朋友问起AI 如何提升汽车的智能驾驶辅助功能？精准度和可靠性如何？先说观点后面详聊。智能驾驶辅助系统的成功不仅依赖于AI算法的不断改进，还仰仗于强大的计算能力和实时数据处理的效率。接下来小星将通过简单AI在自动驾驶发展史概览，探讨AI算力在车载系统和数据中心中的差异及分工应用，带大家通过相关公式分析AI算力如何提升系统的精准度和可靠性。
从ChatGPT看AI的突破
随着人工智能（AI）技术的迅猛发展，2023年ChatGPT的横空出世成为AI领域的一次革命性突破。这种基于Transformer的大模型展示了AI在自然语言处理上的强大能力，标志着AI在理解、推理和生成内容方面达到了一个新的高度。然而，这仅仅是AI应用的冰山一角。随着AI技术不断进步，其影响力早已扩展至多个行业，尤其是在自动驾驶领域，AI的作用变得至关重要。
AI在自动驾驶中的发展历程
自动驾驶的发展最早可以追溯到2000年初。然而由于当时的技术限制，第一届无人驾驶陆地挑战赛举办的时候甚至没有一家参赛队伍能够完成主办方DARPA设定的加州莫哈韦沙漠240公里赛道。因此在2005年的第二届陆地挑战赛中DARPA将赛道的最低目标距离设定为11.78公里。这也是第一届中无人驾驶汽车最远的行驶。此届挑战赛中有5辆无人驾驶汽车完成了目标。而其中比较出名的应该就是TerraMax无人驾驶卡车。直到深度学习技术在2010年代的突破，自动驾驶才开始进入实用阶段。通过卷积神经网络（CNN）和深度神经网络（DNN），自动驾驶系统能够实现对道路、行人、车辆的图像识别与处理。
近年来，基于Transformer的大模型技术的引入，极大提升了自动驾驶的环境感知能力，使其在复杂的交通场景中表现更加出色。从特斯拉的Autopilot，到百度Apollo的自动驾驶出租车，AI已成为自动驾驶的核心驱动力。AI不仅帮助自动驾驶系统进行实时感知、路径规划，还能通过大数据驱动的学习不断优化驾驶决策。这种进化使得AI从最初的基础辅助驾驶逐步迈向更高级别的自动驾驶阶段。
车载算力与数据中心算力的比较
在自动驾驶系统中，AI算力的需求主要分为两个层次：车载算力与数据中心算力。两者的应用场景、计算能力和技术导向存在显著差异。
车载算力：实时性与功耗的平衡。车载算力主要用于在车辆行驶过程中处理实时数据，包括环境感知、路径规划和驾驶决策等。为了保证自动驾驶系统的即时反应能力，车载AI芯片通常需要在短时间内处理大量传感器数据，如摄像头、雷达、激光雷达等。车载算力的核心挑战在于如何在有限的空间和功耗下实现高效计算。因此，车载系统往往依赖于高效能比（TOPS/Watt）的AI芯片，如NVIDIA的Orin、华为昇腾等，这些芯片的设计目标是实现高算力与低功耗的平衡。
相比较而言，问界和阿维塔采用华为自研异构芯片昇腾，使系统算力达到400TOPS。类似的，蔚来的ET7配备了基于英伟达Orin的ADAM超算平台，单位算力达到256TOPS。这些技术进步将使自动驾驶系统更加智能和高效。对于分别采用台积电7nm和三星8nm工艺的大背景下算力其实旗鼓相当，决胜点在面积和功耗控制上。但由于众所周知的原因2020年以后竞争势态完全改变了。与此同时AI算力芯片毋庸置疑是持续投资的大势所趋。
数据中心算力：大规模训练与模型优化。数据中心则用于离线的大规模数据处理和深度学习模型的训练。相比车载算力，数据中心的计算能力更为强大，通常是车载系统的数十倍甚至数百倍。其优势在于可以处理海量的历史数据，训练更复杂、更精确的AI模型，为车载系统提供不断更新和优化的算法。数据中心的算力通常依赖于高性能GPU或专用AI处理器，如NVIDIA H100、Google TPU等。在自动驾驶领域，数据中心的主要应用包括：训练AI模型以提高车辆对复杂道路环境的识别能力，优化驾驶算法以减少误判，利用大数据进行路径优化与决策支持。
算力公式解析
AI算力通常以TOPS（Tera Operations Per Second）来衡量，即每秒能够执行的万亿次操作。AI芯片的算力（TOPS）与芯片的频率（F）、并行处理单元数量（N）、每个处理单元的操作数（OP）直接相关。例如，车载AI芯片NVIDIA ORIN的频率为2GHz，含有2000个处理单元，每个单元每周期执行64次操作。而典型的数据中心AI芯片如NVIDIA H100，频率为1.7GHz，拥有18896个CUDA核心，每个核心每周期能够执行32次操作。通过对比可以看出，数据中心算力远超车载算力，能够处理更大规模的数据，并且用于复杂模型的训练和优化。
车载与数据中心算力的不同应用导向
车载算力的设计重点在于实时性、低延迟和低功耗，这使其非常适合处理实时环境感知与驾驶决策。相比之下，数据中心算力更多用于大规模的离线训练与推理优化。两者的应用导向反映了在自动驾驶技术发展中，既需要高效的车载实时计算，也需要强大的数据中心支持，以共同推动AI技术在自动驾驶领域的全面应用。
AI的算力不仅是自动驾驶发展的关键，更是影响系统精准度和可靠性的核心因素。智能驾驶辅助系统的成功不仅依赖于AI算法的不断改进，还仰仗于强大的计算能力和实时数据处理的效率。随着AI技术的不断进化，车载算力与数据中心算力将在不同应用场景中相辅相成，共同推动自动驾驶技术的全面成熟。
