早年间，行业里针对自动驾驶应该走Waymo式的跨越式路线，还是走特斯拉的渐进式而争论不休时，百度就已经实践了多种技术方案。第一是L4级的Robotaxi，到今天，百度Robotaxi车型已经发展至第五代。并且百度作为智能驾驶方案供应商，ANP也在不同车型上相继落地。Apollo Lite更是早期百度对于纯视觉技术方案的探索。
早在2019年，百度就通过小项目进行高强度的纯视觉尝试，从Apollo Lite到上车极越01，百度的纯视觉完成从0到1的进化，总计用时五年。
全球智能驾驶玩家行列中，基于纯视觉路线的车企/供应商并不多，细数一下，较为知名的有 Mobileye、特斯拉、Apollo/极越与大疆等等。
特斯拉与极越也成为了唯二基于纯视觉落地高阶辅助驾驶的车企。
但是，不管是智能驾驶从业人员，还是看热闹的行业爱好者，都知道纯视觉相比激光雷达与视觉融合的路线，在技术难度上面临的挑战是更多的。
二、OCC，纯视觉瓶颈的突破口在王亮看来，激光雷达提供的信息可以让智驾方案快速跑起来，也就是获得不错的「初速度」，但同时也会让工程师产生惰性，懈怠了对于视觉感知能力的开发。
视觉方案的「初速度」很慢，这是一种「吃力不讨好」的方案，同时视觉还有一个更大的问题，那就是如何规避道路上异型障碍物。
虽然视觉有着更加丰富的纹理信息，同时分辨率也是激光点云所无法比拟的，但是它不具备深度信息，且系统需要「认识」道路上无穷无尽的异形障碍物。
Occupancy Network（占用网络）成为了一种解法。
2022 CVPR上，特斯拉Autopilot工程总监Ashok Elluswamy分享了Occupancy Network技术，并且这个词在不久后的特斯拉AI Day上被更多人熟知。
这是一种实时的物理世界的重构技术，将现实世界格栅化，然后定义哪个单元被占用，哪个单元是空闲的，以此输出给系统可行驶空间。
Occupancy Network技术可以更好地解决通用障碍物难以处理的问题，让纯视觉突破瓶颈。
2023年1月，夏一平决定部署Occupancy Network。从决定部署，到OTA上车，极越用时一年出头，夏一平称这是一个「奇迹」。
至此，极越完成了B.O.T（BEV+OCC+Transformer）三向箔纯视觉感知架构，成为国内唯一基于大模型的纯视觉感知技术的车企。
而下一步，极越和特斯拉的竞争方向将转向端到端大模型。
三、端到端，下一项技术竞争高地特斯拉在V12版本中向内测用户推送了基于端到端的FSD。什么是端到端，简而言之，过往的自动驾驶有很多子系统，包括感知的探测、跟踪，还有静态的环境建图、目标轨迹的预测和本车的轨迹规划和控制。
在分模块方案中，不同的模块由不同的团队负责，模块与模块之间仿照人类的认知步骤，设计了清晰的接口和界面。
而端到端大模型，则消除了自动驾驶所有的子模块，输入传感器信号，输出规划的轨迹，甚至直接输出控制信号。
刚刚落地OCC的极越，就已经部署了端到端的大模型计划。
在谈到端到端大模型时，夏一平聊起了与特斯拉相比起来的优势与短板。在视觉方向上，极越与特斯拉是全球唯二两家用纯视觉做自动驾驶的车企，二者属于第一阵营。
特斯拉在「端到端」上有一定的领先，但是极越落地能力更强。第三，当极越有同样团队开发出同样好的大模型，拥有同样的算力，数据迭代的飞轮起来，就将能够在国内保持持续领先。极越身后的百度，不管是在自动驾驶算法和工程领域，还是AI能力，都有着深厚的积累。
还有一点至关重要，极越在复杂的中国路况上积累的经验远比特斯拉强。夏一平称，他在美国试过FSD，美国的路况和道路情况，不管是标准化道路结构还是规则都比我们国内好很多。言下之意为，基于端到端的FSD进入中国后的表现并不一定会超过极越。
四、推动PPA发展，百度训练集群不设上限当智能驾驶进入大模型时代后，数据驱动的时代将真正开启。
端到端的优点非常多，例如它可以消除严重的模块累计误差、可以更加高效的传递信息，但同时也有debug困难这样的缺陷。
想要让系统获得更加类人的体验，就只能喂养大量的优质数据。
这就到了玩家们拼家底的时候了。
自动驾驶是一个烧钱的项目，每一环都需要资金，其中最重要的是，当自动驾驶由规则驱动走向数据驱动时，就会进入算力比拼的时代，算力集群的建设就会变得至关重要。