功能，完成度挺高的，從整體策略來看是偏向保守的一個策略，想盡可能的確保整套流程都由系統(tǒng)來完成，減少駕駛員的介入。

這套小米SU7的智能駕駛，到底什么水平？

決策偏保守，接管很正常

經(jīng)過半個月的陸續(xù)推送之后，目前城區(qū)NOA所覆蓋的十個城市中，依舊只有少量的車主可以使用到這套城區(qū)NOA功能，原因大概是小米SU7的Pro版和Max版本的交車量不夠，又或者是1000km的智駕里程這個條件一部分人還沒達成；或者，是有的車主還沒有被“陸續(xù)”推送更新城區(qū)NOA功能。

參考已經(jīng)有部分車主開始使用城區(qū)NOA功能之后，給到的反饋，是“感覺依舊有些保守”，“復雜的路況下，還是會提示接管，或者主動接管”。

給到具體的使用層面分析，舉幾個例子。首先，是在右轉(zhuǎn)彎/左轉(zhuǎn)彎路口，有人行橫道，激光雷達+攝像頭等感知硬件，完全做到了細致的行人、自行車以及電動車等物體的精確識別，然后軟件策略的決策是，等所有行人/自行車等物體完全通過車頭后，按照原定路線繼續(xù)行駛，而不是采用繞行策略（也就是繞到非機動車等物體的后方通行駛過路口）。

這個工況下的決策，就顯得有些保守，需要等待行人完全通過之后，才會繼續(xù)行駛；然后，遇到突然搶行的非機動車出現(xiàn)在車頭的側(cè)方的時候，車輛會主動剎停，并且退出城區(qū)NOA功能。

也就是說，被動的觸發(fā)了駕駛員接管。

之后，就是匯入車道這個工況。匯入、匯出車道，這其實是在城區(qū)道路駕駛時候的一個高頻出現(xiàn)的場景，尤其是從匝道口匯入到主路、從主路匯出到匝道口這種工況下，小米SU7的策略主要是以讓行為主。具體來說，如果相鄰車道持續(xù)有車輛行駛經(jīng)過的話，小米SU7會持續(xù)保持匯入的執(zhí)行；沒有出現(xiàn)特別激進的那種，一下就匯入相鄰車道的操作（內(nèi)側(cè)版沒有，OTA之后也沒有）。

在這個工況下，其實有的車距空間，在駕駛員操作的前提下，是足夠讓車輛匯入車道的，但算法并沒有執(zhí)行匯入的指令。之后是關于匯出或者說是右側(cè)超車的場景，在臨側(cè)車道有空間可以并出、超車的前提下，智能駕駛系統(tǒng)已經(jīng)把車頭轉(zhuǎn)向并且駛?cè)肱赃呠嚨赖那疤嵯拢瑐?cè)后方來車之后，仍然會剎停，等待安全后再次完成并線。

當然，我們只是通過有限的測試信息，來對這套小米城區(qū)NOA做出的判斷。至少目前看下來，城區(qū)NOA智駕的策略是比較偏向于保守的。而且更多的時候，是需要“人機共駕”來解決駕駛難題的。

為什么，調(diào)校的偏保守？

得到OTA推送城區(qū)NOA的車型，都是兩顆英偉達Orin-X芯片方案，算力508TOPS的級別，理論上來說，在應對信息收集+決策執(zhí)行的挑戰(zhàn)，并不難，而且對508TOPS的算力來說，還觸及不到兩顆芯片的性能上限。

雖然感知硬件和芯片硬件使用情況都已經(jīng)是行業(yè)內(nèi)主流的選擇，但我們最終看到的城區(qū)NOA實際功能，還是保持著一套比較保守的執(zhí)行策略。

原因是什么？

小米的這套智能駕駛方案，底層邏輯，是包括變焦BEV技術、超分辨率OCC占用網(wǎng)絡以及道路大模型這三個板塊來實現(xiàn)最終的決策+執(zhí)行。變焦BEV和OCC占用網(wǎng)絡，不用過多介紹，就是一個感知環(huán)境和信息收集的功能。

主要還是聊聊道路大模型這塊。小米的道路大模型機制，是利用大數(shù)據(jù)和學習技術搭建的一個道路模型，能幫車輛理解道路的結構以及交通規(guī)則，還能預測道路上其他參與者的行為和可能性，而這個功能，主要是起到了城區(qū)NOA功能的決策和路徑規(guī)劃的作用。

相對來說，道路大模型這個功能，是具備一定的學習能力的，有點像特斯拉FSD那套系統(tǒng)中的CNN網(wǎng)絡一個意思，不斷的投喂人類駕駛員的駕駛視頻來學習，提升智能駕駛的成熟度；但區(qū)別在于，F(xiàn)SD中數(shù)據(jù)處理主要是依靠傳感器捕捉的，而小米的智能駕駛在數(shù)據(jù)處理層面，還是更依賴于高精地圖。

但底層的學習邏輯是有些相似的，還是需要比較大量的數(shù)據(jù)來做支撐。那么，搞清楚底層邏輯之后，現(xiàn)在再回過頭來看兩個問題，為什么偏保守的調(diào)校以及使用城區(qū)NOA功能有一個比較高的門檻，就很好解答了。

先說使用門檻的問題，刷夠1000km里程之后才可以使用。或許這個限制，是想要收集到更多高質(zhì)量的智能駕駛學習素材，從而來幫助智能駕駛系統(tǒng)的成熟與好用。那么，關于偏向保守的調(diào)校風格，個人感覺和硬件沒有任何關系，畢竟都到頂?shù)呐渲昧耍诵倪€是算法的設定。保守的策略，或許是學習的時間還不夠？

其實在部分工況下，也看到了系統(tǒng)的亮點，比如在路邊臨停車輛的繞行通過、路口剎車起步的姿態(tài)和響應速度等，而且第一個版本的城區(qū)NOA能拿出完成度較高的使用體驗，本身就很難得。

客觀角度來看，小米SU7的城市NOA系統(tǒng)在之后的幾個版本更新過后，好用程度會有非常明顯的提升。而版本更新速率，會取依靠素材收集以及大模型學習能力來決定。如果拿小米SU7現(xiàn)在的城區(qū)NOA功能來做最對比的話，比華為的ADS 2.0系統(tǒng)來說，可能只達到了80%的水平，后者說實話迭代了多個版本之后現(xiàn)在的擬人程度很不錯；但，相比于理想、蔚來這些產(chǎn)品的城區(qū)NOA功能的話，基本追平，再迭代幾個版本之后，追平華為ADS 2.0版本問題不大。