麥肯錫發布了一份報告《在生成式AI時代重塑自動駕駛》，自動駕駛正在從一個汽車工程問題，變成一個AI基礎設施問題。

圍繞軟件架構的換代、芯片和內存的軍備競賽和整個產業價值鏈的重新整合來探討，值得我們從芯片角度來看看。

Part 1規則寫不出來了，交給模型學

自動駕駛行業的軟件架構正在經歷一次十幾年才遇到一次的大換代。

過去的做法是規則式的，工程師把"看到行人十米內要剎車""前方有錐桶要變道"這樣的指令一條條寫進代碼。這套做法叫AV 1.0，天花板是永遠寫不完所有場景。

從規則式向端到端AI原生的轉移，端到端架構（AV 2.0）用Transformer模型直接學習從傳感器輸入到駕駛決策的映射。

好處很明顯是在沒有見過的場景中也能做出合理反應，開起來更接近人類的駕駛行為。

落地路徑上，三種并行的架構選擇。

◎ 第一種是傳統做法，感知、規劃、控制各自獨立，代碼大多是人工編的"if-then"規則，好處是每一步都透明可解釋，問題是適配不了復雜城市路況。

◎ 第二種是混合方案，用VLA（視覺語言動作）模型主導駕駛，外面再套一層規則做安全兜底。很多L2+系統走的就是這條路。

◎ 第三種是純端到端方案，一個模型同時處理感知和規劃。

它又分了兩個流派。

模塊化端到端，感知和規劃是分開預訓練的模型，但聯合優化，好處是中間輸出可以獨立驗證，方便調試。

單片式端到端，一個巨型模型直接吃進傳感器數據輸出駕駛指令，信息損失最小，泛化能力最強，但像個黑盒子，你不知道它某個急剎到底是"看到了真的危險"還是"看錯了影子"。

端到端架構在高度變化的城市環境中表現得比傳統系統更好。但代價很大：模型可解釋性差，安全驗證困難，監管部門難以審批。

行業共識是，L2+會先大規模鋪開，因為人還在方向盤后面負責兜底。L3和L4靠純端到端上量，需要同時突破更省數據的AI模型、能模擬百萬級極端場景的仿真平臺和更成熟的法律框架三個關卡。

多數中國消費者認為2035年之前大多數車就能實現完全無人駕駛，六成以上全球受訪者愿意乘坐robotaxi。

中國市場最樂觀，消費者預期領先業界專家的判斷至少一個身位。

Part 2芯片的戰場，真正的瓶頸不是算力

端到端架構帶來的算力需求爆炸，直接把芯片從"汽車的一個零部件"推成了"決定競爭力的核心變量"。

ADAS和自動駕駛處理半導體的全球市場，2025年約56億美元，到2035年會膨脹到超過460億美元，年復合增長率24%。ADAS/自動駕駛芯片在汽車半導體總價值中的占比從不到6%跳到22%，大中華區預計是2035年最大的單一市場。

過去五年，行業一直在拼TOPS。誰的NPU算力更高，誰的芯片就跑得更快，這個邏輯在端到端時代不夠用了。

真正的瓶頸不是計算能力，是內存帶寬。

端到端模型參數量巨大，傳感器數據流高分辨率、多模態、高幀率，中間的激活層數據體積遠超模型本身。系統在算力耗盡之前，帶寬已經先被堵死了。

系統變得受內存限制，而非受計算限制，高帶寬LPDDR內存、更大的片上SRAM緩存、甚至HBM和先進封裝，正在取代TOPS數成為衡量下一代ADAS芯片的硬指標。

NPU也在取代GPU成為端到端芯片的主力。

◎ AV 1.0時代，GPU用來跑感知模型；

◎ 到了AV 2.0，推理任務NPU更高效。CPU轉向做安全冗余和系統調度，GPU退居輔助角色，做預處理和后處理。

延遲和確定性是另一個被忽略的維度。端到端系統的控制回路對時間精度的要求上了一個臺階。傳感器輸入、規劃決策、車輛執行這三個環節之間的時延，如果有幾個毫秒的不確定性，安全驗證的難度直接爆炸。

報告指出，片上互聯和低延遲通信通道正在變成下一代E2E平臺的關鍵設計約束。分布式架構雖然靈活，但多芯片之間的同步延遲和安全驗證復雜度，很多整車廠承擔不起。

封裝也在卷。單片SoC提供最低延遲和最簡單的安全驗證，是當前主流。系統級封裝（SiP）是過渡方案，多顆die在一個封裝內協同。

Chiplet（芯粒）被認為是2030年后的終極解，可以把大芯片拆成小芯粒，升級某個功能不用重新設計整顆芯片。

但它在汽車安全場景下的驗證復雜度太高了，可能需要連接技術、軟件工具鏈和安全框架全部成熟以后才能真正上車。

Part 3車不再是唯一的戰場，數據中心和軟件生態也在被改寫

端到端AI對算力的吞噬遠遠超出了車本身的范疇。傳統的ADAS開發，數據采集、標注、訓練、驗證的管線和今天的端到端系統比，算力需求不是一個數量級。

報告把驅動因素拆成三條：模型越來越復雜（Transformer、多模態基礎模型、VLA系統全都是巨型算力消耗者）、訓練數據規模膨脹（需要數百萬小時的真實駕駛數據做模仿學習和強化學習）、仿真驗證成為必需品（端到端模型太像黑盒，必須用海量高保真閉環仿真來生成極端場景、評估失敗模式）。

自動駕駛的經濟模型開始越來越像一個超大規模AI平臺的經濟模型，行業已經分成了兩條路。

◎ "輕算力"模式，傳統車企買現成的軟硬件方案，自己只做少量的車端適配，內部訓練算力需求不大。

◎ "重算力"模式，robotaxi運營商和深度垂直整合的車企從頭訓練自己的端到端模型，需要的AI訓練集群逼近90,000個H100等效GPU。

90,000個H100。這個數字放在五年前是科幻，放在今天是一個幾家頭部公司正在逼近的現實。

這么多算力放在哪，成了戰略問題。

◎ 全部上云，彈性最好，但大模型訓練跑在云端，GPU租賃費用在規模大了以后是一條陡峭的成本曲線。

◎ 全部自建，數據主權最安全，持續推理和工作負載的成本最可控，但缺乏彈性。

混合架構正在成為主流，數據和核心模型放在自己的機房，峰值訓練和仿真跑在云端。

供給端還有一個更深層的趨勢：軟件和硬件正在經歷從耦合到解耦的長周期演變。今天為了追求極致的延時和確定性，頭部玩家在搞軟硬件協同設計，用專屬芯片跑專屬模型。

但報告引用多數業界專家的判斷，長期方向是軟硬件分離。車企要的是"感知、規劃、控制這些軟件層能在不同SoC上跑"。芯片公司也在投資開放接口、中間件抽象層和標準化軟件框架。

一個模塊化的"混搭"生態可能在未來十年內形成：A公司做感知、B公司做規劃、C公司做仿真，全跑在標準化的硬件平臺上。

小結

自動駕駛的下一個時代，競爭力取決于誰能建立行業最強的AI生態系統。

只把車造好的公司不夠，只把芯片做好的公司也不夠。能把汽車工程經驗、AI軟件能力、數據閉環和計算基礎設施這四樣東西同時做出來的人，才會定義未來出行的形態。

       原文標題 : 麥肯錫：自動駕駛正在變成一個芯片和算力的競賽