为了解决传统自动驾驶软件算法难以高效应对的问题，提高整个系统的自动化程度，自动驾驶公司Nullmax纽劢提出了机器学习优先理念，旨在通过在自动驾驶系统的开发、部署和迭代等环节中优先采用机器学习方法，让所有的AI任务整合为一个效率更高、性能更优、参数量也更大的多任务模型，并能实现高效自我迭代，长远推动智驾技术革新。
纽劢科技
机器学习算法和基于规则的算法各有优点。机器学习算法以数据驱动、适应性强的特点，能够持续成长并便于升级和维护；而基于规则的算法则是人类知识和经验的凝练，具有较强的可解释性和稳定性。机器学习优先的理念就是在机器学习算法效果更好的情况下，优先采用机器学习技术。
通过广泛而深入地应用机器学习技术，将可学习、可成长的机器学习模型替代传统的软件算法，自动驾驶系统不仅能够具备更强的驾驶能力，支持更多样的场景，还能借助机器学习优先的方法进行系统的开发、测试和迭代，包括数据的自动化采集、筛选、标注以及模型的自动化训练、评估和更新，从而提高整个自动驾驶链路的效率。
优秀的机器学习效果离不开模型、数据和算力的综合作用。因此，除了在算力硬件方面下功夫，还需要在模型的设计和训练上努力，并提升数据的处理能力。通过大规模、持续的数据输入，自动驾驶模型能够不断优化，提升性能。
换言之，渐进式自动驾驶的核心问题是如何处理海量数据，训练出强大的系统，并将其部署到车辆上。这是自动驾驶研发和应用的关键。纽劢科技在机器学习优先的基础上，还开发了高效的数据闭环，提供高度自动化的全方位数据处理能力。
在量产车队的数据海洋中，数据的获取并不是最大的难点，主要挑战在于筛选出有用的数据并进行自动化标注，形成适用于模型学习的知识。如果没有高效的机器学习优先数据闭环，依赖工程师来发现问题和搜集数据，自动驾驶的迭代效率将大大降低。
纽劢科技的高效数据闭环实现了车端和云端的无缝连接。一方面，数据闭环通过自动触发的方式收集特定的自动驾驶数据，其中包括基于机器学习的影子模式和人类驾驶不一致等；另一方面，它还收集全量的自动驾驶数据，在云端通过机器学习进行挖掘，比如通过与车端轻量模型进行对比，使用更大的云端模型。
在筛选和挖掘出有价值的数据和信息之后，纽劢科技的数据闭环可以利用机器学习模型对这些数据进行自动化标注，为模型的迭代训练提供新的养料，最终实现数据的自动化采集、筛选、标注，以及模型的自动化训练、评估和更新，尽量减少人工干预的成本和时间。
通过机器学习优先和高效的数据闭环，纽劢科技能够实现自动驾驶系统全链的提速。在开发阶段，机器学习算法取代传统软件算法，提高了系统的自动化程度和性能。在部署和迭代阶段，数据的自动化采集、标注和模型的自动化训练、评估和更新，大大加快了系统的迭代速度。这种基于机器学习的优先思想和高效的数据闭环使得自动驾驶系统能够更好地适应不断变化的道路和交通环境，提供更安全、可靠的驾驶体验。
总之，纽劢科技提出的机器学习优先理念以及高效的数据闭环在自动驾驶领域具有重要意义。通过优先采用机器学习算法和自动化的数据处理方法，能够提高自动驾驶系统的性能和自我迭代能力，加速自动驾驶技术的发展和应用。
