來源：智能汽車與智慧城市協(xié)同發(fā)展聯(lián)盟執(zhí)筆人：劉延

導(dǎo)讀

隨著以AI大模型為代表的生成式AI技術(shù)的快速發(fā)展，汽車正進(jìn)入AI化發(fā)展新階段。AI將通過持續(xù)學(xué)習(xí)和環(huán)境適應(yīng)推動自動駕駛和智能交互進(jìn)化，讓汽車從“擬人化”做到“有頭腦會思考”，為用戶提供更“好開”和“好玩”的駕乘體驗(yàn)。促進(jìn)汽車與人工智能產(chǎn)業(yè)生態(tài)融合，拓展產(chǎn)業(yè)鏈、價值鏈，將成為我國汽車產(chǎn)業(yè)高質(zhì)量發(fā)展的又一戰(zhàn)略支點(diǎn)。

一、AI正成為汽車行業(yè)競爭焦點(diǎn)

汽車行業(yè)競爭正快速遷移，從電動化、智能化轉(zhuǎn)向AI化。曾經(jīng)“一招鮮吃遍天，一款產(chǎn)品打天下”的競爭模式已難以適應(yīng)如今快速迭代、瞬息萬變的時代，行業(yè)呈現(xiàn)競爭加速、技術(shù)和投資門檻升高的特點(diǎn)。從企業(yè)競爭力遷移的階段來看，大致可分為以下三個階段：

第一階段：電動汽車。過去十年汽車產(chǎn)業(yè)加速向電動化遷移，行業(yè)主要關(guān)注充電補(bǔ)能效率及范圍、動力電池創(chuàng)新及續(xù)航里程等方面。但隨著電動化成為行業(yè)基本能力，且不再能夠決定產(chǎn)品的差異化水平，其邊際效益快速下降。

第二階段：智能汽車。由于智能化更有利于打造差異化，汽車行業(yè)競爭正在向第二階段智能駕駛、智能座艙、智能底盤等智能功能為主的競爭體系遷移。但由于車企在智能化領(lǐng)域積累不足，依靠車企很難實(shí)現(xiàn)跨度如此之大的硬遷移，更加需要依賴ICT、互聯(lián)網(wǎng)、消費(fèi)電子等科技公司的賦能。

第三階段：AI汽車。當(dāng)下，隨著汽車產(chǎn)業(yè)與人工智能深度融合，行業(yè)面臨一次新的代際升級，競爭要素又轉(zhuǎn)移到大模型、大算力、大數(shù)據(jù)等領(lǐng)域，行業(yè)正加速進(jìn)入第三階段以AI化為主的AI汽車新階段。在智能駕駛領(lǐng)域，特斯拉FSD引領(lǐng)的數(shù)據(jù)驅(qū)動型端到端智能駕駛正在顛覆過去人工規(guī)則驅(qū)動的傳統(tǒng)智能駕駛開發(fā)范式；在智能座艙領(lǐng)域，大模型能使傳統(tǒng)語音交互升級到多模態(tài)交互，顯著提升用戶體驗(yàn)，且能更好地實(shí)現(xiàn)個性化迎賓、美食推薦、VCR拍攝、AI導(dǎo)游、車控大師、AI律動、多媒體搜索增強(qiáng)等“好玩”應(yīng)用。

二、AI驅(qū)動算力、算法、數(shù)據(jù)成為競爭新要素

在汽車AI化發(fā)展新階段，汽車的競爭將從產(chǎn)品競爭轉(zhuǎn)向產(chǎn)業(yè)鏈競爭，傳統(tǒng)汽車生態(tài)將拓展至以數(shù)據(jù)和服務(wù)為核心的新生態(tài)，不僅需要模型、算力、數(shù)據(jù)等基礎(chǔ)底座支撐，也需要芯片制造商、云服務(wù)提供商、軟件算法開發(fā)商等多方主體參與。

1. 數(shù)據(jù)為汽車AI化發(fā)展提供“燃料”

數(shù)據(jù)是汽車AI化發(fā)展的新生產(chǎn)要素。數(shù)據(jù)是AI模型學(xué)習(xí)和理解事物本質(zhì)的基礎(chǔ)，也是汽車AI化發(fā)展的關(guān)鍵“養(yǎng)料”。智能駕駛應(yīng)用中，端到端技術(shù)路線，需要積累海量高質(zhì)量數(shù)據(jù)，據(jù)特斯拉估算，保證智能駕駛端到端模型訓(xùn)練，需要至少100萬條分布多樣、質(zhì)量高的視頻片段（clips），其目前已采集超過1000萬個視頻片段，累積容量超過200PB。智能座艙應(yīng)用中，AI模型結(jié)合汽車使用數(shù)據(jù)訓(xùn)練與微調(diào)，能體現(xiàn)用戶個性化訴求，為用戶提供“千人千面”的服務(wù)。

我國汽車數(shù)據(jù)產(chǎn)業(yè)生態(tài)已初具規(guī)模。目前，圍繞汽車數(shù)據(jù)已經(jīng)形成全新的產(chǎn)業(yè)鏈，包括生成、采集、存儲、加工、分析、服務(wù)、安全等多個環(huán)節(jié)，參與方主要包括車企、行業(yè)機(jī)構(gòu)等，如長安成立子公司安驛，將數(shù)據(jù)采集、加工環(huán)節(jié)標(biāo)準(zhǔn)化，使數(shù)據(jù)采集成本降低40%，綜合標(biāo)注成本下降35%。華為、愷望數(shù)據(jù)、螞蟻集團(tuán)、海天瑞聲等聚焦自身優(yōu)勢，為車企提供不同類型數(shù)據(jù)閉環(huán)服務(wù)。數(shù)據(jù)存儲是底層基礎(chǔ)設(shè)施，為企業(yè)提供數(shù)據(jù)匯集、合規(guī)等服務(wù)，主要包括公有云和私有云，代表企業(yè)包括騰訊云、華為云、百度云、火山引擎等。

2. 智能算力為汽車AI化發(fā)展提供動力

智能算力是AI的硬件“引擎”。算力設(shè)施包括算力芯片、服務(wù)器及云端智算中心等，用以驅(qū)動AI高效運(yùn)行。AI計算中數(shù)據(jù)處理量、參數(shù)量指數(shù)級提升，傳統(tǒng)計算方式以單核、高精度、高主頻的CPU為主，主要提供通用算力，無法滿足AI大模型訓(xùn)練對芯片低精度、高并行處理能力、大數(shù)據(jù)帶寬需求。以大規(guī)模眾核設(shè)計、配備高速緩存的GPU、NPU為主的智能算力芯片具有更高的能效比和并行處理速度，將成為汽車AI化階段的主要智力基礎(chǔ)設(shè)施之一。汽車AI化發(fā)展對車端與云端算力需求大幅增長。車端來看，端到端智能駕駛與端側(cè)大模型對車端算力需求呈指數(shù)級提升。云端來看，據(jù)艾瑞咨詢統(tǒng)計，2023年大模型與智能駕駛占據(jù)我國智能算力總需求超過70%，是智能算力的最大需求方。當(dāng)前各主流車企及新勢力車企均在積極布局智算中心的建設(shè)，構(gòu)建自己的算力基礎(chǔ)設(shè)施。以特斯拉為例，其車端下一代智駕硬件AI5，算力將達(dá)HW 4.0的10倍以上。

3. AI模型算法是汽車AI化發(fā)展的“智能體”

AI驅(qū)動下的智能駕駛讓車更“好開”。當(dāng)前量產(chǎn)車型主要采用基于規(guī)則的智能駕駛方案，感知、決策和控制分為獨(dú)立的模塊，每個模塊分別負(fù)責(zé)不同任務(wù)，但這種方式無法覆蓋所有特殊情況（Corner Case），系統(tǒng)的泛化性較差，駕駛能力上限較低。端到端技術(shù)將推動高階智能駕駛跨越體驗(yàn)拐點(diǎn)，該技術(shù)通過AI發(fā)掘海量數(shù)據(jù)中隱藏的行駛規(guī)則，讓機(jī)器擁有自主學(xué)習(xí)、思考和分析的能力，能加速突破邊緣場景難題，能夠覆蓋更廣泛的行車場景。因此，國內(nèi)外主流車企和智駕供應(yīng)商紛紛發(fā)力端到端方案。特斯拉最早于2023年8月在FSD v12 測試版（Beta版）中實(shí)現(xiàn)，并在2024年上半年完成向美國全量FSD用戶推送；國內(nèi)企業(yè)小鵬、蔚來、理想、華為、長城、商湯絕影、元戎啟行、地平線等積極跟進(jìn)，先后推出了面向量產(chǎn)的端到端自動駕駛解決方案和車型，將陸續(xù)于2024年下半年至2025年上市。

AI將提升智能座艙交互能力，讓汽車更“好玩”。當(dāng)前汽車座艙電氣化、智能化發(fā)展更多是硬件和功能的集成與堆疊，靠乘客主動發(fā)起實(shí)現(xiàn)“被動式交互”，未實(shí)現(xiàn)真正的個性化與智能化。AI大模型具有強(qiáng)大的數(shù)據(jù)生成與處理能力、多模態(tài)交互能力，通過融合語音、視覺、手勢等多種交互方式，形成主動式互動體驗(yàn)。如智能座艙能提供千人千面的語音識別、娛樂信息及駕駛輔助，并將功能向更個性化的環(huán)境控制、健康管理、娛樂信息與車輛狀況監(jiān)測等場景拓展，讓汽車成為會思考、懂用戶的AI汽車。目前車企大多從語音交互入手，利用AI大模型實(shí)現(xiàn)智能座艙更準(zhǔn)確、更強(qiáng)大、更豐富的語音助手能力，并逐漸通過AI大模型實(shí)現(xiàn)語義識別、多模態(tài)交互等功能。海外車企大眾、奔馳、寶馬、標(biāo)致雪鐵龍，以及國內(nèi)車企廣汽、比亞迪、長城、長安、吉利、理想、蔚來、小鵬等已先后宣布將在座艙中接入大模型。

三、我國AI汽車發(fā)展面臨的挑戰(zhàn)及建議

1. 面臨挑戰(zhàn)

智能算力供給不足，AI算法訓(xùn)練受限。2023年，中國智能算力需求約為124EFLOPS，但國內(nèi)供給僅為70EFLOPS，智能算力供應(yīng)面臨嚴(yán)峻挑戰(zhàn)。

一方面，國內(nèi)智能“成熟”算力難增長，現(xiàn)存算力利用不充分。英偉達(dá)GPU生態(tài)成熟是全球AI算力建設(shè)的首選，但受美國出口管制影響，我國難以獲得英偉達(dá)高性能GPU，只能使用存量芯片計算。而AI模型訓(xùn)練需要將先進(jìn)芯片集約化利用，馬斯克旗下x.AI的100EFlops，而我國企業(yè)傾向于建設(shè)私有化算力，如華為車BU（7.5E）、百度極越（5.5E）、長城（1.64E）、蔚來（1.4E）、理想（5.39E）、小鵬（2.51E）等均遠(yuǎn)低于特斯拉。

另一方面，供給較充沛的算力“不成熟”，算力利用效率待提升。國內(nèi)智算芯片供應(yīng)商包括華為昇騰、寒武紀(jì)、海光、摩爾線程等，各家硬件架構(gòu)不一，軟件生態(tài)覆蓋、兼容算法尚不完善，導(dǎo)致算力基礎(chǔ)設(shè)施拓展困難，算力應(yīng)用效率偏低。因此，盡管我國算法與世界先進(jìn)水平僅有一年半左右差距，但基于AI的智能駕駛模型訓(xùn)練、AI大模型訓(xùn)練均受到較大限制。

數(shù)據(jù)“孤島效應(yīng)”明顯，尚未發(fā)揮應(yīng)有價值。

大規(guī)模、高質(zhì)量與廣覆蓋度的數(shù)據(jù)是AI模型的訓(xùn)練與調(diào)優(yōu)的關(guān)鍵養(yǎng)料，但我國數(shù)據(jù)要素確權(quán)、定價、交易、監(jiān)管等配套制度尚未成型，數(shù)據(jù)權(quán)責(zé)劃分不明、定價難等共性難題在一定程度上制約了汽車數(shù)據(jù)的流通與共享。同時，不同車企采集數(shù)據(jù)還存在融合兼容性差、數(shù)據(jù)質(zhì)量參差不齊和傳輸標(biāo)準(zhǔn)不統(tǒng)一等問題。以智能駕駛數(shù)據(jù)為例，截至2024年4月，特斯拉FSD累計行駛里程已達(dá)到12.5億英里（20億公里），與華為的2.2億公里、小鵬XNGP的0.7億公里相比具有較大優(yōu)勢。

車端基礎(chǔ)軟硬件體系仍不完備，AI新應(yīng)用“上車”慢。

目前汽車行業(yè)仍處于智能階段向AI階段過渡時期，軟硬件的協(xié)同與適配存在較大問題，如英偉達(dá)、高通、地平線等不同企業(yè)AI算力上的芯片架構(gòu)不同，操作系統(tǒng)、中間件等基礎(chǔ)軟件對AI算力調(diào)用的適配不完善，不同車企不同型號的系統(tǒng)接口開放性差異較大等。智能駕駛與智能座艙的AI技術(shù)在上車應(yīng)用中需匹配不同算力芯片、操作系統(tǒng)、車端系統(tǒng)接口，不僅增加了適配工作的難度，也提升了工程實(shí)施的復(fù)雜性。尚不完備的軟硬件體系進(jìn)一步阻礙了AI大模型技術(shù)的車端部署與應(yīng)用。

2. 發(fā)展建議鼓勵智算中心共建共享。與芯片供應(yīng)商共建“不成熟”算力，通過使用找出實(shí)際問題，加速芯片與開發(fā)工具之間的問題修正與改進(jìn)，讓“不成熟”算力變成熟。同時，推動“成熟”算力集中共享，建立跨行業(yè)、跨區(qū)域的智算資源共享平臺，推動汽車企業(yè)、科研機(jī)構(gòu)與智算中心之間的數(shù)據(jù)共享與算力協(xié)同，通過更高算力的智算中心加快基礎(chǔ)大模型迭代速度，提高資源利用效率。完善公共數(shù)據(jù)開放與交易體系。制定汽車相關(guān)數(shù)據(jù)開放共享的標(biāo)準(zhǔn)和規(guī)則，明確數(shù)據(jù)采集、存儲、使用、交易的法律邊界，保障數(shù)據(jù)安全和個人隱私的同時，促進(jìn)公共數(shù)據(jù)資源的合理流動和有效利用。建立統(tǒng)一的數(shù)據(jù)標(biāo)注體系，支持?jǐn)?shù)據(jù)標(biāo)注服務(wù)平臺的建設(shè)，確保智能駕駛訓(xùn)練數(shù)據(jù)的準(zhǔn)確性和可靠性。建立國家級或區(qū)域級的汽車數(shù)據(jù)交易中心，為數(shù)據(jù)供需雙方提供安全可靠的交易平臺，促進(jìn)數(shù)據(jù)要素市場的健康發(fā)展。加強(qiáng)軟硬件產(chǎn)業(yè)協(xié)同突破。鼓勵車企與芯片、算法廠商聯(lián)合定義，增強(qiáng)NPU、CPU架構(gòu)通用性設(shè)計，開放軟件接口，共同適配操作系統(tǒng)、中間件、工具鏈，降低不同AI模型算法復(fù)用難度，在最大程度發(fā)揮軟件算法的作用、提升芯片算力使用效率的同時，降低車企開發(fā)與使用成本。鼓勵基礎(chǔ)軟件廠商通過定制化中間件解決方案的方式，兼容異構(gòu)計算資源、推動軟硬解耦，加速不同AI模型應(yīng)用部署，提供更好的可擴(kuò)展性和靈活性。