安博电竞中国官方网站下载地址·“芯向亦庄”系列热点对话:极卷时代智能驾驶与汽车芯片迎“质变”未来
汽车迈入极卷时代,智能驾驶差异化竞争已经成为车企追求的焦点。作为智能驾驶的基石,汽车芯片的能力很大程度上决定了整车系统的上限。
今年以来,整个智驾行业以飞一般的速度向前推进,不仅上半年L2/L2+级辅助驾驶渗透率提升至40%,L3也有望提前到来。如此节奏,在带来汽车产业“质变”的同时,也给行业抛出了一些新问题。
比如在内卷、降本、大模型上车等诸多议题之下,智能驾驶要如何摆脱同质化竞争、实现技术创新?底层芯片要怎样赋能智驾方案,满足更为复杂的算法和功能要求,缩小与国外的距离?软硬件如何更好地协同发展?本期“芯向亦庄”系列「热点对话」,邀请了捷豹路虎中国自动驾驶及智能辅助驾驶副总裁邢斌,宏景智驾创始人兼CEO刘飞龙,辉羲智能市场副总裁刘奇,为旌科技运营副总裁赵敏俊,将共同致力于“描绘”一个汽车芯片与智能驾驶的新未来。
从简单的ADAS,到行泊一体规模化上车,再到城市NOA进入元年,中国智能驾驶在这几年跑出了“加速度”。本期参与热点对话的行业专家一致认为,国内L2功能现在已经较为成熟,但是一些高级别的智驾产品,还是处于发展的早期阶段。
邢斌将目前中国高级智能驾驶行业形容为“震荡期”,他认为,现在有些功能用户的体验已经不错,但像是城市场景的L2+功能其实还没到一个可用的程度。
刘飞龙认为,“不同的功能定义可能对应在不同时期或者说不同级别的不同时期。现在L2是相对标准化的产品,已经到稳定期。L2+的行泊一体、高速体验等有做的好的,有做得不好的,其实还在调整期;再往下像城市场景,比如记忆行车、城市NOA等还属于发展早期,”
目前,L2功能在终端市场的快速普及也证明了这一点。根据盖世汽车研究院数据,今年上半年,中国L2级自动驾驶功能的渗透率已经达到40%,成为市场主要的驾驶辅助方案。
不难发现,经过多年发展,整个行业已慢慢从相对激进的态势走向从L2往L3循序渐进的过程,更为强调落地与实际需求。为旌科技运营副总裁赵敏俊也谈到,“现在进入到了一个相对务实的阶段。大家开始真正的去思考商业,怎么去真正把产品做扎实,然后能够上车,使得这个车跑起来,真正实现所想象的那些功能。”
值得一提的是,虽然当前市场距离L3及更高阶智驾的真正落地尚有一段距离,但是最近关于L3新政策的出炉,直接给智能驾驶行业吹响了一个加速奔跑的积极信号。
11月17日,四部门发布关于开展智能网联汽车准入和上路通行试点工作的通知,一方面将加速智能网联汽车产业化进程,推动L3提前到来;另一方面也将推动智驾逐渐成为标配,并有望迎来新的“质变”。
邢斌谈到,L3到来的速度超出了其预期,而得益于政策的刺激,预计L3会从10年往前推进到5~7年,也有可能更快。
然而不可忽视的是,新规在加速L3进程的同时,背后也会带来一系列的挑战,尤其当前新出来的L3政策细节还不是特别明确,另外高阶智驾本身在技术上面临的挑战也不容小觑。
邢斌直言,城市场景的L2+本质上还是L2级辅助驾驶,里面并不需要一些冗余,主要由人来负全责。而L3的定义是由车来处理复杂场景,对车的要求极大提升。
在刘飞龙看来,除了整车层面要加强冗余之外,对于智能驾驶系统来讲,不仅是硬件层面,冗余软件也要更为强大。“L3它应该是在指定的驾驶条件下,如ODD下实现无人驾驶,或者说司机可以不管车。”
就以自动驾驶发展过程中颇为争议的责任认定为例,当事故发生时,由于系统和人为因素交织,责任认定困难。而L3的一个标志就是系统接管车辆。邢斌指出,这就需要车企完整记录事件,提供支撑材料判定责任方,背后要做很多的数据记录、数据管理以及数据运营等一系列工作,所以复杂度是完全不一样的。
在这些挑战面前,高阶自动驾驶究竟要如何能走向无人驾驶,今年最热话题——大模型上车被普遍认为或是一个突破口,当然随之而来的也有难题需要解决。
“Transformer处理文字和视觉的强大能力,有潜力建立整个world model。具体到自动驾驶,Transformer在车端的推理的上限很高,但是也会带来巨量的数据与成本难题。”刘奇谈到。
邢斌也深有同感,他坦言,大模型上车对车企来说在一定程度上降低了感知的门槛。但由于软件模型的趋同,更加凸显了数据的重要性。因此车企不得不去思考两大问题。一是如何获取大量的数据,尤其是对于销量并不是特别大的车企;二是成本问题,要如何通过最高的效率获取最高质量的数据。
某种程度上,效率与成本高度相关,降低数据采集的资源浪费,背后指向的其实也是当前热议的智驾发展挑战与降本问题。
智驾越是迈向高阶,场景应用就越复杂,这也意味着更庞大的数据处理需求。作为性能的承载,芯片被赋予“厚望”。很大程度上,芯片的能力决定了智驾系统的上限。不仅车企对系统的芯片算力预留有所要求,随着L3的加速推进,芯片算力的上限要求也将进一步被拉高。以NOA为例,一般高速NOA对算力的需求大约在30-100TOPS之间,城市NOA则在要200TOPS往上。
刘奇强调,“像高等级的自动驾驶采用BEV+Transformer,现在已经是一个公认的范式,而且开发的过程也变成了数据闭环这种方式,所以对芯片的神经网络处理能力等要求会非常高。”
那么,芯片要如何去迎接这些算力与性能挑战?刘奇的观点是要用创新的计算架构来高效匹配先进模型,为数据闭环的实现、高级别算法演进奠定强大的算力底座。这意味着SoC架构不仅要支持当前的AI模型,还要能够适应未来的算法演进和新的计算需求。
赵敏俊进一步表示,芯片需要做更多前瞻性的工作。他谈到,一颗芯片研发周期非常长,至少一年以上,因为车规芯片要进行可靠性测试等,往往更久。“我们更多希望去跟主机厂、Tier 1交流,他们对场景和需求理解更深入,就可以反馈给芯片,大家一起定义出好用的芯片。而且我们在设计产品的时候往往还要考虑可扩展性,这是很关键的。此外,也会更多按照L4的标准去做L3芯片,这样才能给到Tier 1、主机厂更多的冗余,有更多可操作的空间应对不断升级的场景需求。”
不过,需指出的是,对于芯片算力的提前布局,也不是越超前越好。邢斌直言,芯片作为一种硬件,相对软件的迭代周期要长一些,“基本上我认为每两年芯片可能会翻一番,或者它的算力会跳一次。如果说(布局)超前5年,但可能两年之后新的芯片出来性能更好,可能也没有必要。所以有一定的超前,但是不能超前太多。”
此外,受制于摩尔定律,芯片的工艺在不断接近物理极限,算力堆砌到一定程度也面临着物理极限以及成本问题。
“当前的汽车芯片市场与早期的手机市场比拼CPU核数有所类似,汽车芯片则是比拼算力。我们始终认为芯片最大的挑战是如何把计算的效率发挥出来,而不是简单的堆砌算力,这是最关键的,也是芯片公司真正要去做解决的问题。”赵敏俊表示。
谈起智能驾驶,不得不提全栈自研。全栈自研固然可以帮助车企建立技术壁垒、提高竞争力,更好地满足客户需求,但并非所有的车企都能担负全栈自研的成本与精力,那么自研的边界在哪?
邢斌认为,找准自己的定位,对车企来说非常重要。像是体量大的车企若有余力可以进行全栈自研,而对于其他车企,则需要有针对性的掌控核心领域,讲究投入与价值回报。
而在刘飞龙看来,车企是否需要全栈自研,可从两个维度去衡量:自研的必要性,以及自研效率和成本。相对来说,高级智能驾驶系统的资源投入的必要性较大,如城市NOA系统,而在中低阶层面可以更多依赖供应商的标准化产品。前者可利用先进的产品技术达到优秀的用户体验,占据差异化竞争优势,后者可以实现分工协作与规模化降本。
事实上,“高阶自动驾驶如城市NOA的这种开发模式,不是以往开发成本的概念。”刘奇强调。他进一步指出,“开发出来后还有大量的成本。其中数据才决定了性能的上限,但是数据是非常大的成本项目。这个东西又跟自动驾驶将来的商业模式有关。什么时候能把自动驾驶变成一个可持续的收入,可能这个事情就完全打通了。但在目前这种状态下,可能还是要先把这个功能跟性能做起来,才有人买单。”
而在市场激烈的内卷下,除了整车厂与Tier1在部分领域的边界逐渐模糊,芯片与算法公司的边界也日渐模糊。为了支持实现更好的系统性能,当前芯片厂和算法公司实际都在互相“跨界”。
针对这一现象,刘奇解释道,“芯片公司去做算法的根本逻辑是为了让我们的客户更好地用芯片,其次是为了缩短芯片进入市场的时间。”
刘飞龙也坦言,“芯片公司做算法软件跟Tier 1做量产级软件还是有些区别的。芯片厂要做原型设计来证明芯片潜力和大概设计框架,但是大量数据迭代、整机成本优化是供应商的价值,这里面需要很多打磨。”
在赵敏俊看来,产品体验一定是上下游一起做起来的,都想全部自研,某种程度上是一种资源的浪费。“软件和硬件要深度协同但又不能完全耦合,既要通过深度协同定义出更好发挥软件的芯片,又不能因为完全耦合而导致客户产品失去差异化。我们始终认为,未来生态圈的主流趋势是开放共赢。”
当前,芯片的国产化已经成为一条非常清晰的赛道。尽管国外芯片巨头依然占领本土车用半导体芯片市场,但国内基于智能驾驶领域的提前加码,在芯片层面与国际巨头的差距也在逐渐缩小。
行业专家纷纷表示,像是最复杂的SoC芯片,虽较国际一流企业还是有一定差距,但国内目前已经有了很大的进步。像是AI芯片、自动驾驶芯片以及算法等,国内这几年也走得非常快。在这些领域,国内是有望追赶并最终超过对方的。但同样不可忽视的是,国外对智驾产品功能的精细度打磨,对产品质量和技术先进的要求,实际要高于国内,这也是国内需要改善的地方。
综合来看,中国汽车产业已经走上了以技术变革、产业重构、生态融合的发展新阶段,中国也逐渐开启了以智驾技术反哺外资的新局面。伴随L3政策松绑、大模型上车,智驾行业从底层芯片到整车厂正以更快的速度迭代升级,并在一系列机会与挑战中,试图共同描绘一个全新的未来蓝图。
下一篇:填补市场空白赛威德让磨抛更简单