软件定义汽车的四大趋势.docVIP

软件定义汽车的四大趋势 从技术变革来看，软件定义汽车成终极方向，总结来看，可以概括为“443”： 1. 四大挑战：安全性、实时性、带宽瓶颈、算力黑洞 2. 四大趋势：计算集中化、软硬件解耦、平台标准化以及应用生态化 3. 三大核心技术支柱：AI计算芯片、车载操作系统以及数据闭环 从产业变革来看，软件定义汽车将重塑整个汽车行业，总结为4个主要趋势： 1.?汽车行业正按照IT行业的逻辑和节奏向前发展 2. 产业生态重塑：拼图式合作替代塔状结构供应链 3. 价值链范式转移：利润上移，软件和智能化零部件成汽车行业最大盈利环节 4. 淘汰赛拉开序幕：造车新势力成主角，行业迎来百年巨变 算力不足是当前智能汽车的最大瓶颈 算力就好比智能汽车的脑容量，如果我们去看进化史，会发现灵长目动物智力的提升，是伴随着大脑容量的不断提升而获得的，因为大脑容量是智力的物质保证，我们没法想象小昆虫能够进化出匹敌海豚的智力，就是因为容量已经成为其智力发展的硬约束。 汽车的智能化也遵循同样的逻辑，车载智能计算平台可以说是智能汽车的大脑，为上层软件提供强大的算力支撑和友好的运行环境。算力的持续提升是汽车智能化进步的标志。 当前算力不足已经成为智能汽车发展的核心瓶颈。车载中央计算平台对于算力的需求简直是无底洞，自动驾驶等级每增加一级，算力需求就有一个数量级的上升，业界已经在讨论车载计算的TOPS（每秒1千万亿次运算）时代何时到来，这相当于要把“天河一号”超级计算机（2010年建成，排名当时全球第一）装进一台汽车！从这个意义上说：未来的汽车就是四个轮子上的超级计算机。 智能汽车正掀起算力的军备竞赛 在智能汽车所需要的计算能力中，占比最大的部分就是AI计算，智能汽车时代，AI计算芯片就是数字发动机，提供智能汽车最重要的硬件基石：算力。 各主要玩家都在持续提升车载AI芯片的算力 算力需求来自车载AI计算任务的挑战性，以感知为例：自动驾驶车辆需要对车辆的360度范围之内的环境进行感知，包括对移动物体的识别、跟踪、预测、对于驾驶环境的语义分割、建模到定位，感知的范围非常广，而且还要在不同的天气情况、光照条件下可靠地工作，这一切对于感知算法的可靠性、准确性提出了极其苛刻的要求。 为了达到这一目标，感知需要多种传感器进行融合，并且在每一个维度上都进行冗余备份，随着各种传感器的性能持续提升，其需要处理的数据量也呈几何级数增大，例如使用最广的车载摄像头，其像素已经从1百万上升到8百万，并进一步向1千2百万发展；激光雷达和毫米波雷达也在往图像化的方向发展。对于自动驾驶处理器的算力需求也随之水涨船高。 当前，自动驾驶处理器的算力主要用于感知，但是，从自动驾驶的发展来看，这并不是对自动驾驶处理器算力要求最高的部分。随着自动驾驶系统向L4、L5等级迈进，需要能够驾驭城市驾驶环境这样的复杂场景，决策将需要比感知更大的计算能力。 AlphaGO在围棋领域的成功，代表了人工智能在决策方面一个里程碑式的成就，但是对于围棋这样的应用，其感知环境是全透明的，可以获取棋盘上的一切信息，博弈主体只有两个，这是一个环境封闭、规则完备、信息完整的决策场景，但即使是这么简单的场景，Google都要用算力高达180TOPS的TPU去支撑，才能够满足要求。 对于自动驾驶，我们有可能面对的是跟上百个道路上的移动主体的博弈，这里面不仅包括车辆，还包括行为非常复杂的行人，比如中国式过马路，红绿灯是不管用的，行人随时会过马路，而且边走边看车的行驶情况，行人的下一步决策依赖于你的决策，再比如换道，打了转向灯，还得看旁边的车让不让，如果不让再接着开，这是一个不断博弈的过程，也是互动式的决策过程。 所以自动驾驶面临的是一个开放的环境、不完备的规则、不全面的感知信息、多智能体的博弈场景，而且还不能出错。决策算法的决策搜索空间比围棋要大的多，难度是非常大的，其对于算力的要求比感知更大，就是因为这个原因。 软件开发2.0时代：数据驱动的迭代闭环 特斯拉的智能化升级速度越来越快，以最畅销的Model 3为例，数据显示特斯拉平均每7.3天更新一次汽车软件，作为对比，传统车企往往半年时间都难以提供一次升级。 通过自己打造完整的AI进化闭环，配合数量达百万级别的车队不断提供用于AI进化的真实路况数据，特斯拉拥有了比其他竞争对手更高的算法迭代效率。 其结果是：特斯拉成功打造了联机版的智能进化体，依靠超强的软件迭代速度，特斯拉给消费者带来持续升级的智能化体验。 我将这种软件开发模式称为软件开发2.0模式，相对于1.0模式，其本质的区别在于：用数据替代人力，来驱动算法（这里主要是CNN模型）的高速进化。 可以想象：人力的成本是持续上升的，而数据的处理成本却随着摩尔定律的发展持续降低，实际上，配合软件的进步，我们可以获得比摩尔定律更快的下降速度。软件开