陳默抬起頭，目光灼灼，帶著一種破釜沉舟的銳氣：
「現在，我建議，目標不變，啟界M5在2019年Q4量產時，依舊要實現這些功能。
這是我們對姚總的承諾底線。」
「但是——」陳默的聲音陡然拔高，「技術路線，必須切換！切換到我們剛剛討論的BEV+Transformer架構上！」
「為什麼？」他自問自答。
「因為只有這條路，才能讓我們在實現眼前L2.5目標的同時，為後續L3、L4的快速疊代打下不可撼動的基礎。
才能在特斯拉、小鵬們還在優化他們的傳統感知架構時，建立起真正的代差優勢。
才能對得起我們『華興技術』這塊招牌，才能在後期的競爭中立於不敗之地。」
「這不僅僅是技術路線的選擇，」陳默的語氣變得無比鄭重，「這是戰略，是車BG智能駕駛業務未來五年的根基，是決定我們能否在智能汽車時代真正掌握靈魂的關鍵一役。」
至於為什麼一開始沒有確定好技術路線，這還真不能怪陳默。
是，他是重生者，但他都重生這麼多年了，很多事情早已不記得。
這次要不是蔣雨宏和卞金鱗兩人聯合當起了大召喚師，讓他死去的記憶忽然攻擊他，也不會有這檔子事...
...
會議室里，姚塵風放下筆的「啪嗒」聲把卞金鱗從回憶中拽了出來。
他開了口，語氣帶著商人的敏銳：
「雨宏，金麟，你們的技術路徑我非常認同也非常支持。
不過，我關心的是用戶體驗的『顯性化』。
特斯拉的NOA，用戶一用就知道好，變道果斷不墨跡。
我們的ALC，92%成功率聽起來不錯，但剩下的8%是什麼情況？
用戶會不會覺得『傻』或者『慫』？
這個『好用』的臨界點在哪裡？
營銷上怎麼包裝這個『L2.5』？
叫『准L3』還是『高階L2』？
這直接影響用戶預期和口碑！」
蔣雨宏正要回答，一直沉默品茶的陳默卻放下了茶杯。
杯底與桌面接觸，發出一聲輕微的脆響，瞬間吸引了所有人的注意。
蒜鳥蒜鳥，本人陳默，向來只裝高端局。
「姚總的顧慮很實際。」陳默的聲音不高，瞬間成為會議室的中心，「用戶體驗是檢驗技術的唯一標準。關於ALC的決策魯棒性，還有BEV感知落地難的問題，我最近看了一些前沿論文和開源項目，有點不成熟的想法，可以拋出來供大家探討。」
「第一，關於感知。 」陳默的指尖在桌面上虛點，仿佛在勾勒無形的藍圖，「BEV是方向沒錯。
但傳統基於攝像頭和雷達點雲生成BEV特徵圖，再去做目標檢測、分割的方法，對算力和實時性要求極高。
並且對非常規障礙物（比如掉落的輪胎、倒下的樹、形狀怪異的施工設施）的識別能力，存在理論瓶頸。
我在想，是否可以引入一種更『直接』的表達方式——占用網絡（Occupancy Network）。」
「占用網絡？」李鵬飛下意識地重複了一句，這位計算機視覺領域的頂尖專家，鏡片後的眼睛瞬間亮了起來，身體也不由自主地坐直了。
這個概念對他而言不算陌生，但從未在量產自動駕駛領域被認真討論過。
它太新，也太「重」了。
「對，」陳默點頭。
「它不關心前方障礙物是車、是人、是錐桶還是別的什麼具體類別。
它只關心一個最本質的問題：車輛前方及周圍的三維空間裡，哪些體素（Voxel）被占用了？
是剛性占用（如牆壁）還是柔性占用（如灌木叢）？
是可穿越的還是不可穿越的？」
他一邊說，一邊拿起桌上的白板筆，轉身在旁邊的白板上快速勾勒起來。
寥寥幾筆，畫出一個粗糙的車輛前方視角，然後打上密集的三維網格。
「輸入多視角攝像頭圖像，甚至融合低線束雷射雷達的稀疏點雲，通過一個精心設計的3D卷積神經網絡，直接輸出一個稠密的三維占用柵格圖。
每一個小格子（體素）都有一個概率值，表示它被占據的可能性。
同時，還可以預測每個被占據體素的運動狀態（速度向量）。」
陳默的筆尖在網格上移動：
「這樣，無論前方是一個標準車輛，還是一堆怪異的建築垃圾，甚至是一團濃霧（如果能部分穿透），系統都能感知到『有東西占著這個空間，可能會動』。
避障是最核心的需求，知道『有東西』且『它怎麼動』，往往比精確知道『它是什麼』更重要，尤其是在極端Corner Case下。
而且，這種表達天然適合後續的軌跡規劃和碰撞檢測，因為它直接描述了空間的占用情況。」
他放下筆，看向已經完全被吸引的李鵬飛和卞金麟：
「這或許能繞過傳統目標檢測對長尾類別識別的依賴，提升對異形障礙物的泛化能力。
當然，計算量巨大是現實挑戰，需要算法創新和硬體加速的協同。
但方向，我認為值得探索。
鵬飛，你在諾基亞搞高精地圖和SLAM，對空間建模理解很深，怎麼看？」
李鵬飛深吸一口氣，眼中閃爍著震撼和興奮的光芒，仿佛被一道閃電劈開了思維的迷霧。
他緊緊盯著白板上那個簡陋的網格圖，大腦以前所未有的速度運轉起來。
忽略物體類別，直指空間占用的本質。
這思路太顛覆了！簡直是給感知領域開了另一扇窗。
他之前的研究一直糾結於如何提升目標檢測的精度和魯棒性，卻從未想過可以換個角度，直接描述空間的「滿」與「空」、「動」與「靜」！
「陳總...您這想法...」李鵬飛的聲音因為激動而微微發顫。
「太...太有啟發性了！
它跳出了物體識別的框架，直指自動駕駛最核心的空間安全性問題！
對！異形障礙物、未知物體...
這些困擾業界多年的難題，在占用網絡的框架下，可能被極大緩解。
計算量確實是座大山，但稀疏卷積、模型蒸餾、專用硬體...
這些都是可以攻克的路徑！
我...我立刻組織感知團隊進行預研和可行性驗證。
這可能是解決BEV落地痛點的關鍵鑰匙！」