得到OTA推送城区NOA的车型，都是两颗英伟达Orin-X芯片方案，算力508TOPS的级别，理论上来说，在应对信息收集+决策执行的挑战，并不难，而且对508TOPS的算力来说，还触及不到两颗芯片的性能上限。
虽然感知硬件和芯片硬件使用情况都已经是行业内主流的选择，但我们最终看到的城区NOA实际功能，还是保持着一套比较保守的执行策略。
原因是什么？
小米的这套智能驾驶方案，底层逻辑，是包括变焦BEV技术、超分辨率OCC占用网络以及道路大模型这三个板块来实现最终的决策+执行。变焦BEV和OCC占用网络，不用过多介绍，就是一个感知环境和信息收集的功能。
主要还是聊聊道路大模型这块。小米的道路大模型机制，是利用大数据和学习技术搭建的一个道路模型，能帮车辆理解道路的结构以及交通规则，还能预测道路上其他参与者的行为和可能性，而这个功能，主要是起到了城区NOA功能的决策和路径规划的作用。
相对来说，道路大模型这个功能，是具备一定的学习能力的，有点像特斯拉FSD那套系统中的CNN网络一个意思，不断的投喂人类驾驶员的驾驶视频来学习，提升智能驾驶的成熟度；但区别在于，FSD中数据处理主要是依靠传感器捕捉的，而小米的智能驾驶在数据处理层面，还是更依赖于高精地图。
但底层的学习逻辑是有些相似的，还是需要比较大量的数据来做支撑。那么，搞清楚底层逻辑之后，现在再回过头来看两个问题，为什么偏保守的调校以及使用城区NOA功能有一个比较高的门槛，就很好解答了。
先说使用门槛的问题，刷够1000km里程之后才可以使用。或许这个限制，是想要收集到更多高质量的智能驾驶学习素材，从而来帮助智能驾驶系统的成熟与好用。那么，关于偏向保守的调校风格，个人感觉和硬件没有任何关系，毕竟都到顶的配置了，核心还是算法的设定。保守的策略，或许是学习的时间还不够？