算力越高，車越智慧？新造車“算力大戰”背後的真相是啥？

因為疫情的原因，原本4月底舉辦的北京車展延期至今尚未舉辦，這也讓最近開幕的成都車展，成為今年的第一個A級車展。

在這次展會上，各大車企和供應商把智慧駕駛的「軍備競賽」推向高潮：一方面，智慧駕駛的使用場景從高速、自動泊車延伸到城市；另一方面，鐳射雷達、高清攝像頭、高算力晶片等硬體產品加速上車。

特別是高算力晶片，成為越來越多汽車廠家的主打賣點，很多車型的自動駕駛計算平臺突破1000TOPS。這裡的「TOPS」是計算機的算力單位，1TOPS代表處理器每秒鐘可進行一萬億次(10^12)操作。

這背後是汽車的競爭邏輯發生了變化。

傳統汽車時代的競爭，主要是圍繞動力、操控和空間來展開。但智慧汽車發展的背後，是整車計算平臺的演進，從最初的分散式計算、單個子系統擁有自己的ECU，到域控制器邏輯、以功能劃分整合化控制運算，再到最終實現整車運算能力的高速集中、智慧化分配算力。這也對晶片的效能，提出了更高的要求。

因此，現在很多汽車廠商宣傳的重點之一，就是採用了英偉達或者高通的晶片，算力有多強。這讓人不禁回想起手機和電腦廠商這麼多年來，圍繞晶片做營銷的習慣。

對於一臺汽車來說，是不是像電腦和手機一樣，晶片越快，算力越高就越好？答案可能並不是你想的那樣。

從「馬力」到「算力」

目前，「算力」已經成為評價一輛車的重要指標。

2019 年特斯拉推出 HW3.0 晶片時，144TOPS的算力在當時冠絕行業，讓很多車企意識到算力對於智慧汽車的重要性。當時，英偉達的Orin晶片還未量產，主打產品是2017釋出的Xavier晶片，採用12nm工藝，算力30TOPS。

蔚來ET7 | 視覺中國

到了2021年，這場競賽被拉高到新的高度。

2021年初，蔚來NIO Day，創始人李斌釋出了他們第一款轎車——ET7。相比當時其他車型，它最大的亮點之一是首款量產車採用Nvidia Orin晶片。在目前量產自動駕駛晶片中，Orin被認為是單片算力最高、技術最領先、量產節奏最快。

在之後的一年半中，拼晶片、拼算力成為一種風氣，最近越來越多的車企開始推出大算力的平臺。跟手機一樣，越來越多的汽車的釋出會開始把算力、晶片作為宣傳噱頭。

從資料上來看，目前晶片算力最強的是魏牌摩卡DHT-PHEV鐳射雷達版。它搭載毫末智行聯合高通打造的Snapdragon Ride晶片，綜合算力達到了1440TOPS；緊隨其後的的是蔚來ET7和威馬M7，它們都採用了四顆英偉達Orin-X自動駕駛晶片，車載系統的最大算力達到1016 TOPS；隨後的小鵬G9與理想L9，採用了兩顆英偉達OrinX晶片，算力也達到508TOPS……

相比之下，一直被認為是智慧汽車標杆的特斯拉，其搭載的 FSD 輔助駕駛晶片總算力依舊是 144TOPS。

從汽車晶片玩家來看，跟智慧手機行業類似，競爭者也呈現多元化。這裡既包含老牌晶片廠商Nvidia、Intel、高通，也不乏主機廠（Tesla）、中國初創企業（地平線等）及IT巨頭華為。

其中，在智慧座艙領域，比較有名的晶片有高通的8155與8195，還有地平線基於其征程2、征程3晶片打造的Halo 2.0與Halo 3.0方案；在智慧駕駛領域，則有英偉達的Orin、英特爾旗下MobileEye的Q4與Q5、華為剛剛釋出的MDC系列，以及地平線已經上車的征程2、征程3和即將量產的征程5與征程6。一般來說，自動駕駛和智慧座艙晶片最大的不同在於，智慧駕駛需要更大NPU算力，支援自動駕駛演算法的落地。

英偉達Orin晶片 | 視覺中國

根據開資訊，英偉達可謂是智慧駕駛晶片賽道的算力霸主。目前明確採用Orin晶片的主機廠包括蔚來汽車、理想汽車、上汽智己、威馬汽車、沃爾沃、路特斯、高合汽車、集度汽車、小馬智行等。

不過，主機廠商在選擇晶片的時候，並非只是考慮單晶片的效能強度，還會參考性價比以及相關的軟體生態、工具鏈的成熟程度。

主機廠商為了打造差異化的體驗，需要晶片支援感測器的「多路輸入」，並保持高度靈活度。目前，基於英偉達 Orin 晶片構建的自駕平臺，可以支援12 個外部 攝像頭、3 個內部攝像頭、9 個雷達、12 個超聲波雷達、1 個前置鐳射雷達，這基本涵蓋大部分主機廠的感測器配置，整體價效比較高。這也是 Orin晶片被眾多車型採用的主要因素。

車企「堆料大戰」

讓車企對於算力「如飢似渴」的，正是越來越普及的智慧駕駛技術。

現階段，市面上的量產車型普遍的自動駕駛等級介於L2到L3級之間，可以實現自動緊急煞停（AEB）、主動式巡航控制（ACC）、車道偏移輔助（LKA）等功能。總體來看，這個階段對算力的要求並不高，算力達到幾十TOPS就足夠。

那為什麼越來越多的主機廠，現在就把晶片算力堆高到500到1000TOPS呢？這跟智慧駕駛的加速落地有關，主要表現為自動駕駛的使用場景，由最早的自動泊車或高速這樣的單一場景，逐步向多場景甚至全場景延伸。

自動駕駛的主流場景有三個，根據實現的難度，由低到高分別是高速/環路、停車場、城區。目前，高速/環路場景下的體驗已經不錯，2022年被認為是城市域的自動駕駛落地的元年。

隨著自動駕駛場景的拓展，鐳射雷達+視覺+毫米波雷達的多感測器冗餘方案正在成為主流。目前主流車型的感測器數量已經超過30個。越多的感測器、越深的網路、越多的網路，這些都對晶片的算力提出了極大的需求。

所以，硬體預埋、軟體OTA迭代，成為主機廠商主流的策略。

車企在量產車輛上裝配高級別智慧駕駛硬體，把晶片直接拉至高級別（L4）生命週期，通過硬體快速上量來獲取大量資料，然後對體驗不斷進行技術迭代。因為自動駕駛要突破到更高級別，需要資料、演算法、算力來實現閉環，用資料來驅動演算法的迭代。

汽車晶片 | 視覺中國

當然，主機廠推出這些高算力晶片，並不僅僅是技術發展的需要，也有營銷的因素。

回想一下當年的智慧手機，通過大屏、快充，以及更大的電池容量、記憶體、高畫素攝像頭，在各種宣傳和排行榜中賺足了眼球。所以，目前智慧汽車正在模仿智慧手機的營銷策略，就像人們談論手機配置一樣，汽車的晶片配置也將是消費者日常談論的話題之一。

其實，算力軍備競賽背後，更多體現的是車企的焦慮。

自動駕駛雖然已經經過十幾年的發展，但各項細分技術還在不斷迭代、向外延伸，這也意味著技術方向和市場都充滿了不確定性。正因為自動駕駛是新事物，沒有人知道怎麼做，以及怎麼才能做好，所以車企傾向於提前預埋一些高配置的硬體，為後續的升級提供基礎。

算力不等於智慧

在這場軍備競賽中，部分主機廠商已經有些「迷失」，開始更多堆料配置，追求效能引數。但堆料能堆出高階自動駕駛嗎？從目前來看，僅僅靠堆高晶片算力，並不能做到高級別自動駕駛。

在智慧汽車時代，算力、演算法和資料是推動行業發展的三個關鍵因素。其中，資料被認為是「生產資料」，演算法是「智慧」，算力是「肌肉」。

簡單說，智慧汽車水平的提高，除了算力絕對數值，還與資料、軟體演算法的協同配合相關。在資料和演算法還未取得突破的時候，即便算力堆高到1000TOPS，也無法達到高級別自動駕駛。這就像一個人渾身都是「肌肉」，但「腦子」不行，是一種畸形的狀態。

未來決定汽車差異性的，將是軟體及後續迭代帶來的效能和功能變化。比如特斯拉 HW 3.0 晶片，單晶片的算力只有72TOPS，相較上一代晶片並沒有提升太多，但自動駕駛效能最高提升幅度可達 20 倍。

更重要的是，產品最終是要面向使用者用的。目前高算力的晶片，並沒有給使用者帶來使用體驗的明顯改善，算力利用率並不高，沒有發揮其價值，使用者還需要花費極高的價格為硬體和軟體買單。

有人會認為，車企在晶片算力上堆料，是為將來高階自動駕駛做準備。但L4級別的自動駕駛什麼時候能實現突破，業內還沒有共識。Waymo早在2017年就開始自動駕駛的商業化，當時內部員工透露已經解決了99%的問題。但Waymo後來商業化遇挫，部分原因是要解決最後那1%的問題，難度可能是前面99%的數十倍甚至於數百倍。

除了技術上的問題，高階自動駕駛的實現，還取決於是基礎建設和政府的政策法規，包括 5G、物聯網、智慧城市的建設進度等等。Gartner此前預測，實現真正實用的L4級自動駕駛可能需要10年的時間。

其實類似情況，在PC和手機行業都上演過。如果回看智慧手機過去幾年的發展，處理器效能和頻率越來越高、螢幕越來越大、解析度越來越高、攝像頭也越來越好……這些配置不一定帶來更好或更明顯的體驗，但卻帶來了很多問題，比如散熱問題，充電時間越來越長，價格越來越貴，體積越來越大等等。

當一個行業不斷強調效能引數，開始脫離使用者真實的使用場景時，是需要警惕的，這些被重點營銷的引數，很可能只是曇花一現的噱頭。未來智慧汽車的主戰場在於差異化的體驗，而不只是硬體的效能引數。

免責宣告：本文來自騰訊新聞客戶端創作者，不代表騰訊網的觀點和立場。