别再疯狂堆硬件啦！

如今的行业现状，从流行词就可窥见一斑，“智能”“数据”“芯片”“算力”“车云”等词汇每天都必听上/谈起个几（十几）次……

各个车企的目标，或者直白点儿-目的：“站在行业顶端，构筑企业护城河，前突后防，保证利益的长长久久最大化”，为了这个目标，就一定会加入智能化赛道，满足“人们对美好生活的向往”；而这个赛道中，最难的就是“数据量大，算力有限”……

?一、数据，及对数据计算的要求

一句话，数据从多个渠道奔涌而来~

① 车端传感器的数据：

以常见的“5R11V1L”举例-- 5个毫米波雷达，探测障碍物；11个摄像头，捕捉图像，识别道路标识、车辆、行人等目标； 1个激光雷达，构建环境模型……以一个高清摄像头每秒拍摄30帧、每帧数据量为2MB来计算，仅摄像头每秒产生的数据量就高达数百MB了

② 传统执行器的电控化

目力可及，传统机械执行器也在走向电控化。例如转向、制动这些关键底盘部件，传统的机械转向逐渐被电子助力转向取代，电子制动系统也越来越普及；某车型的底盘控制系统中，仅转向和制动相关的控制器数量就是5个，以往通过机械直接动作，当下都需要以数据方式进行传输，运算，处理，再执行。

③ 车-云传输的交换数据：

随着5G及5G+技术，车辆能够以更快的速度与云端进行数据传输。据统计，一辆联网汽车每天与云端交互的数据量可达数GB，车辆需要实时上传行驶轨迹、驾驶行为等数据，同时接收云端推送的地图更新、软件升级包以及各种指令……

?二、算力

获取数据是为了应用，这么庞大的数据量，绝对需要强大的计算能力才能计算的精+准，满足自动驾驶，操控自如，车内娱乐等多种场景需求。

提到算力，就一定会提到智驾的算力需求，和芯片的算力供给。实现L2级别的自动驾驶，算力需求大约在2 – 20 TOPS（每秒万亿次操作）；以保证车辆实现如自适应巡航、车道保持等基础功能；更高级别的L3及以上自动驾驶，算力需求则直接飙升至100 TOPS以上；英伟达Orin芯片算力254 TOPS ；即将问世的Thor（索尔）芯片算力为2000 TOPS。

那就这样一直你追我赶拼下去么？算力就不会遇到瓶颈么？

① 摩尔定律的“疲态”

如今，芯片制造工艺已经逐渐逼近物理极限，摩尔定律开始“力不从心”，硬件性能提升的速度明显放缓。就拿芯片制程工艺来说，从早期的几十纳米，到如今的5纳米甚至3纳米，每一次制程的进步都变得愈发艰难，研发成本也呈指数级增长

② 硬件算力的参差不齐

硬件层面，目前车辆中广泛使用的控制器里，系统级芯片（SoC）的数量和算力参差不齐。一些车型的座舱控制器可能仅配备单个SoC，算力在几TOPS到十几TOPS不等；而智能驾驶域控制器，可能集成了多个高性能SoC，这些不同算力的SoC如何协同工作，也是对开发及系统的考验

③ 研发测试成本不堪重负，消费者不买账

过高的硬件配置，首先带来的就是车辆成本的大幅增加。以一款搭载高端智能驾驶芯片的车型为例，仅仅芯片成本就可能高达数千元，再加上与之配套的硬件设备，整车成本可能增加数万元。这不仅导致消费者购车成本上升，开发成本的增加也让车企压力山大。

随着硬件配置的提高，车端软件量也会相应增加。更多的软件代码意味着更多的潜在漏洞和风险，据统计，软件代码量每增加10%，出现bug的概率可能会提高5% - 10%。这不仅增加了软件测试和维护的难度，还可能导致车辆在使用过程中出现各种故障，影响用户体验和行车安全

?三、算法

上文提到 “应用”，本节进阶到“高效应用”

对于车企而言，一味堆叠硬件并不能构筑起坚固的竞争壁垒。在全球化的汽车零部件市场中，你能够采购到的硬件，竞争对手同样可以获得。即使是自研芯片，如果不能与自家的软件深度融合，也难以发挥出最大优势。真正能够赢得消费者青睐的，是车辆整体的使用体验，包括流畅的交互界面、精准的智能驾驶辅助、稳定可靠的性能等，而这些都离不开软件能力的提升和算法的优化

以特斯拉为例，如Model 3和Model Y部分版本，一直沿用相同算力水平的FSD芯片，算力维持在144TOPS ，硬件配置也相对固定——特斯拉通过软件的优化，不断提升了自动驾驶能力。其Autopilot系统从最初仅能实现简单的辅助驾驶功能，到能够实现导航辅助驾驶（NOA），车辆在高速上可根据导航路线自动进出匝道、变道超车。也就是说，通过软件算法的迭代升级，特斯拉能更精准地识别道路上的各种标识和路况，提升自动驾驶的安全性和可靠性。

这充分证明了，即使硬件算力没有提升，软件的优化也能带来自动驾驶能力的显著进步

算法，是大脑的智慧统筹，合理应用数据的方法，而这一核心，确实又是最难，最耗时，也最慢见成效的，这可能也是为什么大家都去比拼算力的原因了。

?四、对于庞大数据量的计算和处理，可以从以下几个方面提升效率

① 软件算法的持续优化

软件算法的优化从未停歇。以图像识别算法为例，早期识别一张汽车前方的行人图像可能需要耗费大量算力，且准确率不高。但随着深度学习算法的不断改进，如今只需较低的算力就能实现更高准确率的识别。据研究表明，通过优化算法，在相同算力条件下，图像识别的准确率能够提高20% - 30%。

② 云端算力的转移

5G网络的高速率、低延迟特性，使得车辆与云端之间的数据传输变得高效稳定。未来，云端将承担大量复杂的数据处理、运算和存储工作。比如，车辆在行驶过程中产生的海量传感器数据，可以实时上传到云端进行分析处理，云端再将处理结果反馈给车辆，指导车辆的行驶决策。而车辆自身，只需保留一定的基础算力，用以保证诸如紧急制动、转向等基础功能的正常运行。

③ 量子计算

令人期待的是，量子计算技术正在快步向汽车领域走来。量子计算机的强大算力，有望在瞬间完成传统计算机需要数小时甚至数天才能完成的复杂运算，这将为车端算力带来质的飞跃。一旦量子计算在汽车领域得到应用，车辆的智能决策能力将达到一个全新的高度。