AI原生時代, 自動駕駛到底拼什么？

2026-07-03 15:19

隨著AI原生系統(tǒng)的普及，自動駕駛正成為一場爭奪算力、軟件、數(shù)據和半導體的綜合競賽。

汽車行業(yè)的高級駕駛輔助系統(tǒng)（ADAS）與自動駕駛（AD）發(fā)展正邁入全新階段，生成式AI正成為這一階段的核心特征。

如今，生成式AI正在加速行業(yè)向AI原生端到端（E2E）架構轉型，這類架構能夠從海量數(shù)據集中直接學習駕駛行為。與傳統(tǒng)系統(tǒng)相比，端到端系統(tǒng)能更高效地適配陌生環(huán)境、應對更復雜的駕駛場景，并且隨著數(shù)據處理量的提升，能力迭代速度顯著加快。

這些技術變革正在改寫ADAS與自動駕駛的商業(yè)邏輯。行業(yè)競爭優(yōu)勢不再僅局限于打造性能更優(yōu)的整車，而是向具備AI模型、半導體、云基礎設施、大規(guī)模數(shù)據采集，以及軟硬件集成系統(tǒng)高效驗證能力的企業(yè)傾斜。這一轉型正值消費者關注度提升、自動駕駛領域投資持續(xù)增長的行業(yè)背景之下。

一個清晰的趨勢表明，自動駕駛不僅是汽車工程問題，正日益成為一項AI基礎設施挑戰(zhàn)。

消費者態(tài)度與市場發(fā)展動能

到2035年，大多數(shù)汽車會實現(xiàn)完全無人駕駛嗎？麥肯錫最新調研顯示，多數(shù)中國消費者持肯定態(tài)度，而西方消費者中約四分之一認同這一預期。事實上，ADAS與自動駕駛正快速走向普及，ADAS功能對購車決策的影響力持續(xù)提升，在高端車型市場尤為明顯。

消費者也愿意乘坐非自有自動駕駛車輛，快速增長的自動駕駛出租車（Robotaxi）市場便是佐證。全球范圍內，消費者對自動駕駛出行服務的接受度持續(xù)上升，超60%的受訪消費者表示會考慮使用Robotaxi，約半數(shù)受訪者預計未來幾年出行費用將有所下降。

不過，消費者對技術落地進度的預期普遍高于行業(yè)專家。多數(shù)受訪自動駕駛領域專家認為，L2+級系統(tǒng)將在2035年前主導大眾市場，同期L3及更高級別系統(tǒng)大概率仍僅限定于特定場景與區(qū)域落地。

L2+系統(tǒng)的持續(xù)迭代與L4自動駕駛的穩(wěn)步推進，將推動全球ADAS軟件與電子市場持續(xù)增長。預計該市場年復合增速約16%，到2035年市場規(guī)模將達到約1600億美元，其中軟件與域控制器（DCU）將占據最大市場份額。

盡管行業(yè)增長動能強勁，但自動駕駛的規(guī)模化落地仍面臨高成本與技術難題。軟件開發(fā)、安全驗證、大規(guī)模數(shù)據采集是主要成本來源，向端到端AI架構的轉型，也進一步提升了對算力基礎設施、仿真能力與高性能半導體的要求。2025年11月，針對40余位行業(yè)高管的非正式調研顯示，ADAS落地的三大核心挑戰(zhàn)分別為：安全保障（23%）、車載推理的高算力需求（14%）、監(jiān)管與法律不確定性（14%）。

從規(guī)則驅動到端到端系統(tǒng)

過去十余年，ADAS與自動駕駛的發(fā)展主要依托規(guī)則驅動的軟件架構——工程師編寫數(shù)千條明確指令，定義車輛在特定場景下的響應邏輯。這套架構支撐了如今絕大多數(shù)安全與便利功能（從自動緊急制動到自適應巡航），也為更高等級自動駕駛奠定了基礎。而當下，行業(yè)正經歷一場深刻的架構變革。

兩大技術與戰(zhàn)略力量，正在加速端到端架構的普及：

第一，生成式AI大幅加快了ADAS與自動駕駛技術的迭代速度。傳統(tǒng)系統(tǒng)依賴顯式編程規(guī)則，或僅在局部場景應用機器學習（如交通標識檢測）；而端到端架構可從大規(guī)模數(shù)據集中直接學習駕駛行為，對陌生場景的泛化能力更強，駕駛表現(xiàn)更接近人類自然駕駛習慣。

第二，L4級自動駕駛的技術攻關推動了生態(tài)跨領域協(xié)作。半導體企業(yè)、整車廠與出行運營商的合作日益常態(tài)化，多數(shù)落地項目采用分階段模式：先通過數(shù)據采集車隊積累真實路測數(shù)據，再在限定場景下以人工監(jiān)督模式驗證系統(tǒng)性能，最終實現(xiàn)完全無人駕駛運營。這類協(xié)作正在重塑行業(yè)競爭格局，加速技術迭代。

ADAS與自動駕駛的三類技術路線

當前，ADAS領域形成了三類主流架構，普遍結合多模態(tài)視覺模型與強化學習/模仿學習技術：部分方案采用單模型同步處理感知、規(guī)劃與控制任務，另一類方案則采用多模型聯(lián)合訓練模式。

以下兩類架構脫胎于第一代自動駕駛技術的傳統(tǒng)規(guī)則系統(tǒng)：

第一類是傳統(tǒng)ADAS（自動駕駛1.0）：基于模塊化流水線架構，將感知、規(guī)劃、控制拆分為獨立軟件層級。絕大多數(shù)代碼為人工編寫，通過明確的“if-then”規(guī)則覆蓋特定駕駛場景（如“檢測到10米內有行人則觸發(fā)制動”），僅在層級內部有限應用機器學習等AI技術。

第二類是混合架構，將端到端學習與規(guī)則化安全機制相結合，通常以“視覺-語言-動作（VLA）”模型等AI技術完成核心駕駛任務，同時通過額外規(guī)則監(jiān)控輸出結果、約束安全邊界。

端到端架構被視為第二代自動駕駛技術（自動駕駛2.0），它基于Transformer模型，依托互聯(lián)網與車端生成的海量數(shù)據集訓練，學習復雜駕駛行為，實現(xiàn)多變場景下的泛化適配。

布局端到端自動駕駛的企業(yè)并未形成統(tǒng)一的設計共識，主要分為兩大技術路線：

第一個是模塊化端到端設計。融合AI學習的性能優(yōu)勢與模塊化工程的可解釋性，由不同預訓練模型分別承擔感知、規(guī)劃等功能，但模型在端到端優(yōu)化框架下聯(lián)合訓練。該架構的優(yōu)勢在于中間輸出可觀測、可獨立驗證，降低調試與安全分析難度，開發(fā)者也可針對規(guī)劃層應用閉環(huán)仿真技術提升效率。短板是模塊接口處存在信息損耗，在復雜真實場景中的泛化能力略弱。

第二個是單一體架構設計。用單一模型同步完成感知與規(guī)劃任務，部分方案甚至覆蓋車輛控制。支持者認為，消除模塊接口可減少信息損耗，實現(xiàn)更強的泛化能力，但代價是技術復雜度大幅提升。單一體系統(tǒng)需要海量訓練數(shù)據、龐大算力資源與高度成熟的仿真環(huán)境，且模型決策過程通常不可直接觀測，驗證難度顯著上升。

行業(yè)已逐漸形成共識，在高度多變的駕駛環(huán)境中，端到端架構的表現(xiàn)優(yōu)于傳統(tǒng)系統(tǒng)，能夠應對工程師未預先顯式定義的場景，這一能力在路況動態(tài)、場景模糊的城市環(huán)境中尤為重要。

但優(yōu)勢背后也伴隨著核心難題：可解釋性不足。與模塊化規(guī)則系統(tǒng)不同，端到端模型常呈現(xiàn)“黑箱”特性，工程師可觀測系統(tǒng)行為，卻無法完全解釋決策邏輯，這給安全驗證、問題排查與監(jiān)管審批帶來了阻礙。

這些局限也影響著各等級自動駕駛的規(guī)模化落地節(jié)奏。多數(shù)行業(yè)參與者認為，L2+系統(tǒng)的規(guī)模化速度將快于完全自動駕駛，L2+場景中人類駕駛員仍承擔監(jiān)控責任，降低了系統(tǒng)完全安全的證明壓力。若要依托純端到端算法實現(xiàn)L3、L4級規(guī)模化落地，需要多領域技術同步突破：數(shù)據效率更高的AI模型、覆蓋極端長尾場景的大規(guī)模仿真能力、更廣泛的監(jiān)管認可。而在端到端算法基礎上疊加安全監(jiān)控層的混合方案，有望加速端到端模型在L3、L4車型中的落地應用。

與此同時，向AI原生端到端架構的轉型，正在引發(fā)全行業(yè)算力需求的爆發(fā)式增長，半導體與車載計算平臺正成為核心競爭壁壘。

車載硬件和系統(tǒng)需求的新紀元

汽車半導體市場正快速演進，核心趨勢包括GPU與NPU廣泛應用于AI工作負載、車載娛樂與ADAS應用對算力性能的要求持續(xù)提升、融合型片上系統(tǒng)（SoC）與芯粒（Chiplet）等新興架構落地，這類架構可在單芯片上高效運行不同安全等級的多類應用（如車載娛樂與ADAS）。

預計ADAS/自動駕駛處理芯片市場規(guī)模，將從2025年的約56億美元增長至2035年的超460億美元，年復合增速約24%，增速顯著高于整體汽車半導體市場。該品類在汽車半導體市場的價值占比，將從2025年的不足6%提升至2035年的22%。全球各區(qū)域市場均將實現(xiàn)增長，其中大中華區(qū)預計在2035年成為全球最大市場。

這一高速增長，反映了自動駕駛系統(tǒng)設計與部署的深層變革。隨著行業(yè)從規(guī)則驅動ADAS向端到端AI系統(tǒng)轉型，車載算力需求急劇攀升。未來系統(tǒng)需要實時處理海量多模態(tài)傳感器數(shù)據流，同時在嚴格的時延與安全約束下持續(xù)運行大模型。單純的算力峰值性能已不再是唯一核心指標，NPU、內存帶寬與先進封裝技術，正成為決定性戰(zhàn)略因素。

NPU與內存帶寬的三大結構性趨勢，正在驅動下一代車載算力升級：

第一，自動駕駛等級提升，高分辨率攝像頭、雷達、激光雷達等傳感器的廣泛應用，讓算力需求大幅增長。更高等級的自動駕駛，要求系統(tǒng)在毫秒級時間內處理更多數(shù)據、解讀更復雜環(huán)境、運行更精密的規(guī)劃算法。

第二，端到端架構的普及，從根本上改變了車載SoC的內部算力構成。早期ADAS架構中，GPU通常是感知工作負載的核心加速單元；而在端到端架構中，針對AI推理優(yōu)化的NPU成為算力主體。CPU繼續(xù)承擔安全關鍵功能與系統(tǒng)整體調度，尤其在滿足汽車安全完整性等級（ASIL）合規(guī)要求的系統(tǒng)中；GPU與數(shù)字信號處理器（DSP）轉向輔助角色，負責前后置處理、可視化渲染，以及AI訓練生態(tài)兼容等工作。

第三，行業(yè)向集中式計算平臺演進，單平臺可同時承載ADAS、車載娛樂、車身控制等功能。這類架構降低了布線復雜度，提升了軟件可升級性，簡化了OTA升級流程，也為車輛全生命周期內AI功能的靈活部署創(chuàng)造了空間。但它也帶來了技術挑戰(zhàn)：不同關鍵等級、時延要求、可靠性與安全標準的工作負載被整合至同一平臺，因此可擴展架構與先進互聯(lián)技術的重要性日益凸顯。

當前主流ADAS SoC的INT8算力通常在100~400 TOPS（每秒萬億次運算），這類平臺已集成CPU、GPU、NPU、DSP等異構計算單元。但隨著AI工作負載要求提升，架構算力分配正在發(fā)生變化：新一代芯片將更多硅片面積用于NPU而非GPU，對應端到端系統(tǒng)中AI推理占比持續(xù)提升的趨勢；CPU仍負責安全關鍵功能、系統(tǒng)調度與冗余備份。

但原始算力性能已不再是下一代ADAS系統(tǒng)的首要約束。隨著端到端架構運行的AI模型規(guī)模擴大、傳感器數(shù)據流日益豐富，行業(yè)面臨新的挑戰(zhàn)：如何實現(xiàn)海量數(shù)據在系統(tǒng)內的實時高效傳輸。

端到端ADAS架構最顯著的變化之一，是系統(tǒng)從“算力受限”轉向“內存受限”—— 這源于參數(shù)量擴大、高分辨率傳感器數(shù)據流、龐大的中間激活層帶來的壓力。內存帶寬（單位為GB/s）正日益成為系統(tǒng)性能的決定性因素，高帶寬LPDDR內存與更大容量的片上SRAM緩存，已成為核心設計指標。同時，車輛也需要更大的非易失性存儲空間，用于存儲更大的模型權重，支撐高頻軟件更新。

這些需求對成本、散熱設計與封裝策略都產生了深遠影響。高帶寬內存與先進封裝技術可緩解帶寬約束，但也會推高成本與系統(tǒng)復雜度。如今多數(shù)行業(yè)參與者認為，內存架構而非峰值算力，才是端到端自動駕駛規(guī)模化的核心瓶頸。

內存的重要性也延伸至車端之外。AI需求激增正在引發(fā)存儲芯片供應緊張，研究機構Omdia數(shù)據顯示，云廠商正加速采購存儲芯片，2025年服務器領域占據了超50%的DRAM需求；2023至2025年，全球DRAM銷售額年復合增速約70%。

除吞吐量外，端到端系統(tǒng)還有另一項核心要求：確定性時延。ADAS與自動駕駛依賴實時控制閉環(huán)，傳感器輸入、規(guī)劃決策、車輛控制輸出必須在嚴格可控、高度可預測的時間窗口內完成，執(zhí)行時間的波動會直接影響安全。

這一要求提升了片上互聯(lián)與低時延通信網絡的重要性，其中芯片間時延是端到端控制閉環(huán)的一大挑戰(zhàn)。分布式架構具備靈活性與可擴展性，但會帶來同步延遲與不可預測行為，難以在安全關鍵系統(tǒng)中完成驗證。

因此，確定性執(zhí)行與時延可控，正成為下一代端到端自動駕駛平臺的核心設計約束。多數(shù)場景下，高度集成的計算架構比分散式設計更具優(yōu)勢，它能最大限度降低通信開銷，提升時序可預測性。

為何自動駕駛正成為AI基礎設施挑戰(zhàn)？

除車端之外，AI原生端到端系統(tǒng)還需要龐大的數(shù)據中心算力支撐。早期ADAS的模塊化架構將感知、定位、預測、規(guī)劃拆分為獨立軟件棧，而端到端架構采用統(tǒng)一神經網絡，直接將原始傳感器輸入映射為駕駛決策與車輛控制指令。

隨著開發(fā)生命周期各階段算力需求攀升，ADAS與自動駕駛的商業(yè)邏輯正從傳統(tǒng)汽車工程模式，向超大規(guī)模AI平臺模式轉變。

AI原生端到端系統(tǒng)的算力需求，主要由三大結構性力量推動：

首先，模型復雜度與內存密集度提升。端到端系統(tǒng)依托規(guī)模更大、更精密的AI模型，Transformer架構、多模態(tài)基礎模型、新興VLA系統(tǒng)需要實時處理海量高維傳感器數(shù)據，同步完成環(huán)境解讀、路徑規(guī)劃與車輛控制。高分辨率攝像頭輸入、3D占用網絡、數(shù)十億參數(shù)的神經網絡，既需要龐大GPU集群完成訓練，也需要高算力車載中央計算機、超高內存帶寬與先進張量并行架構支撐部署。

其次，訓練數(shù)據規(guī)模激增。端到端模型要求開發(fā)者采集、存儲、標注、處理海量結構化與非結構化駕駛數(shù)據，需要數(shù)百萬小時的真實駕駛數(shù)據，支撐模仿學習、強化學習、長尾場景挖掘與模型持續(xù)迭代。

第三，重仿真的驗證模式。與規(guī)則驅動方案相比，端到端模型更具“黑箱”特性。企業(yè)必須運行海量高保真閉環(huán)仿真，生成合成長尾場景、評估失效模式、優(yōu)化獎勵函數(shù)，并持續(xù)重訓練模型。

并非所有汽車參與者都會同等投入這場算力競賽，行業(yè)正清晰分化為“輕算力”與“重算力”兩種運營模式：

多數(shù)傳統(tǒng)整車廠選擇輕算力模式，集成供應商的成熟技術棧。整車廠依托供應商提供的基礎模型，僅在內部完成有限的車型專屬微調，內部算力需求相對可控。

自動駕駛出租車運營商與高度垂直整合的整車廠，則選擇重算力戰(zhàn)略，從零開發(fā)自研端到端駕駛模型。這類企業(yè)需要龐大的專屬算力基礎設施，頭部企業(yè)的AI訓練總算力規(guī)模已接近9萬張H100等效GPU。

隨著下一代AI加速器落地，基礎設施需求預計將進一步攀升。更強的算力將支撐更復雜的VLA模型訓練，以及L4自動駕駛所需的大規(guī)模端到端神經網絡開發(fā)。

如今的端到端神經網絡與VLA模型算力需求極高，因此硬件與軟件通常采用協(xié)同開發(fā)模式。若使用碎片化的現(xiàn)成組件，很難實現(xiàn)L3、L4級自動駕駛所需的超低時延、高帶寬與確定性安全。頭部企業(yè)因此紛紛采用軟硬件深度協(xié)同設計模式，或是為專屬芯片定制開發(fā)軟件。

盡管短期協(xié)同設計優(yōu)勢顯著，但多數(shù)行業(yè)專家認為，市場長期方向是軟硬件解耦。不過目前行業(yè)尚未形成明確的統(tǒng)一趨勢。

當前多數(shù)SoC供應商提供軟硬件一體化的集成方案，但它們普遍認為長期將走向更高程度的分離，以提升靈活性與安全驗證效率。整車廠與一級供應商強調，需要感知、規(guī)劃、控制等獨立軟件層，實現(xiàn)跨多類SoC平臺的適配運行；半導體企業(yè)也在布局開放接口、中間件抽象層與標準化軟件框架（如基于POSIX的系統(tǒng)、自適應AUTOSAR），這些都指向軟硬件逐步分離的長期結構。

少數(shù)專家則認為，高性能自動駕駛仍需要深度集成的端到端協(xié)同設計，尤其在時延與優(yōu)化要求極致的安全關鍵功能中。但即便支持深度集成的觀點，也多將其視為過渡階段——待標準與算力架構成熟后，終將走向解耦。

第三種可能的格局是模塊化“混搭”生態(tài)：不同廠商的優(yōu)勢軟件模塊運行在標準化硬件平臺上，比如一家企業(yè)提供感知軟件、一家提供規(guī)劃軟件、另一家提供仿真或控制功能，通過通用中間件層實現(xiàn)集成。但該模式同樣以軟硬件一定程度的分離與標準化為前提。

端到端轉型帶來的一個直接影響，是芯片選型的決策環(huán)節(jié)后移。車企越來越多地采用“軟件優(yōu)先”思路：先選定ADAS軟件合作伙伴，制定數(shù)據采集與標注策略，再確定半導體選型。

隨著端到端架構日趨復雜，價值鏈協(xié)作不斷深化，供應商關系也在發(fā)生變化。整車廠、一級供應商、半導體企業(yè)、云廠商、AI原生科技公司紛紛組建聯(lián)合開發(fā)項目，通常由整車廠提供整車平臺與專屬駕駛數(shù)據，一級供應商負責系統(tǒng)集成與驗證，AI平臺企業(yè)輸出基礎模型、訓練基礎設施與仿真能力。

考慮到數(shù)據采集、模型訓練、安全驗證、高性能芯片開發(fā)的高額成本（尤其城市場景系統(tǒng)），我們認為技術棧各層級中，僅有少數(shù)參與者能成功實現(xiàn)商業(yè)化落地。

與此同時，生態(tài)也向新入局者開放。端到端感知-控制模型的興起，為AI原生初創(chuàng)企業(yè)、機器人公司、云廠商創(chuàng)造了切入汽車價值鏈的機會，它們可作為基礎駕駛模型供應商或訓練基礎設施服務商參與行業(yè)。

端到端轉型也在加速整車廠的垂直整合，車企不再依賴現(xiàn)成半導體與供應商開發(fā)的ADAS軟件，而是與芯片設計商、IP 供應商、晶圓廠聯(lián)合開發(fā)定制AI芯片，同時自研ADAS與自動駕駛軟件。這反映了行業(yè)向軟件定義汽車的戰(zhàn)略轉型——硬件設計將圍繞AI模型的需求展開。

半導體企業(yè)則在向軟件領域延伸，頭部SoC供應商紛紛推出集成軟件棧，涵蓋軟件開發(fā)工具包、中間件、安全運行時。這一演變讓半導體企業(yè)從單純的組件供應商，轉型為端到端平臺服務商。

下一個自動駕駛時代，既由車輛本身的進步塑造，也同樣由AI、算力、半導體與超算基礎設施的突破定義。隨著生成式AI加速行業(yè)向AI原生端到端系統(tǒng)轉型，自動駕駛的領導權之爭，將越來越取決于誰能打造行業(yè)最強的AI生態(tài)。那些成功將汽車領域經驗，與軟件、數(shù)據、算力領域的獨特能力相結合的企業(yè)，終將定義出行的未來。

原文標題 : AI原生時代，自動駕駛到底拼什么？