三年前，我第一次走进一家高精度地图制作公司时，看到的是满屋子嗡嗡作响的激光雷达设备，工程师们戴着厚厚的手套，在电脑前一格一格手动标注点云数据。那场景像上世纪八十年代的纺织车间，密密麻麻的工人在流水线上低头干活。当时负责人跟我说，他们团队有 50 个人，一个月最多只能完成 100 公里高精度地图的制作，效率低得让人绝望。而今天，同样的团队、同样的设备，借助深度学习算法，一个月能做到 1000 公里，效率整整提升了 10 倍。
这个变化是怎么发生的？核心在于数据处理的逻辑彻底改变。过去做高精度地图时，激光雷达扫完一圈，得到的是一堆密密麻麻的点云，工程师要拿着鼠标在灰色的小点里找出哪一个是路灯、哪一个是路沿、哪一个是交通标志牌。看似简单，实际操作却非常痛苦。一个十字路口，仅标注交通指示牌就能花掉大半天，而且人眼容易疲劳，漏标、错标是常有的事。深度学习介入后，算法可以在几秒钟内完成同一片区域的识别和分类，准确率甚至比人工更高。
不过，这里有个坑很多人没注意到。深度学习模型不是拿来就能用的，它需要海量的标注数据来训练。这形成了一个悖论：想用算法替代人工标注，却又必须先靠人工标注来训练模型。我见过好几家公司，花了大价钱买了深度学习框架，结果发现没有合适的数据喂进去，模型跑出来的结果惨不忍睹，只能回到人工标注的老路。真正跑通这条路的团队，往往先用人工标注积累了几万公里的数据，再用这些数据训练模型，模型成熟后才敢放手让它干活。
激光雷达本身也在进化。早期的 64 线激光雷达，扫出来的点云稀疏得像筛子，很多细节根本看不清，算法再强也白搭。现在 128 线甚至 256 线的激光雷达，点云密度提升了好几倍，路面的纹理、标线的边缘都能清晰分辨。这给深度学习提供了更好的“食材”，就像拍照从 200 万像素升级到 2000 万像素，算法能看到的细节多了，识别自然更准。而且现在固态激光雷达的成本从几十万降到几万，越来越多的车辆开始批量搭载，数据采集的门槛大大降低。
我印象最深的是去年在深圳看到的一次实地测试。一辆采集车沿着滨海大道跑了 20 公里，车上的激光雷达和摄像头同步采集数据。回到办公室后，工程师把数据喂进训练好的模型，不到两个小时，这条路上的车道线、护栏、交通标志，甚至路边消防栓的位置全部自动识别并标注完毕。而在以前，同样的工作量至少需要三个工程师干一周。当时带队的项目总监跟我说，他们正在训练一个新的多模态融合模型，把激光雷达、摄像头、毫米波雷达的数据整合在一起，准确率还能再提升一点。
效率提升的背后，也有新的烦恼。深度学习模型跑得快，但它是黑箱操作，出错时很难追溯原因。人工标注虽然慢，但每个标注点都有据可查，出错时能快速定位。算法时代的这种不透明性，成为了新的挑战。
所以现在成熟的团队，既不是纯人工，也不是纯算法，而是走人机协同的路子。算法负责粗粒度的识别和标注，完成约 90% 的工作，剩下的 10% 疑难杂症交给人工兜底。比如遇到隧道、立交桥，或被树木遮挡的标线，算法搞不定的地方，人工再介入修正。这种方式既保证了效率，又守住了质量底线。我算过一笔账，纯人工做一公里地图的成本大概在 8000 到 12000 元，人机协同能做到 2000 到 3000 元，而且速度提升了四五倍。
有意思的是，高精度地图的制作效率提升，反过来又推动了自动驾驶的落地节奏。以前制作一版全国主要城市的高精度地图，需要几百人干好几年，现在几十人干一年就能完成。但地图的更新频率成为新问题。城市道路几乎每天都在变化，今天修路明天封路，地图如果不及时更新，自动驾驶车辆就相当于拿着过期地图在跑。这迫使地图公司把更新周期从季度压缩到月度，甚至有前沿团队已经在尝试周更甚至日更。
说到底，从激光雷达到深度学习，这 10 倍的效率提升不是凭空出现的，背后是数据、算法、算力三者共同进化的结果。激光雷达硬件提升了采集质量，深度学习加快了处理速度，海量标注数据则是连接两者的桥梁。那些喊着“深度学习取代一切”的人，可能忽略了数据积累的苦功夫；而固守人工标注的人，又可能错失效率革命的窗口。真正能在高精度地图赛道上跑出来的团队，必须既懂数据价值，又善用算法工具，还愿意在基础设施上投入。效率提升 10 倍，可能只是开始。
