“全民造车”新趋势下，堆料能堆出智能汽车的好未来吗？
17 个回答
既然问的是「全民造车」新趋势，那就先来定义一下新趋势为何。
一张由五年前入局的新势力定义的全新入场券
现在市面上的「造车新势力」，基本是从2014、2015年起成立的，能跑出几家基本初现分晓，跑在前面的几家各有各的强项，各自也为后来者趟了不少的雷，站在中场复盘一下上半场的战事，可以看清他们所定义的全新入场券长什么样。
目前跑在头部的新势力，有三家一季度交付量超过一万台，分别是当之无愧中国新造车风头正劲的蔚来——20060台、刚刚发布了第三款车型的小鹏——13340台、以及仅凭单一车型就坐稳第一梯队的理想——12579台，要说三者共同点，打头第一位应该算是对于续航焦虑的解决方案，不论是蔚来投入巨大的换电网络、小鹏在P7超长续航版本上实现的NEDC循环700+公里续航、还是理想在首台车型ONE上采用的增程方案，这些看似截然不同的做法殊途同归，试图解决将用户从传统燃油车产品迁移至纯电车产品上最大的障碍——续航焦虑；
这些技术方案背后的技术硬实力成为了这几家新势力在造车新势力初期赖以生存的基础，但这一基础只是及格线的一部分，成功走到造车新势力头部的各家新势力虽然分化出强服务、强用户体验、强软硬件交互等不同路线，但每家都在强调、作为旗下产品必备卖点的，是智能座舱与智能驾驶；
相比于近些年在座舱内开始以功能配置方法论做加法的传统厂商，新造车们在智能座舱上的战争已经开始开拓全新的战场，基本的驾驶功能交互、娱乐与通讯功能外，集成移动互联网服务的APP也已经成为了无需多提的及格线作品，各家努力的方向开始转向主动式人机交互、多元化的应用生态，尝试将汽车的座舱空间开发出更多的应用场景，而这些全新的努力方向对于整车的车内感知能力、车载智能硬件的多模态AI技术与计算能力、以及搭载系统背后的云生态平台提出了新的要求；
同样的，智能驾驶从以往功能配置方法论堆砌功能点的主动安全与辅助驾驶系统，开始向更高等级、更长时间无需接管的准自动驾驶功能进化，单一繁琐的功能点操作被更普适的应用场景、是激活还是需要接管的辅助驾驶状态所取代，这样的变化对于车载辅助驾驶系统的硬件感知能力、背后运行的算法、数据模型与计算能力等提出了新的要求；
除开作为及格线的三电硬实力基础，人性化的智能座舱与真正可用的智能驾驶成为这些造车新势力头部玩家的必备素质，而这应该也会是「全民造车」时代入局者们的入场券。
「全民造车」时代的入局者们与他们需要走过的必经之路
既然造车新势力的早期玩家们已经定义出了全新的造车入场券，从去年开始入局的这些后发者应该怎样做才能在必备技能上拉近与「前辈」之间的差距、又该如何才能开发出新的技能点实现跨越式赶超呢？
智能座舱与智能驾驶作为造车新势力两条腿走路的必经之路，前者将让车从简单的交通工具变身为懂你的良驹，而后者则会开始逐步解放驾驶者的手、眼、脑，两者一起，将可以把车从原始的交通工具身份扩充出更多移动空间可能；
「全民造车」时代入局的消费电子企业与互联网企业，势必将自己在以往所在行业的既有优势作背书，强调产品相对于其他先发竞品的原创性与优势，但这些新新进入者的优势更多是在使用体验或是扩展生态，并非在汽车行业本身原有的机械素质、或是新兴势力所热衷的自动驾驶与智舱交互作用，「全民造车」时代入局的企业依然需要在这些造车新势力早期已经被树立为新造车全新评价体系的基础维度上打好基础，才能在此之上发挥自身优势的其他可能；
这些智能座舱与智能驾驶方面的产品要求将汽车从普通的交通工具提升为真正的移动智能终端，对于汽车感知、决策、规划、交互的能力有了全新的要求，这些整车智能化方面的要求最终落脚在车辆的计算能力上，就如同过去几年间智能手机在芯片计算能力上的军备竞赛一样，智能汽车也将走向决定整车智能化平台运算能力的芯片军备竞赛；
同样类似于以往在智能手机芯片上存在多家芯片供应商角力竞争的局面，智能汽车的芯片之争也有多种选择，在智舱领域比较知名的有高通的820A、即将上车的8155与8195，还有国产AI芯片前装量产企业地平线基于其征程2、征程3芯片打造的Halo 2.0与Halo 3.0方案，在智能驾驶领域则有英伟达目前已经上车的Xavier、今年底明年初即将量产的Orin、英特尔旗下MobileEye的Q4与Q5、华为刚刚发布的MDC系列、地平线这两年已经上车的征程2、征程3以及接下来陆续要量产的征程5与征程6等等；
被现今的造车新势力头部玩家定义出的智能化入场券，在「全民造车」时代的新进入者面前即将演变为一场智能运算能力的竞赛，而这场竞赛将是「全民造车」时代入局者们的必经之路。
智能座舱与智能驾驶的融合前进之路
智能运算能力竞赛所保证的，是智能座舱与智能驾驶不再受到硬件能力的束缚，局限于以往功能配置方法论堆砌的零散功能点，而是统一完整的用车体验，当然，更进一步的，智舱与智驾也不能割裂为两个独立的子系统，携手并进、打造统一体验才能在「全民造车」时代突出重围，并且真正实现以软件定义汽车的愿景。
智能化汽车的演进，背后是整车计算平台的演进，从最初的分布式计算、单个子系统拥有自己的ECU，到域控制器逻辑、以功能划分集成化控制运算，再到最终实现整车运算能力的高速集中、智能化分配算力；
在整车计算平台不断融合演进的背景下，整车的感知能力也被打通形成一个融合的感知中台，而架构中的上层应用就可以基于这些感知结果做出更为统一无缝的体验应用；
这里可以举的例子就是地平线提出的车内外联动解决方案，将车外的视觉感知、车内视觉感知、车内语音感知等信息融合，让智能汽车基于场景化的分析理解去识别用户意图、理解用户行为与习惯，打通智能座舱交互与智能驾驶决策之间的界限，让原本用户单一的主动性与辅助驾驶单一的主动性边界打破，来实现更为顺滑的人机共驾体验；
这种打破边界的解决方案，一方面通过智能驾驶的支持，将用户的手、眼、脑逐步解放，得以充分利用智能座舱带来的体验提升；
另一方面在智能座舱获取车内感知后，充分理解用户状态、意图，充分向用户交流车外信息状态，才能确保智能驾驶体验顺畅、安全；
将车内外智能融合，使人更懂机器的决策与执行，更为便捷轻松地干预和理解汽车系统行为，也使机器更懂人的行为习惯，主动介入危险情况，建立人机互信，实现人机共驾，让车不仅仅具备移动出行的工具属性，与简单的娱乐办公空间属性，而是成为具有人机信任和依赖关系的智能机器人助理属性。
在智能座舱与智能驾驶协同整合、共同提升的融合前进之路，或许将成为「全民造车」时代冲出重围、坐上牌桌、实现更长远竞争目标、走向美好未来的新路途。
做感知的我最有发言权，深知感知算法对堆料的迫切需求性。
最近的汽车行业格外热闹，小米造车、大疆车载、华为极狐ADS路测，每一个消息都振奋人心，车展更是推波助澜，消费者能够近距离感受现阶段代表未来智能汽车的先锋——蔚来ET7，小鹏P5，极狐华为inside，智己L7。与此同时，自动驾驶食物链顶端的特斯拉在这次车展中“不幸”被拉下神坛。在这个互联网入局、新造车势力引领潮流、传统主机厂不甘落后奋起直追的趋势下，堆料、堆配置似乎成为本次车展的主旋律。那么我们来看一看，堆料能否代表智能汽车的未来。
1. 堆料堆什么？为什么要堆料？
时间拉回2021年1月9号，在一年一度蔚来的NIO Day上， 李斌发布了蔚来的第一款轿车车型——ET7，其中最大的亮点：
- 首款量产车上搭载激光雷达、
- 首款量产车采用Nvidia Orin芯片、
- 首款搭载布置11颗800万像素的高清摄像头，
三连击，声势浩荡。这三项配置汽车行业首发，从那个时刻开始，行业似乎变得不太理性，新车发布会俨然成为大型手机发布会现场，讲配置，讲芯片，讲算力。据不完全统计，短短不到一个季度的时间发布的“堆料”车型清单：
这些车型代表着未来数年内市面上“堆料”最强车型，从表中可以看出，感知模块传感器的类型多样（摄像头、激光雷达、4D毫米波雷达）和数量居多（30+）、高算力的AI芯片（算力400+TOPS）等配置成了“堆料”的重灾区。
- 越多的传感器（可以覆盖周围更广的视野）
- 越深的网络（the deeper, the better，提取特征的能力更强）
- 越多的网络（功能越多，目标识别，检测，分割等）能发挥出更好的性能；
上述这些图像数据的容量、神经网络的数量和网络神经层的深度都对芯片的算力提出了极大的需求，为了更具象化的理解这些概念，细化一下：
图1为百度Apollo系统接入的10路摄像头数据，每路接入200万像素大小的视频流，想象一下，我们长期打开手机相机功能做视频录制或拍照时，耗电极快，一次性接入10路相机，对芯片的功耗可想而知。
图2是Mobileye的神经网络数量，一共8个神经网络，包括物体识别，车道线识别，语义分割，多视角网络等，每个网络对应不同的功能划分，支持多类动态目标和多类静态目标的检测。
与此同时，车规级、价格低、体积小的激光雷达进入量产元年，加速堆料的趋势。那么这些更高分辨率的图像，更多更复杂的神经网络以及稠密的激光雷达点云数据都需要更多的算力去支持运算，目前市面上的量产车型普遍的自动驾驶等级介于L2-L3级之间，随着激光雷达的加入，正朝着更高级别的自动驾驶等级进发。
2. 如何看待堆料？
这里从多个视角维度去看待堆料。
（1）感知工程师的视角:
非常乐意车企使用高算力的芯片和高分辨率的传感器，这会对感知算法的性能提升有极大的帮助，原因有三：
- 视觉有它先天的不足，难以克服一些corner case，有激光雷达的加持，会很好的去弥补视觉所欠缺的对于物体的测距、测速等功能，这是堆料增加传感器的好处；
- 120万的摄像头分辨率和800摄像头的分辨率，120万摄像头能看70米左右的人，800万摄像头能看200米处的人，这是堆料增加摄像头分辨率的好处；
- 不用再使劲的压榨芯片的每一块资源，不用因为资源的考量去压缩或裁剪神经网络模型，从而导致模型的性能下降，这是堆料增加芯片算力的好处。
（2）理性消费者的视角：
现在的“堆料”更多是属于硬件预埋，软件后期升级，在现行法规和技术不成熟的限制下，更高级别的自动驾驶功能目前还无法启用。比如在今年年底上市的智己L7，尽管声称具备点到点零接管自动驾驶能力，但是这一功能要在在法律法规允许以及高清地图开放的情况下才能实现；而2022年才能交付的蔚来ET7，其推出的NAD自动驾驶系统声明“部分功能可能在交付车辆时无法立即使用，相关功能未来将通过远程方式逐步开启”。
因此尽管这些智能汽车有着大量的硬件堆料投入，但实际上这些硬件的智能化功能和价值短期内并不能完全释放。同时堆料带来的高昂硬件成本和软件成本也会分摊到消费者身上，有多少人会愿意去买这些期货的东西，最明显的例子特斯拉FSD选装包（接近1万美元）的装车率不足20%，说明市场或消费者并不看好这些期货。既然短期内无法兑现的技术承诺，即使“堆”出了传感器、芯片的豪华组合套餐，恐怕也很难有消费者去买单。
（3）系统工程师的视角：
图片来源：网络
堆料并不等于智能汽车，现在容易混淆一个概念，认为只要是堆料，就一定能实现高级别自动驾驶。
“堆料”并不是想象中硬件的简单叠加，它会涉及到硬件之间的耦合问题。在我们的主观理解中，传感器的数量和种类越多，智能车就能收集到更多更全的环境信息。但事实并非如此，一味的增加传感器的数量和类型，会导致系统的成本和复杂性增加，同时传感器之间的组合会带来相互之间的干扰，各类传感器的信号传输、功耗散热等都需要重新设计考虑，而且元器件越多，整个系统出现故障的概率也会随之增加，因此，需要找到传感器的最优配置，限制传感器的总数才是最优解。
（4）软件工程师的视角：
前段时间还炒得火热的“软件定义汽车”，伴随着众多车企“堆料”发布会的举行，“软件定义汽车”似乎被人们所遗忘。光有硬件，没有软件，这些所谓堆料的硬件也就是一套半成品。堆料最能改善的莫过于自动驾驶中的环境感知模块，但相比堆料中传感器数量的增加，如何在众多的信息中筛选出有效信息，并提高其置信度，显得更为重要。换言之，如果能够更好地优化传感器组合、控制传感器数量，通过算法改进等各种手段，充分发挥单个传感器的最佳性能，或许能实现更不错的效果，这也是特斯拉一直主推以视觉为主要传感器的原因。
另外，如果我们一直将目光停留在硬件堆料上，或许就是本末倒置，决定未来汽车差异性的将是软件及软件更新迭代所带来的性能和功能变化，硬件“堆料”只能带来一时的话题度，软件才是各家比拼最有力的武器，因此不能忽略堆料配置背后的核心，软件，软件，软件才是核心！
（5）媒体人的视角：
车企们近期频繁“堆料”推出这些高算力芯片，更高配置的传感器，不仅仅是智能汽车技术本身发展的演进需要，也是营销的需要。讲配置这些东西能足够吸引年轻人的眼球，如年轻人日常喜欢谈论的手机配置，游戏显卡配置，未来可以谈论智能汽车的配置，这些都将是很自然的事情。有了好的硬件，软件才能运行更快，未来还可以通过软件继续升级，解锁各种新奇好玩的内容，会给出行带来全新的体验。
与此同时，每次热闹、喧嚣、繁华的发布会现场结束后，也能深深感受到了车企们的焦虑感，不推首发量产，不推堆料整个发布会就似乎无亮点可言。发布会经常听到的“首发量产”（芯片、激光雷达等），诚然它是一个标榜产品技术前沿的卖点，但有的时候这也同样意味着风险，这种风险不仅指向技术的稳定性，首次量产的产品是否能及时交付，也将使整车的生产和交付面临加倍的压力，一昧选择最前沿的产品进行“堆料”，有时并不意味着性能的提升，反而会导致风险叠加。
举个例子，2017年Nvidia发布的xavier（算力30TOPS）也仅在小鹏P7上路跑一年，市面上还没有第二款基于xavier芯片的在跑车型。与此同时2019年发布的orin还未量产，Atlan接着发布，2023年提供样品，2025年才能量产装车，这些都会打乱车企的开发节奏。
图片来源：网络
3. 智能汽车的愿景：实用才是王道
在人工智能的时代，数据、算法和算力是推动智能汽车发展的三个重要因素。其中，数据是「生产资料」，算法是「灵魂」，算力是「第一推动力」。所以料（算力）还是要堆的，不堆，未来的智能汽车无法继续往前，那我们来看一看这个料应该怎么堆。
（1）注重场景化，不能为了堆料而堆料
智能汽车的最终目的是帮助消费者解决出行焦虑和痛点，在现有情况下，能够解决人们出行的高频场景才是有效的。日常开车上下班过程中，必须要经历的几个场景，停车场，城市道路，高架或高速路。上述几个场景中，最复杂的是城市道路场景，红绿灯路口，复杂的人流，未知的路况等，这个也是L4级别的RobotTaxi要做的事情，Waymo，小马智行这些公司在做，距离我们普通消费者还相距甚远。
消费者需要的是：一、首先能够拿到的量产车，二、能够解决大部分痛点场景的量产车。这就引出了近两年智能汽车最有可能落地和消费者能够体验到的场景：低速自主泊车AVP+高速领航辅助驾驶NOP（NGP/ANP）。
车主从自家小区或公司通过AVP功能一键自主召唤车辆后，在搭载NOP功能的智能汽车在特定条件下按照导航规划路径自动进出匝道、超车、并线、巡航行驶，并处理环岛、道路施工等各类场景，能够实现真正的点到点的自动驾驶。
低速泊车域AVP和高速行车域NOP、NGP、ANP所面对的场景具备各自的特点，一个是环境较为复杂，但自车车速慢；另一个是车辆周围仍然都是车辆，场景单一，但车速较快。低速场景和快速路上的单一场景给智能汽车提供了很好的切入点，在保证安全的情况下，在软硬件算法的加持下，能够最大化地发挥辅助驾驶的功能。
那么低速域AVP+高速域NOA\NOP\NGP\AGP的入局门槛：
- 本土化（高精地图），
- 硬件配置（高算力AI芯片），
- 算法自研（感知、传感器融合、决策、规划和控制），
- 量产的激光雷达（降低对视觉算法的依赖）
这也应证了现有的堆料需求，表一中的所有车型均能够达到上述这些条件。
（2）不是所有车型都需要高算力
在现有流行硬件预埋，软件后期升级的趋势下，配置高算力的硬件并没有发挥其价值，同时消费者还需要花费极高的价格为硬件和软件买单，而对智能汽车最感兴趣的消费群体年轻人来说，他们往往认为实用、能落地的科技才是最实在的。这就对车企提出了需求，如何针对不同的消费者开发出不同辅助驾驶功能的车型，这进一步会转嫁到供应商们——如何能够提供不同算力的AI芯片，不同的自动驾驶解决方案，不是所有用户都需要自动泊车，也不是所有用户需要驾驶员监控等。所以针对这些不同的功能所需要的传感器配置方案，芯片方案都会发生相应的变化，具备上述实力的供应商并不多，
- 国外：Mobileye、特斯拉FSD、Nvidia；
- 国内：华为ADS、地平线征程、百度Apollo；
Mobileye传感器+芯片+算法绑定式的一体式解决方案，虽然现有的市场占有率极高，但对于想要有所作为以及更能掌控自己开发节奏的新造车势力来说，Mobileye的黑盒模式很难被他们所接受；特斯拉筑起的FSD高壁垒，收割了一大波韭菜，然而芯片和算法完全封闭；Nvidia是更为开放的一家AI企业，但更多的聚焦于芯片端，不能为车企提供所需的定制化辅助驾驶解决方案，同时高昂的芯片开发授权费也让许多车企承受不起。
国内的辅助驾驶解决供应商们则相对更为友好和开放，愿意帮助车企们解决辅助驾驶的痛点问题，例如硬件可定制化，不同算力芯片可满足L2-L4不同等级的需求，针对不同级别的辅助驾驶给出相应的自动驾驶解决方案，以地平线推出的征程系列芯片为例：
- 征程2的AI算力4 TOPS，典型功耗为2w，可支持2路前视摄像头+驾驶员疲劳检测摄像头，面向L0-L2；
- 征程3的AI算力5 TOPS，典型功耗为2.5W，可以支持6路摄像头的4K@30fps图像处理，支持3D降噪、畸变矫正，面向L2-L3；
- 征程5的AI算力可达96 TOPS，典型功耗为20W，可支持16路摄像头，支持传感器融合，面向中央计算架构设计，面向L4+；
图片来源：地平线官网
针对主机厂的需求，根据车型的高低配以及成本的考量，选配不同数量的摄像头，可以选择不同的AI芯片。如现在常规的带ADAS功能的汽车基本都会配备单目前视摄像头加四目的鱼眼环视摄像头，以实现对远近距离的全方位感知，结合传感器数量可选配征程3芯片，加上它们提供的感知算法，既可以实现高速公路上的辅助驾驶，还可以支持环视自主泊车，这与我们前面提到的低速+高速的应用场景不谋而合，若主机厂还有其它需求，还可进一步扩展实现智能座舱、众包高精地图定位的功能。
同时地平线还为主机厂提供了更加开放的工具链，以更好地将视觉感知产品与其他传感器融合，实现更多的功能：比如完整的API和AI开发套件；配适主流的训练框架Caffe、MXNet、TensorFlow和PyTorch，支持ONNX；可通过基础算法和参考算法赋能客户，最终实现产品级算法；开放ISP Tuning工具赋能客户，使其可自行调试摄像头等。
图片来源：地平线官网
地平线围绕智能汽车产业的最核心需求，依托高效能汽车智能芯片、灵活易用的工具链、全面领先的产品方案、开放高效的端云一体量产数据和开发平台、以及极致的本土服务五大核心能力，助力整车厂在智能驾驶创新产品领域的落地，这些才是主机厂所需要的，堆料才显得更有价值。
最后总结：
1.堆料趋势下，“迷失”了自我的主机厂；
2.堆料配置背后的核心被忽略，软件，软件，软件才是核心！
3.高算力平台和激光雷达不等价于自动驾驶，还有软件算法的考量；
4.盲目堆料不可取，适合自己的才是最好的。