关于NPN（神经先验网络）特征的解读

发布会后，看到大家对我们提出的NPN（神经先验网络）非常感兴趣，有非常多的讨论，甚至有优等生翻了论文进行了详细的解读。大家都能理解NPN特征是对路口的神经网络特征描述，可以配合BEV网络对复杂路口有好的感知。但也有一些误解，比如把我们类比成高精地图或者矢量地图，这是不对的。

关于NPN特征，大家还有一些知识点没get到，但我只说最关键的两点。
1、NPN特征的信息量更大
2、NPN特征的保密性更高

NPN的信息量大。
NPN特征是通过神经网络提取了全图的特征（人不知道是什么），而高精地图是人为选择后的目标：比如车道线，路沿、交通标志等。举例来说，NPN特征相当于你获取的一手资料，而高精地图是通过别人口头转述后的资料，已经损失了信息。

NPN的保密性高。
NPN特征必须配合BEV模型和图像数据才能使用，而每家的BEV网络模型和传感器型号和位置都是各不相同的，所以即使拿到了NPN特征也无法使用。高精地图，用link和ID表示的车道线、路沿等信息，对于每个方案都可以无差别的使用。举例来说，NPN特征就像一把私有钥匙，只能开自家BEV模型这把锁。但是高精地图是一把万能钥匙，如果这把钥匙丢了，所有人都可以拿去开自己的锁，也就是用在自己的自动驾驶解决方案里面。

另外，CVPR论文里面是描述了NPN的核心技术思路，重点是学术性。在具体的工程化应用上，我们还做了其他的工作，这部分需要保密，也是业界通用的做法。

总之，NPN特征与高精地图相比，是升了一个维度的。用网络模型替代了人为规则，进行环境信息的理解和环境信息的使用。
之前是人来看图像，人设定制图规则，人做地图，人设定规则使用地图。全程都需要人的参与。现在是NPN模型读图，NPN模型输出NPN特征，BEV模型使用NPN特征。全程几乎不需要人的参与。
这都是AI大模型带来的成果。我们不会停留在过去的思维范式里面，在同维度无法解决的问题，我们就升维解决。

最后感谢大家对我们技术的关注，特别感谢@大懒货 @电动知士大雨 第一时间对论文的解读。我们会继续认真做技术，做产品，好好为用户创造更大的价值。