智能汽车，算力怎么拼？
【慧聪通信网】市场有市场的波动，技术有技术的逻辑。
电动化为智能化铺了路，智能汽车正在加速推进。传统汽车的核心是马力，智能汽车的核心自然也就是算力。这一方面，特斯拉就是最好的例子。特斯拉自动驾驶系统的优异表现，来源于算法，而算法的背后支撑，正是算力。从车端算力到云端算力，再到AI智算中心，三次算力的迭代，让特斯拉的自动驾驶系统不断迈上新台阶。
算力并非仅一个单点，它背后是一整个生态的稳定配合。整个生态如何演进，又要从智能技术路线如何交互说起。汽车智能技术路线大概可以分为两大类：一个是行驶智能，如特斯拉的技术路线，依靠自己进化；还有一个是环绕智能，如智慧城市、智慧公路跟智能汽车融为一体，依靠网络、依靠云。据业内专家表示，中国是两条路线都有。汽车厂大多数在用特斯拉的技术路线，环绕智能则是国家正在着力构建的。
路线不同，整个生态的算力“基建”重点亦有所区别。特斯拉依靠Mobileye视觉自动驾驶技术起家，选取的方案是更为便宜也更容易量产的计算机视觉方案，并通过神经网络的模型训练Autopilot算法。同时，特斯拉还利用影子模式训练，将已售车辆变为“测试车辆”，不断收集现有活跃车辆的真实场景数据，上报捕捉到的视觉信息与“稀有案例”，并基于模型对外界进行预判，对特定模块进行修正性训练，再将修正后的模型下发到车端，完成训练的闭环。
这一模式背后的算力体系是什么？特斯拉专家曾表示，其需要使用14亿帧画面才能训练一个神经网络，对应的是10万个GPU工时。早在多年前，特斯拉就打造了属于自己的AI计算中心——Dojo，总计用了1.4万个英伟达的GPU来训练AI模型。为了提升效率，特斯拉还在2021年发布了自研的AI加速芯片D1。25个D1封装在一起组成一个训练模块，然后再将训练模块组成一个机柜。按照特斯拉数据统计显示，使用Dojo组成的AI计算集群，可提高30%的网络训练速度。也就是说，通过自研D1芯片、自研机柜，特斯拉构建起了一种自我喂养、自我进化的算力霸权。
一枚硬币有两面。单车智能的美好在于自迭代，问题则在于卡脖子。对于我国而言，尽管华为、地平线、黑芝麻等国内厂商相继推出规级AI计算芯片产品，但在芯片算力方面仍与进口芯片存在一定差距。如果以单车智能为主，那就会在高精度传感器、高算力芯片上被卡脖子。业内专家表示，我国坚持“单车智能+车路协同”道路的大一原因，就在于此。车路协同方案，可以将部分算力分担到路端，那么现阶段自主芯片的算力便能够支撑我国自动驾驶的发展。
相较于单车智能的自循环，车路协同的环绕智能，因车端和路端需要实时交互，所以对车端、路段以及云端的协同提出了更高的要求。车端多传感器负责的是环境感知与数据融合，通过车载计算平台进行数据处理，路段设备则负责路况信息搜集与边缘测计算。路端要完成这一任务，其核心设备是激光雷达。它探测物体的三维坐标，采集路况信息，然后通过和毫米波雷达、摄像头等设备的边缘计算进行数据融合，实时绘制局部高精度地图，用“上帝视角”为车辆提供决策依据。通信平台提供车-车、车-路、车-云间实时传输的信息管道，让车辆实现网联化自动驾驶。
车路协同的“上帝视角”高度依赖低延时、高传输率、高可靠性、高连接数密度的5G网络环境。5G基站、路侧感知设备与边缘计算设备的铺设，一切智能新基建是车路协同实现的前提。这是一个相当复杂的系统难题。尽管国家力推，各地政府热情高涨，示范试点陆续出炉，但目前我国的车路协同建设仍正面临谁来建怎么建、遵循什么标准建、目前的这些基础设施能否满足可靠性与安全性要求、建设后怎么用等等一系列“灵魂”拷问。
因而，车路协同的背后是跨行业的协同合作。首先，是顶层设计的不断完善。其次，车企需要与路企加强沟通，推进网联化进程；路企不能单看“路”本身，要跟车企的应用相匹配；在技术标准、通信接口、场景应用等方面，通信机构要做好和车企的对接。再次，相关行业平台和协会发挥协调作用，协调各方需求。以此为基础构建的产业生态，才能真正支撑起车路协同所需要的算力。
都说凡人畏果，菩萨畏因，佛畏系统。当马力不受宠，算力成为核心的时候，真正的问题仅仅在芯片要不要自己设计吗？芯片自然是其中重要的一环，但并非全部。建设协同进化、循环发展的复杂系统，才能实现真正的产业化落地。
