共计 1134 个字符，预计需要花费 3 分钟才能阅读完成。
AI 原生时代, 自动驾驶到底拼什么?
生成式 AI 的崛起,正在深刻改写自动驾驶行业的竞争规则 。过去, 车企比拼的是传感器精度、规则代码的完备性和整车调校; 如今, 算力、数据、软件与半导体的综合能力 正成为新的胜负手。行业正从传统的规则驱动架构, 加速迈向 AI 原生的端到端 (E2E) 模式。
📌 架构之变: 从规则到数据驱动
传统 ADAS 依赖工程师编写的数千条“if-then”规则,将感知、规划、控制拆分为独立模块。这种架构在限定场景下表现稳定, 但面对复杂路况时泛化能力有限。端到端系统则直接从海量驾驶数据中学习行为, 对陌生环境的适应能力更强, 驾驶风格也更接近人类。
- 传统 ADAS(自动驾驶 1.0): 模块化流水线, 人工编写规则,AI 仅用于局部任务。
- 混合架构: 端到端学习与规则安全层结合, 例如“视觉 - 语言 - 动作”模型, 兼顾性能与安全。
- 纯端到端架构(自动驾驶 2.0): 基于 Transformer 模型, 统一神经网络处理感知、规划与控制。
其中, 端到端架构又分为模块化端到端和单一体两大路线。前者可解释性较好, 但模块接口存在信息损耗; 后者泛化能力更强, 却因“黑箱”特性导致验证困难, 成为监管审批的阻碍。
🔍 算力新瓶颈: 从 TOPS 竞赛到内存带宽之争
随着端到端模型规模扩大,车载计算平台的瓶颈正在从峰值算力 (TOPS) 转向 内存带宽。高分辨率传感器数据流和庞大的模型参数, 对片上 SRAM 缓存和 LPDDR 内存的带宽提出了极高要求。行业预计,ADAS 处理芯片市场规模将从 2025 年的约 56 亿美元增长至 2035 年的超 460 亿美元, 年复合增速约 24%。
与此同时,NPU 正取代 GPU 成为 AI 推理的核心加速单元,CPU 则继续负责安全关键功能与系统调度。下一代 SoC 将更多硅片面积分配给 NPU, 以适应端到端系统中 AI 推理占比提升的趋势。此外, 确定性时延成为系统设计的关键约束, 高度集成的计算架构比分布式设计更具优势。
💡 数据与软件: 端到端系统的双引擎
端到端架构的竞争力高度依赖 数据规模与质量。海量真实路测数据是训练模型的基础, 而仿真能力则用于覆盖极端长尾场景。软件层面, 统一的端到端训练框架和 OTA 升级能力成为标配。行业共识是,L2+ 系统将率先实现规模化, 而 L3 及以上级别仍需在数据效率、仿真验证和监管认可上取得突破。
📊 行业观察: 自动驾驶正成为 AI 基础设施挑战
AI 原生时代,自动驾驶的竞争已不再是简单的“造车”竞赛, 而是一场围绕算力、数据、软件与半导体的综合较量。尽管可解释性、内存带宽和时延控制等技术难题依然待解, 但端到端架构已被公认为通往更高等级自动驾驶的必经之路。未来十年, 随着 AI 基础设施的完善和监管的跟进, 自动驾驶有望从特定场景走向全场景覆盖, 真正改变人们的出行方式。
