“软件定义汽车”浪潮之下 车载智能计算平台迈向何方？
导读
对于当下的汽车市场来说，智能化已经成为每家厂商绕不开的一个焦点话题。
“现在（每辆）智能汽车使用芯片大概在1000颗—2000颗左右，包含了MCU、BCU、智能座舱、自动驾驶等，至少在近几年，所有中国（安谋科技）的合作伙伴都在布局这些技术。（车载芯片市场）热闹是有的，预期也是有的，困难也很多，好处是确定性，在未来至少20年间，车载芯片在智能汽车行业都是一个不断上升的领域，最大的问题是（市场）变化太快，智能汽车行业（的参与者）还没有能够模仿，或者‘抄作业’的机会，每家企业都需要去创新。”7月5日，在2023车载智能计算技术沙龙上，芯片IP设计巨头安谋科技（中国）有限公司商务执行副总裁徐亚涛表示。
根据市场研究机构Tractica 预测，到2025 年全球汽车人工智能硬件、软件和服务市场规模将达到 265 亿美元。另根据IHS报告，到2030年，汽车智能座舱的全球市场规模将达到 681 亿美元，而中国市场规模将超过人民币1600亿元，中国购车消费者对于座舱智能科技水平的关注仅次于安全配置，甚至超过动力、价格、能耗等指标。
在沙龙现场与会嘉宾的分享中，记者注意到，业内人士对车载芯片市场的发展持乐观态度，且认为软件和算法将在智能汽车中扮演更为重要的角色，并会成为汽车厂商展开差异化竞争的关键因素。
“随着芯片技术、硬件技术、软件技术、人工智能、深度学习算法等迅猛发展，智能计算已是大势所趋，车载智能计算软硬件平台和服务的竞争在汽车行业中将会越来越激烈。领先的底层架构、出色的软件迭代、持续优化和不断进化的硬件技术，将加速整个汽车行业的转型与变革。”徐亚涛指出。
与 PC、手机的发展历史所展现的规律一样，车载智能计算的演进速度在极大程度上决定了整车智能化的演进速度，是产业发展的风向标，而目前该领域发展还面临着诸多挑战。
“辅助驾驶、自动驾驶以及智能座舱是跨越人工智能、高性能芯片、通信技术、传感器技术、车辆控制技术、操作系统等基础软硬件以及功能安全要求等多领域的系统工程，落地技术难度大。”安谋科技智能物联及汽车业务线负责人赵永超表示。
他指出，智能化汽车带来了更加纷繁复杂的电子零部件ECU（汽车电子控制器）通过软件与通信协议协调工作，给车身电子电气架构、开发成本、车身重量等带来极大挑战。
“车辆中的传感器与各种电子电气系统的信息传输与控制都由ECU完成，ECU 在制动系统、变速系统、悬架系统、安全系统、驱动系统，以及自动驾驶、辅助驾驶、智能座舱等都有广泛应用，据统计2019年中国汽车单车 ECU 数量大约为20–30个，目前的智能化较高的车型，主要ECU数量可能超过100个。”赵永超举例说明。
而复杂繁多的传感器及控制单元，实时捕获的海量数据，不断迭代的算法和模型，都对基础硬件计算平台提出更为苛刻的计算要求。
“智能汽车需要处理传感器（摄像头、激光雷达、雷达和超声波）捕获的海量数据，它必须提供实时反馈，例如交通状况、事件、天气状况、路标、交通信号等。需要每秒数万亿次计算操作（TOPS）来同时处理多个具有挑战性的任务（例如，对象提取、检测、分割、跟踪等）。根据 Lucid Motors 的研究人员测算，智能汽车每小时各种传感器累计产生的数据量大约为 1.4TB-19TB。”赵永超表示。
在他看来，L2 级别及以下的驾驶辅助系统所需处理的数据量小且算法模型简单，因此小算力芯片与算法的强耦合即可满足系统需求。
但随着激光雷达等高性能传感器的量产上车以及智能驾驶系统算法的泛化性提升，对于 L3 级别及以上的智能驾驶系统而言，传感器数量的增加及多路高分辨率摄像头带来海量实时环境感知数据，外加算法模型的复杂程度不断增加，计算平台的处理能力面临巨大挑战。
此外，面对不断升级数据处理需求，当前AI算法演进周期又跟智能芯片设计周期之间存在矛盾。
“算法演进速度非常快，在过去 10 年时间里，差不多每年都有会新的深度学习算法模型出现。据统计，大概每 14 个月，新的模型就能将计算效率提升一倍，但典型的车载芯片开发周期需要三年。”赵永超表示。
他进一步强调，算法优化会对计算平台架构带来巨大的挑战，计算平台架构必须根据算法的特点进行特定优化，才能保持足够的计算效率和性能。
而这种进化速度上的不匹配，使得芯片公司需要对算法的发展趋势进行预判，前瞻性地将其计算特点融入到芯片架构设计当中，让芯片产品经过三年的研发，在推出市场的时候，仍然能够很好地适应最新的主流算法，同时保证能满足关键应用需求。
“通过软硬结合，能保持很高的硬件利用率，达到真正意义上向后兼容软件算法创新，但想要实现这一点非常困难。”赵永超表示。
他还指出，当下，多数自动驾驶技术都在基于 GPU（图形处理芯片）进行 AI（深度神经网络）计算。但 GPU 不像定制芯片（ASIC）那样高能效比或具有成本效益。最大的问题之一是功耗，要使 L3 以上的工作完美无缺，就需要1000 瓦以上的功耗来处理来自多个摄像头、雷达、激光雷达等的实时海量数据。
巨大的能耗需求，对电动汽车的电量存储亦是一项考验。
国内知名智能驾驶芯片厂商北京地平线机器人技术研发有限公司（以下简称“地平线”）战略规划副总裁李星宇则在分享中直言，智能驾驶尚未迎来自己的“iPhone”时刻。
在他看来，智能驾驶行业的发展在过去几年中逐步回归理性，市场从追求L4（高度自动驾驶）一步到位，回归至寻求L2+（组合驾驶辅助）前装量产，这一转变是智能驾驶技术从示范区的小众尝试走向了大众化的价值创造。
“国内目前70%的驾驶里程、90%的驾驶时间都发生在城区，市场的研发重心正在向城区NOA转移。”李星宇说。
所谓城区NOA（Navigate on Autopilot），指“导航辅助驾驶”，有些汽车厂商也将相应功能称之为“高阶辅助驾驶”，属于 L2+级别的驾驶功能，其支持车辆在高速及城区场景下实现点到点的辅助驾驶功能，通过设定起终点，汽车系统自动对道路环境作出研判，并进行行车决策。
“我们行业在L2阶段已经成熟，但还未破解L4，现在处于卡在L2+这么一个状态，相当于在价值创造拉瓦尔喷管的喉部，如果我们不把城区NOA这一喉部问题解决，智能驾驶领域未来难以完成价值跃迁，也很难解锁AIGC、XR、元宇宙等更多领域的应用。”李星宇表示。
李星宇认为，车载智能计算的设计理念是既支持好算法，又使得它物理硬件实现最有效。在这个过程中，需要软件和硬件在算法、在工程技术上进行很多探索。
在他看来，自动驾驶芯片执行的是“从感知到定位到规控”的完整闭环，并遵循严格的安全标准，将车规体系对可靠性和安全性的最高要求和最佳实践，车载计算架构从以逻辑为主的 1.0 走向以智能为主的 2.0 时代，本质是从规则化设计方式走向数据化设计方式。
但赵永超亦指出，当前自动驾驶算法模型尚不能很好应对长尾场景。
他表示，超过 95% 的车祸是由于各种人为错误造成的，但是对于完全自动驾驶技术量产而言，在伦理、法律要求下，AI 技术不成熟导致车祸是不能容忍的。即便使用更先进的 AI 模型算法，采用更为完备的训练标注数据，提高自动驾驶的安全性和准确性，然而，极端情况仍然是需要人类驾驶者来干预，至少目前为止还没有算法可以解决所有的极端场景。
“从自动驾驶算法角度来看，每一个低级失误导致的事故案例，都反映了 AI 算法或者模型的不完备性，我们是无法接受自动驾驶算法犯低级错误，哪怕错误概率低至 0.01%。”赵永超说。
近年来，不止一家汽车厂商的高管公开发表过诸如“汽车未来就是一部长了四个轮子的手机”等类似观点，随着汽车智能化的不断提速，这一转变也在促进汽车行业进入软件定义、服务驱动的时代。
赵永超指出，软件定义汽车（Software Define Vehicle，缩写：SDV），主要基于特定的汽车硬件平台上，通过软件来实现相关功能和特性，其周期贯穿汽车生产、制造、销售以及后续服务等阶段。代表了汽车从硬件平台逐渐迈向智能化、可扩展、可不断升级的移动物联网终端的转变。
“软件定义汽车可以提供越来越复杂的安全和保护功能、更高级别的系统自主性以及接受各种功能和安全机制相关的软件更新能力，除此之外，还将提供例如防盗、在发生索赔时支持保险公司的信息、警报或紧急情况通知等高级服务和应用。”赵永超说。
在沙龙上发布的2023车载智能芯片白皮书中，记者看到在“软件定义汽车”一节中有如下表述，SDV的主要驱动力源于用户需求、提升体验以及降低服务成本三个方面，首先，消费者在智能手机和移动互联的使用习惯和意愿上，成功延伸至汽车领域，比如车载信息娱乐、智能网联、人机交互等产品形态。
其次，目前车辆信息娱乐、远程信息处理或车辆诊断系统的软件升级已不再需要前往经销商或者 4S 店。SDV能够接收无线（OTA）更新，其中包括安全补丁、信息娱乐改进、自动驾驶、辅助驾驶等车辆核心功能的调整，甚至也包括动力总成和车辆动力学的调校和监控。除此之外，ECU、传感器、执行器以及用户行为等都会产生大量数据，这些数据有机会完成本地实时分析或者发送到云端处理，使主机厂能够深入了解汽车状态和用户使用习惯，并改进汽车软件生命周期管理、开发个性化功能，与消费者建立更深入、更紧密的服务关系。
“汽车作为一个包含机械动力的数字化信息终端，许多重要的功能特性需要借助软件和算法来完成，比如智能语音控制车内空调温度，检测驾驶员是否疲劳驾驶等。目前中高端汽车的软件代码超过 1.5 亿行，软件占汽车生产总成本约 10%，相信随着更多软件、算法、应用的部署，软件占总成本将逐步提高，甚至超过总车成本 50%。”赵永超称。
微信扫码关注该文公众号作者