端到端，当前智能驾驶行业最火热的词汇；特斯拉，智能驾驶领域的标杆企业。不想当将军的士兵不是好士兵，同样的，总有一些企业，是想要超越第一，成为第一，小鹏、蔚来等企业都在做着这样尝试。而有一家企业在端到端技术上不不弱于特斯拉，甚至几度领先。

2022年，在全行业都没有关注端到端之时，这家公司就提出了行业首个感知决策一体的端到端智驾方案。在FSD V12版本也就是特斯拉的端到端方案面世之前，这家公司端到端方案已经斩获CVPR最佳论文。

这家公司就是商汤绝影，它背后站着一位世界级的AI大牛。

被引用次数超过12万次、H因子高达151、学科H因子139、出版著作150+……

在最新的计算机科学家排名中，这样的学术成绩，是中国第二。

这位AI大牛就是商汤科技联合创始人、首席科学家、商汤绝影事业群总裁王晓刚。如今，王晓刚带着他的团队在智驾领域All in端到端，UniAD端到端智驾方案明年即将量产落地，正面“硬刚”即将入华的特斯拉FSD。

中国TOP 2，怎么评出来的

知名学术平台Research.com刚刚公布了计算机科学全球顶尖科学家名单，其中商汤的王晓刚博士排名中国第2，世界第37。

Research.com的榜单中，从2022年开始王晓刚就一直是中国计算机科学TOP 3的“leader”学者。总被引用次数125264次，从2016年之后算，被引用次数也达到了92560次。

因为是细分的计算机科学排名，所以Research.com使用了较为准确的D-index，及学科内H因子作为依据，细化到被调查学科的论文和引用值，王晓刚博士的这一数据为139。

作为对比，深度神经网络之父Geoffrey Hinton的D-index为166。

王晓刚博士被引用次数前三的论文，分别是Pyramid scene parsing network（15490次引用）、Deep learning face attributes in the wild（9381次引用）、Residual attention network for image classification（4386次引用）。

尤其是2017年他和团队提出的PSPNet，深刻影响了后续图像语义分割的发展。其核心思想是利用金字塔池化（Pyramid Pooling Module）模块，通过使用不同尺度的池化核对输入特征图进行池化操作，有效地获取多尺度的上下文信息。所以网络能够更全面地理解图像中的语义信息，从而提高语义分割的准确性和鲁棒性。

类似的成果还有很多，从内容上看，王晓刚的学术成果覆盖模式识别、机器学习、特征提取和计算机视觉，涉及卷积神经网络、深度学习、人脸识别系统、人脸和判别模型，均属于人工智能范畴。

模式识别、大语言模型、计算机视觉技术等交叉领域的探索，正是目前自动驾驶领域最热门、最被看好的方向之一——端到端自动驾驶。

所以，在商汤科技成长为平台型AI公司之后，王晓刚也顺理成章带领团队向难度更大、落地场景更复杂、规模潜力更大的汽车工业发起冲击。

不过在介绍王晓刚目前的工作之前，先简单说一下他的经历。

谁是王晓刚

王晓刚是中国科技大学少年班出身，2001年毕业。2004年又获得香港中文大学信息工程硕士学位。2009年获得麻省理工学院人工智能实验室计算机博士学位，同年加入香港中文大学电子工程系，2020年起担任教授。

学术方面，王晓刚在顶级的国际期刊和会议发表超过300篇论文，其论文在Google Scholar上的引用超过120000次，h-index = 151。

他还是国际顶级计算机视觉会议CVPR 2017, ICCV 2011, ICCV 2015, ICCV 2017, ECCV 2014, ECCV 2016, ACCV 2014和ACCV 2015的领域主席。

产业层面，2014年同样出身中科大、MIT，任教港中文的世界级AI科学家汤晓鸥，带领王晓刚、徐立、杨帆等人创办了商汤科技。

2016年起王晓刚任商汤研究院院长，整体负责商汤科技的研发工作，建立起包括计算机视觉、自然语言理解、语音识别、混合现实、人工智能内容生成、智能影像、通用人工智能、决策智能、智能芯片、人工智能传感器和人工智能大装置等众多领域在内的研发体系。

近几年间，商汤研究院在全球计算机视觉顶级期刊和会议上（如CVPR、ICCV、ECCV等）共发表600余篇关于深度学习和计算机视觉的研究论文，在世界所有科研机构和公司排名第一，在各类国际人工智能比赛中获得超过70项冠军。

2022年，商汤将成立智能汽车事业群，命名为“绝影“公开亮相，王晓刚为总裁。绝影目前已经和30多家国内外车企携手合作，产品覆盖超100款车型，累计交付260万辆智能汽车。

与其他AI公司押注智舱或智驾的单一业务模式不同，绝影依靠商汤在计算机视觉、大算力转装置、大模型基础架构方面的先行优势，智能驾驶、智慧车舱、车路协同各个技术路线上不断拿出量产上车成果。

而今年被点燃的“端到端”浪潮，王晓刚和绝影团队不但all in，其方案UniAD还“血统纯正”、上车在即，据传明年即将入华的特斯拉FSD势必将会遇到这个强劲的对手。

王晓刚如何All in端到端

在2023年8月马斯克直播试驾特斯拉的端到端智驾方案FSD V12之前，商汤绝影的端到端方案UniAD就已经荣获当年国际计算机视觉与模式识别会议（CVPR）最佳论文，引领端到端智驾的风潮。当地时间10月10日，特斯拉将举办“Robotaxi Day”，其端到端方案的最新进展值得期待。而作为端到端智驾的引领者，从去年CVPR 2023最佳论文到现在整整一年时间，商汤绝影做了这么几件事。

首先是一段式端到端自动驾驶大模型的产品化、工程化不断推进，已经从几千行代码，UniAD完成了向符合汽车工业标准规范的量产产品的演变。

对于一般的自动驾驶公司来说，这一步可能就是目标和终点，也是最难、最紧迫的挑战。能全力交付端到端的产品，就能活到下一轮出牌，至于功能、体验，都可以后期OTA。

但商汤绝影不止步于交付一个单一的自动驾驶模型，更进一步，提出了两个新的技术和应用：

自动驾驶大模型DriveAGI，和车载AI Agent，几个月前北京车展期间就曾提及，刚刚结束的WAIC人工智能大会上，又被王晓刚教授着重强调。

同出一源，都是商汤原生多模态大模型，同时又都以UniAD端到端大模型为基础，和自动驾驶、智能座舱的功能、体验深度关联。

比如UniAD，在无高精地图，甚至是针对某种类型目标0样本学习的前提下，也能仅依靠视觉感知实际道路情况，准确地完成包括大角度转向、避让占道车辆及施工区域、绕行跑步行人等一系列高难度操作，做到“像人一样开车”：

而DriveAGI在路上遇到救护车还可以自动避让；遇到潮汐车道或公交车道时，它能根据限行规则自动规避：

除此之外，它也可以切换不同的驾驶风格，当需要赶时间时，你可以告诉DriveAGI开得更快一些；如果是想要放松一下，你还可以让它开得平稳一些。

对于智驾，多模态大模型相当于一个“点读机”，图像、视频数据哪里不会点哪里，不理解的目标场景，都能给出准确的解释。

商汤绝影对于端到端的描述和布道，已经和业内主流思路有了底层的区别：从应对自动驾驶挑战，上升到了AGI在车端应用。这其实和特斯拉的思路不谋而合，在即将到来的Robotaxi Day，无论是无人驾驶出租车还是类人机器人，都是具身智能的场景落地，都离不开AGI的底层技术支持。从这个角度来说，商汤绝影和特斯拉都在向着AGI的未来进发。

王晓刚认为现在谈AGI上车，时机刚好，甚至还有点紧迫，因为AGI应该是端到端的必要条件和前提。

所谓端到端，就是驾驶全流程的AI化，传感器信息输入，直接输出决策数据信号。直接的好处，就是可以让AI模型直接学习成熟的驾驶行为，理论上具备和人一样的驾驶能力。

端到端对传统自动驾驶技术范式的降维打击，是用数据驱动替代规则驱动，解决系统能力上限被锁死，以及后期无休止高投入、维护难的问题。

这样的诱人前景让现在所有玩家都跟进押注。但无论是出于成本考虑还是技术实力所限，现实的情况是大部分产品实现端到端，都是靠“两段式”方法，即感知模型后面，串一个决策和规控模型。

但商汤绝影坚持搞“纯粹”的一段式端到端模型：输入一段视频，输出一段预测的轨迹。

王晓刚给出的理由是两段式首先解决不了信息丢失的问题，但更致命的是后串决策规控模型，“实际上规模很小”。

小模型永远无法激发出应对复杂场景的通用能力，永远无法产生自动驾驶的ChatGPT。

端到端天然就应该是原生大模型，也只有这样，才能解决自动驾驶从感知向认知转变的问题。

所以商汤绝影的DriveAGI诞生，把商汤原生多模态大脑能力应用在车端，能够同时输入、处理多种数据类型的模型，可以是文本、语音、图像、视频等等。

实际上相当于给端到端自动驾驶系统，安装了一个和人类基本认知能力相同的大脑。

底层的思路是这样：既然大语言模型的学习、认知能力已经和人类差别不大了，那为什么不能用语言模型基础的范式框架去处理其他数据类型的任务呢？

实际上就是用大模型语义理解能力去看、去分辨图像、视频或者任何类型的数据。

现在都说只有端到端才能真无图，没有无图就没有端到端…这样的观点背后暗含着系统能够“认知”世界的前提，但这是狭义端到端模型本身完成不了的任务。

实际上几乎所有和智能车参考交流过的业内人士，都说现在根本不存在绝对的无图，各家方案都或多或少要用到相关信息。

或者说“端到端”这个大黑盒，决策过程、思维能力等等开发者根本就无从知晓，“菩提本无树”。

现阶段，商汤绝影根据历史研发积累和技术发展趋势给出的最佳解决方案，就是利用多模态大模型展现出的通用AI能力，解决自动驾驶的认知问题。

Research.com，权威吗？

这两年间Research.com名气越来越大，他们的学校、学科、学者排名也被越来越多的从业者和媒体引用参考。

按照Research.com的介绍，它们本质上是一家有经营性质的公司，主要服务对象是四处求学的国际生。

所以它们连续推出各种榜单排名也合情合理。

Research.com赚钱的路子有两个，一是直接和留学培训机构合作，收取咨询费，二是靠网站广告位赚钱。

可能也是因为不靠任何学校或研究所冠名赞助，Research.com的榜单含金量被认可程度越来越高。

它们有一支60多人的专家组，包括各个学科的著名学者，但在评选时不依赖某一组选定科学家的意见，也不会直接发调查问卷，而是依赖硬性数据进行排名。

数据要么是公开的，要么来自拥有多年数据收集经验的知名、可信的组织。比如有关学院、招生、毕业、校园设施的一般信息基于最新版本的 IPEDS 和 Peterson数据库。有关学者的信息取自谷歌学术、College Scorecard 数据库等等。

One more thing

根据被引用次数、H因子、出版物等等客观公开数据进行排名，王晓刚博士是中国计算机科学No.2。

那第一呢？

正是汤晓鸥博士，商汤科技的创始人，王晓刚的老师兼创业伙伴。

所以计算机视觉领域，学术水平和综合应用中国实力最强是谁，应该没有争议。

（转载来自：智能车参考）