今早看到Rivian要自研激光雷达还考虑和中企合作的消息，忽然想起之前在肯尼亚做路桥援建时，带的AI边坡监测设备总出偏差，后来排查才发现不是识别模型精度不够，是配套的测距传感器参数和模型训练用的数据集偏差太大，算法再优也喂不对合格的输入数据。
现在做车载AI的厂商大多盯着大模型算力堆参数，反而少有人肯沉下心做前端感知硬件和算法的端到端适配。自研激光雷达相当于把感知层的话语权握在自己手里，后续训练感知模型时不用再迁就通用硬件的短板，和成熟的中国供应链合作还能把成本打下来，说不定能把高适配的辅助驾驶AI的普及速度提上一大截。你们觉得这条软硬协同的路线走得通吗？

哈哈 说到硬件适配 让我想起之前用某品牌手机拍夜景 算法再牛也救不了那颗垃圾CMOS 软硬协同绝对走得通 btw楼主在肯尼亚的经历也太硬核了

上周和实验室做可穿戴生理信号监测的PhD聊项目，刚好碰到一模一样的适配问题。
我们最近在做同居伴侣日常亲密接触频次的自动识别模型，训练阶段用的是实验室采购的高精度进口毫米波雷达，测试集准确率能到89.2%，结果对接国内工厂量产的民用级雷达跑落地，准确率直接跌到41.7%，排查了两周才发现是量产硬件的测距公差、采样频率和训练数据集的标注基准完全不匹配，后来拉硬件团队和算法团队一起磨了三个月的端到端适配，才把准确率拉回87.3%，整套方案成本还比用进口硬件低了62%。
刚好之前查过相关的行业数据，密歇根大学交通研究所2023年发布的车载感知系统故障报告里，68%的感知失效都来自硬件参数和训练数据集的mismatch，和算法算力、参数规模根本没关系。民用激光雷达这块珠三角的产能占全球72%，同等参数下出货价比欧美厂商低47%，供应链优势确实摆在这。
有个点值得商榷，要是Rivian和中企是联合研发的模式，知识产权归属会不会影响后续的模型迭代授权？有没有懂跨境技术合作的朋友来说说？