經濟觀察網 記者 鄭晨烨 對于當下的汽車市場來說,智能化已經成為每家廠商繞不開的一個焦點話題。
“現在(每輛)智能汽車使用晶片大概在1000顆—2000顆左右,包含了MCU、BCU、智能座艙、自動駕駛等,至少在近幾年,所有中國(安謀科技)的合作夥伴都在布局這些技術。(車載晶片市場)熱鬧是有的,預期也是有的,困難也很多,好處是确定性,在未來至少20年間,車載晶片在智能汽車行業都是一個不斷上升的領域,最大的問題是(市場)變化太快,智能汽車行業(的參與者)還沒有能夠模仿,或者‘抄作業’的機會,每家企業都需要去創新。”7月5日,在2023車載智能計算技術沙龍上,晶片IP設計巨頭安謀科技(中國)有限公司商務執行副總裁徐亞濤表示。
根據市場研究機構Tractica 預測,到2025 年全球汽車人工智能硬體、軟體和服務市場規模将達到 265 億美元。另根據IHS報告,到2030年,汽車智能座艙的全球市場規模将達到 681 億美元,而中國市場規模将超過人民币1600億元,中國購車消費者對于座艙智能科技水準的關注僅次于安全配置,甚至超過動力、價格、能耗等名額。
在沙龍現場與會嘉賓的分享中,記者注意到,業内人士對車載晶片市場的發展持樂觀态度,且認為軟體和算法将在智能汽車中扮演更為重要的角色,并會成為汽車廠商展開差異化競争的關鍵因素。
“随着晶片技術、硬體技術、軟體技術、人工智能、深度學習算法等迅猛發展,智能計算已是大勢所趨,車載智能計算軟硬體平台和服務的競争在汽車行業中将會越來越激烈。領先的底層架構、出色的軟體疊代、持續優化和不斷進化的硬體技術,将加速整個汽車行業的轉型與變革。”徐亞濤指出。
車載智能計算挑戰重重
與 PC、手機的發展曆史所展現的規律一樣,車載智能計算的演進速度在極大程度上決定了整車智能化的演進速度,是産業發展的風向标,而目前該領域發展還面臨着諸多挑戰。
“輔助駕駛、自動駕駛以及智能座艙是跨越人工智能、高性能晶片、通信技術、傳感器技術、車輛控制技術、作業系統等基礎軟硬體以及功能安全要求等多領域的系統工程,落地技術難度大。”安謀科技智能物聯及汽車業務線負責人趙永超表示。
他指出,智能化汽車帶來了更加紛繁複雜的電子零部件ECU(汽車電子控制器)通過軟體與通信協定協調工作,給車身電子電氣架構、開發成本、車身重量等帶來極大挑戰。
“車輛中的傳感器與各種電子電氣系統的資訊傳輸與控制都由ECU完成,ECU 在制動系統、變速系統、懸架系統、安全系統、驅動系統,以及自動駕駛、輔助駕駛、智能座艙等都有廣泛應用,據統計2019年中國汽車單車 ECU 數量大約為20–30個,目前的智能化較高的車型,主要ECU數量可能超過100個。”趙永超舉例說明。
而複雜繁多的傳感器及控制單元,實時捕獲的海量資料,不斷疊代的算法和模型,都對基礎硬體計算平台提出更為苛刻的計算要求。
“智能汽車需要處理傳感器(攝像頭、雷射雷達、雷達和超音波)捕獲的海量資料,它必須提供實時回報,例如交通狀況、事件、天氣狀況、路标、交通信号等。需要每秒數萬億次計算操作(TOPS)來同時處理多個具有挑戰性的任務(例如,對象提取、檢測、分割、跟蹤等)。根據 Lucid Motors 的研究人員測算,智能汽車每小時各種傳感器累計産生的資料量大約為 1.4TB-19TB。”趙永超表示。
在他看來,L2 級别及以下的駕駛輔助系統所需處理的資料量小且算法模型簡單,是以小算力晶片與算法的強耦合即可滿足系統需求。
但随着雷射雷達等高性能傳感器的量産上車以及智能駕駛系統算法的泛化性提升,對于 L3 級别及以上的智能駕駛系統而言,傳感器數量的增加及多路高分辨率攝像頭帶來海量實時環境感覺資料,外加算法模型的複雜程度不斷增加,計算平台的處理能力面臨巨大挑戰。
此外,面對不斷更新資料處理需求,目前AI算法演進周期又跟智能晶片設計周期之間存在沖突。
“算法演進速度非常快,在過去 10 年時間裡,差不多每年都有會新的深度學習算法模型出現。據統計,大概每 14 個月,新的模型就能将計算效率提升一倍,但典型的車載晶片開發周期需要三年。”趙永超表示。
他進一步強調,算法優化會對計算平台架構帶來巨大的挑戰,計算平台架構必須根據算法的特點進行特定優化,才能保持足夠的計算效率和性能。
而這種進化速度上的不比對,使得晶片公司需要對算法的發展趨勢進行預判,前瞻性地将其計算特點融入到晶片架構設計當中,讓晶片産品經過三年的研發,在推出市場的時候,仍然能夠很好地适應最新的主流算法,同時保證能滿足關鍵應用需求。
“通過軟硬結合,能保持很高的硬體使用率,達到真正意義上向後相容軟體算法創新,但想要實作這一點非常困難。”趙永超表示。
他還指出,當下,多數自動駕駛技術都在基于 GPU(圖形處理晶片)進行 AI(深度神經網絡)計算。但 GPU 不像定制晶片(ASIC)那樣高能效比或具有成本效益。最大的問題之一是功耗,要使 L3 以上的工作完美無缺,就需要1000 瓦以上的功耗來處理來自多個攝像頭、雷達、雷射雷達等的實時海量資料。
巨大的能耗需求,對電動汽車的電量存儲亦是一項考驗。
國内知名智能駕駛晶片廠商北京地平線機器人技術研發有限公司(以下簡稱“地平線”)戰略規劃副總裁李星宇則在分享中直言,智能駕駛尚未迎來自己的“iPhone”時刻。
在他看來,智能駕駛行業的發展在過去幾年中逐漸回歸理性,市場從追求L4(高度自動駕駛)一步到位,回歸至尋求L2+(組合駕駛輔助)前裝量産,這一轉變是智能駕駛技術從示範區的小衆嘗試走向了大衆化的價值創造。
“國内目前70%的駕駛裡程、90%的駕駛時間都發生在城區,市場的研發重心正在向城區NOA轉移。”李星宇說。
所謂城區NOA(Navigate on Autopilot),指“導航輔助駕駛”,有些汽車廠商也将相應功能稱之為“高階輔助駕駛”,屬于 L2+級别的駕駛功能,其支援車輛在高速及城區場景下實作點到點的輔助駕駛功能,通過設定起終點,汽車系統自動對道路環境作出研判,并進行行車決策。
“我們行業在L2階段已經成熟,但還未破解L4,現在處于卡在L2+這麼一個狀态,相當于在價值創造拉瓦爾噴管的喉部,如果我們不把城區NOA這一喉部問題解決,智能駕駛領域未來難以完成價值躍遷,也很難解鎖AIGC、XR、元宇宙等更多領域的應用。”李星宇表示。
李星宇認為,車載智能計算的設計理念是既支援好算法,又使得它實體硬體實作最有效。在這個過程中,需要軟體和硬體在算法、在工程技術上進行很多探索。
在他看來,自動駕駛晶片執行的是“從感覺到定位到規控”的完整閉環,并遵循嚴格的安全标準,将車規體系對可靠性和安全性的最高要求和最佳實踐,車載計算架構從以邏輯為主的 1.0 走向以智能為主的 2.0 時代,本質是從規則化設計方式走向資料化設計方式。
但趙永超亦指出,目前自動駕駛算法模型尚不能很好應對長尾場景。
他表示,超過 95% 的車禍是由于各種人為錯誤造成的,但是對于完全自動駕駛技術量産而言,在倫理、法律要求下,AI 技術不成熟導緻車禍是不能容忍的。即便使用更先進的 AI 模型算法,采用更為完備的訓練标注資料,提高自動駕駛的安全性和準确性,然而,極端情況仍然是需要人類駕駛者來幹預,至少目前為止還沒有算法可以解決所有的極端場景。
“從自動駕駛算法角度來看,每一個低級失誤導緻的事故案例,都反映了 AI 算法或者模型的不完備性,我們是無法接受自動駕駛算法犯低級錯誤,哪怕錯誤機率低至 0.01%。”趙永超說。
軟體成本占比将大幅提高
近年來,不止一家汽車廠商的高管公開發表過諸如“汽車未來就是一部長了四個輪子的手機”等類似觀點,随着汽車智能化的不斷提速,這一轉變也在促進汽車行業進入軟體定義、服務驅動的時代。
趙永超指出,軟體定義汽車(Software Define Vehicle,縮寫:SDV),主要基于特定的汽車硬體平台上,通過軟體來實作相關功能和特性,其周期貫穿汽車生産、制造、銷售以及後續服務等階段。代表了汽車從硬體平台逐漸邁向智能化、可擴充、可不斷更新的移動物聯網終端的轉變。
“軟體定義汽車可以提供越來越複雜的安全和保護功能、更進階别的系統自主性以及接受各種功能和安全機制相關的軟體更新能力,除此之外,還将提供例如防盜、在發生索賠時支援保險公司的資訊、警報或緊急情況通知等進階服務和應用。”趙永超說。
在沙龍上釋出的2023車載智能晶片白皮書中,記者看到在“軟體定義汽車”一節中有如下表述,SDV的主要驅動力源于使用者需求、提升體驗以及降低服務成本三個方面,首先,消費者在智能手機和移動互聯的使用習慣和意願上,成功延伸至汽車領域,比如車載資訊娛樂、智能網聯、人機互動等産品形态。
其次,目前車輛資訊娛樂、遠端資訊處理或車輛診斷系統的軟體更新已不再需要前往經銷商或者 4S 店。SDV能夠接收無線(OTA)更新,其中包括安全更新檔、資訊娛樂改進、自動駕駛、輔助駕駛等車輛核心功能的調整,甚至也包括動力總成和車輛動力學的調校和監控。除此之外,ECU、傳感器、執行器以及使用者行為等都會産生大量資料,這些資料有機會完成本地實時分析或者發送到雲端處理,使主機廠能夠深入了解汽車狀态和使用者使用習慣,并改進汽車軟體生命周期管理、開發個性化功能,與消費者建立更深入、更緊密的服務關系。
“汽車作為一個包含機械動力的數字化資訊終端,許多重要的功能特性需要借助軟體和算法來完成,比如智能語音控制車内空調溫度,檢測駕駛員是否疲勞駕駛等。目前中高端汽車的軟體代碼超過 1.5 億行,軟體占汽車生産總成本約 10%,相信随着更多軟體、算法、應用的部署,軟體占總成本将逐漸提高,甚至超過總車成本 50%。”趙永超稱。