請輸入網站標題

當前位置：

2024年智駕趨勢，L3、大模型、還是艙駕一體？

去年域控制器的方案可謂是百花齊放，不想僅僅一年以后，行業就快速收斂，絕大多數智駕域控方案都慘淡收場，并快速篩選出了行業龍頭。自動駕駛域控的核心是智駕芯片。我們先來看看2023年智駕芯片的表現：??

2026-01-27 10:55:46

行業大勢：快速出清、頭部聚集

去年域控制器的方案可謂是百花齊放，不想僅僅一年以后，行業就快速收斂，絕大多數智駕域控方案都慘淡收場，并快速篩選出了行業龍頭。自動駕駛域控的核心是智駕芯片。我們先來看看2023年智駕芯片的表現：

圖1. 2023年智駕芯片出貨量[1]

從2023年的數據可以看出，在國內智駕域控芯片領域，特斯拉和英偉達還是處于一騎絕塵的位置。

比較尷尬的是地平線。征程5 (J5)雖然位列第三，但出貨量只有英偉達Orin-X的不到五分之一 (200,087顆 vs 1,095,019顆)。另外J5基本依靠理想L7、L8兩款車出貨（L6 24年第二季度才上市），其他押寶J5的方案商算是賠了個底兒掉，保護費交了不少，錢可是一分沒掙到啊。另外，征程3 (J3)出貨量也出乎意料的不盡人意。地平線目前只有征程2 (J2)，既可做前視一體機、也可以用在座艙監測（DMS）系統中，出貨量穩定，可以說是地平線目前唯一一顆商業上取得了成功的芯片。

Mobileye憑借EQ4和EQ5，目前也是中國市場主流的智駕芯片和解決方案供應商。但未來不出意外的話，基本上會是一個逐漸出清的狀態。

上圖沒有列出被寄予厚望的黑芝麻。按照黑芝麻自己的說法，截至2023年12月，所有芯片一共賣了15.2萬片。目前A1000芯片在各個項目上終于都能用了，也許從下半年開始出貨量會逐漸趕上來？

2024年芯片公司發展的樣子：

紅線劃掉的芯片要么已經噶了（比如寒武紀），要么沒有量，要么已經不是廠商主推方案，所以不用太關注了。哎，這個行業就是這么殘酷。

另外，在域控層面，多SoC混搭，比如“J3搭配TDA4”等等這種方案，今年也沒打出什么水花。主流車企和Tier1的域控方案還是以單顆或者多顆同型號SoC搭配（比如大疆的雙TDA4、理想的雙Orin等等）為主。

伴隨芯片表現的逐步明晰，智駕供應商也快速向頭部聚集，也就篩選出了業界公認的四強，即地平線、大疆、華為、Momenta。

那么，2024年自動駕駛域控制器有哪些發展方向呢？

域控支持量產L3自動駕駛？

在國內實現L3自動駕駛一直都是車圈很熱的一個方向，2023年11月四部委聯合發布了《關于開展智能網聯汽車準入和上路通行試點工作的通知》，被認為是國家希望推動L3加速落地的一個信號。2024年6月4日工信部網站發布《四部門有序開展智能網聯汽車準入和上路通行試點》的通知，確定9家首批智能網聯汽車準入和上路通行試點聯合體，更是掀起新一輪熱度。

圖3. 九家聯合體列表,來源工信部網站

不過從使用主體可以很明顯看出，第二個試點通知本意絕不是支持OEM做L3量產的，而是讓車廠和出行服務商一起，搞類似最近大火的苕蘿卜之類這種L4 Robotaxi。

圖4. 武漢苕蘿卜，來源澎湃新聞

事實上，中國尚未進行L3自動駕駛立法。全世界目前也僅有歐盟UNECE WP.29 R157一個L3自動駕駛法規，戴姆勒即依據R157搞了Drive Pilot這個L3自動駕駛功能，并在德國和美國上線，正式宣稱“管撞也管賠”——即承諾Drive Pilot自動駕駛期間發生車禍由戴姆勒負全責。R157最初把最高時速限制在60km/h，目前已經拓展到了130km/h。

但是！R157規定從“自動駕駛狀態”切換到“人工駕駛狀態”的切換時間是多久呢？10秒！

也就是說，你的寶貝奔馳正在以130km/h的時速自動駕駛，而你正吃著火鍋唱著歌，突然自動駕駛系統故障將要退出，你只有10秒鐘時間放下手里的事情，觀察路面并接管飛馳的車輛。

為了寫這篇文章，我把R157修正附件的原文又看了一遍，還是10秒沒變。戴姆勒Drive Pilot官方操作手冊，也注明了駕駛員要在10秒內接管系統。但我一直堅持一個觀點：10秒鐘的接管時間是遠遠不夠、也不安全的，目前這個設定只是對現有技術水平和電子電氣架構的妥協。

圖5. L3及L3以上自動駕駛域控必須支持FailOperational狀態

在功能層面，L3與L2最大的區別是系統故障以后，自動駕駛域控制器還能控制汽車繼續安全行駛，為駕駛員接管爭取時間。這種“帶故障運行”的狀態（上圖中的黃色狀態）即是功能安全里常說的“Fail-Operational”即“失效可工作”。帶故障運行的最大時間就是留給駕駛員的接管時間。

車輛要實現“Fail-Operational”，首先要在整車電子電氣架構上做充足的冗余設計。如下圖所示，常見的冗余包括冗余供電、冗余通信總線、傳感器冗余、驅動冗余、6相/12相轉向電機、制動執行器備份（例如iBooster+ESP或者IPB+RBU）等等，光在域控制器層面設計冗余是沒用的。

圖6. 整車電子電氣架構的冗余，來源文獻[7]

自動駕駛域控制器要支持L3，最直接的方式也是備份。其實業界在這方面的研究由來已久。比如像下圖所示，域控通過板載多顆Safety MCU來實現規劃與控制算法在物理資源上的冗余；最近還有一些供應商提出，在做感知和規劃的SoC里按流水線，精細區分不同核心完成不同任務，并把核間通信的數據備份存儲起來。這樣萬一傳感器或者哪個核掛了，至少流水線后面的核能利用前一級所備份的數據繼續計算一段時間。

圖7. L3域控板級方案：SoC核心的冗余和MCU的冗余，來源文獻[7]

那么回到主題。即便不計投入做到了所有這些，戴姆勒也只能提供10秒的接管時間，技術上還很有待完善。考慮到國內造車成本已經卷到極致，在沒有明確利益的驅使下，國內OEM是不會盲目提升成本量產L3系統的。更何況“人機共駕”顯著難于純自動駕駛是業界共識，L3本身就還有極多應用場景和交互方面的問題需要推敲，離真正成熟還很遠。

總而言之，2024年以及未來的一兩年內，域控制器支持L3自動駕駛量產落地，不是主流的發展的方向。

端到端大模型智能駕駛上車

如今應該沒有哪個概念比“大模型”更火熱了，火到無論做什么事，不扯兩句大模型都會顯得自己與時代脫節。拜特斯拉所賜，“端到端大模型”在智能駕駛中的應用在今年（2024）受到了以理想、蔚來、商湯、元戎為代表的各色公司的大力追捧。

圖8. 大模型內容已經成了網紅們新的流量密碼

我們先復習一下。傳統自動駕駛軟件可分為感知（Perception）、建圖定位(Localization)、規劃（Planning）和控制（Control）幾大模塊。出于自身算法特點以及對功能安全的要求，一般“感知”、“建圖定位”運行在SoC（ARM A核）中，“控制”運行在MCU（ARM R或M核）中，而“規劃”模塊根據算法和計算資源的不同，可以靈活部署。

圖9. 傳統智駕算法架構劃分（之一）：感知、定位、規劃、控制，來源網絡

而所謂“端到端”，是指自動駕駛系統像人腦一樣，以傳感器原始數據為輸入，只經過一個模型，就能生成對汽車執行器的具體指令、內部不再拆分成不同的模塊，可以作為一個整體來進行訓練和優化，以達到信息無損傳遞、決策全局最優、系統延時最小，同時系統框架復雜度顯著下降、代碼量顯著降低。

圖10. 端到端自動駕駛大模型，來源網絡

其實端到端也不是什么新東西。早在2016年，英偉達就發表過一篇名為"End-to-End Deep Learning for self-driving cars"的文章,討論了端到端模型應用的可能性。只是近年來由于特斯拉的自動駕駛技術路線，從HydraNet 到 BEV+Transformer，再到占用網絡Occupancy Network，都一貫的正確且高效，使業界多少有了些“特斯拉迷信”。鑒于今年特斯拉“宣稱”FSD V12應用了端到端大模型, 自然就引領了業界的端到端潮流。

那么端到端大模型是怎么從demo一路演進到真正上車的呢？特斯拉并沒有發布自己端到端大模型的技術細節，我借用非常有代表性的理想的大模型PPT來說明一下。

圖11. 理想的端到端大模型技術演進，來源文獻[9]

可以看出，理想把第一代系統分成了感知、定位、規劃、導航、NPN(Neural Prior Net, 先驗神經網絡)，以及沒畫進來的控制等部分。這是一種去高精地圖的自動駕駛算法框架，但大模型還沒有應用進來。

用NPN來替代高精地圖，這其實非常像特斯拉“眾包采圖”的路子。具體方法如下圖示，通過車輛傳感器事先多次采集道路信息（多次，所以更完整、無遮擋），再通過神經網絡提取出隱性的道路特征中間值（下圖中的Road Features)，并保存起來作為先驗信息。等下次車輛再通過同一路段時，把這些先驗信息和傳感器實時采集的道路信息，以及導航高輔地圖做比對，一起參與到BEV構建和規劃計算中，最終得到精確的結果。

這個方法的本質是把自車當作地圖測量車了。但是由于測量的只是道路特征值（還是隱性的）而不違反《測繪法》。

圖12. 理想NPN算法，來源網絡

圖13. NPN實時構建路網，來源文獻[10]

理想PPT里的第二個階段，也是目前大部分聲稱搞“端到端”的公司所處的階段，是“兩段式”大模型。即感知是一個模型，提供結構化輸出；規劃部分由原來的“基于規則”演進到“基于數據訓練”的大模型，最終的輸出是行駛路徑，再通過傳統的控制算法（PID、MPC等等）變成執行器控制指令。

在我看來“兩段式”大模型是一種“偽大模型”。簡單而言兩個模型在數據傳輸過程中自然就會發生信息丟失，數據存儲也會產生較大冗余，而且無法聯合訓練、聯合優化，沒有真正發揮大模型的優勢。

現在一些車企宣稱在單Orin的域控上就能部署這種兩段式大模型，如果實車效果確實不錯的話，倒是能極大促進大模型上車。

第三個階段，是單一大模型，也就是把感知模型和規劃模型合二為一，由傳感器原始輸入直接生成行駛路徑。這是一種能夠最大化挖掘大模型潛力的方式，但也對域控上芯片的算力有更高的要求。單一大模型的上車，可能會觸發域控的更新換代。

按照馬斯克的定義，理想展示的這種單一大模型，都還不算是端到端，因為它的輸出是路徑，而不是執行器指令。不過我覺得也沒必要較這個真兒，自動駕駛的瓶頸早就不是控制了，只要規劃的行駛路徑正確，用經典方法可以絲滑轉化成執行器指令，不一定非得為了“端到端”而“端到端”。再說了，也得給廣大規控工程師們留口飯吃，別趕盡殺絕啊！

其實，業界也在懷疑特斯拉有沒有真的實現“端到端”，畢竟馬斯克放嘴炮也不是一次兩次了。下圖是特斯拉在2023年CVPR會議上展示的大模型材料，前一頁（圖14）和2022年AI Day上展示占用網絡時幾乎是一樣的，只是特斯拉強調現在用了一個統一的向量空間，或者說大模型，取代了原來復雜的內部架構（圖15），直接輸出交通參與者目標、信號燈和路面坡度等信息。

圖14. 特斯拉展示的自動駕駛大模型架構，來源材料[11]

圖15. 用大模型取代原有架構，來源材料[11]

這種做法顯然與馬斯克說的從“傳感器原始數據”到“執行器指令”的“端到端”有出入。還是希望特斯拉能早日再搞個AI Day活動來詳細解答一下吧。

前陣子蔚來的發布會上提出了“世界模型”，被普遍認為是端到端自動駕駛的終局形態。世界模型的構建意味著AI能夠真正的“理解”車輛運行的周圍環境，理解一切行為的規則和因果，能夠在不經訓練的情況下推理做出正確的決策。世界模型的真正成熟應用還有很長的路要走。

為了支持大模型在域控上部署，芯片廠商也在開發相應的產品。大家聽到較多的英偉達Thor芯片，集成的Blackwell GPU架構在設計時就考慮了對部署大模型的支持，同時Thor本身算力也比較強大，未來可能會成為端到端智能駕駛域控的主力芯片。

比如安霸（Ambarella），也推出了基于CV3-HD架構的N1系列芯片，支持部署多模態大模型，這次北京車展上做了展示。不過N1不是車規芯片，真要上車的路還很長。

圖16. 安霸N1系列芯片支持多模態大模型部署，來源材料[12]

智駕端到端大模型能否最終上車，是一件關乎智駕行業大洗牌的事。大模型的訓練需要巨量算力和成本支撐，每年的花銷數以億計，絕不是中小公司能承擔的。如果端到端智駕最終被證明可行，那么行業就會快速向幾個算力寡頭聚攏，同時對工程師的技術棧要求也會劇烈變化（比如感知融合、規控這些工程師的需求量會急劇下降），域控的形態、甚至整車電子電氣的形態都會因之改變。

但是目前來看，端到端智駕也可能是一件“望山跑死馬”的事：投入很大、硬件成本很高，最終的效果卻可能與傳統智駕算法差不多。而且，從制造噱頭的角度，只要智駕算法里用到了大模型——比如“兩段式大模型”——你也可以宣稱自己是端到端。可能一年以后，所有公司的算法都宣稱是“端到端”了，但真實情況如何，只有他們自己知道。

另一方面，安全性和可靠性也是擋在端到端智駕的一座大山。理想在單一大模型之外，還搞了VLM第二系統，這是否有效有待驗證；大模型的計算過程是隱式的，不可解釋也不可測，如何滿足功能安全同樣是個大問題。這一切都要留待實車表現去回答。

總而言之，未來兩年自動駕駛域控支持端到端大模型，會是一個方向，但是存在一定不確定性。

域控支持艙駕一體

2024年智駕域控另一個演進的重要方向是“艙駕一體”，也就是在一個控制器上，既實現智能駕駛功能、又實現智能座艙功能。它的本質是提高軟硬件模塊的復用性、整體降本。為了實現這些功能，控制器必須同時具備座艙圖像處理所需要的大GPU算力和智駕需要的大NPU算力，同時還要保證充足的CPU計算資源，以及足夠的網關接口，著實有點“既要又要”的意思。

具體實現而言，域控艙駕一體又分為兩個階段：

1. One Box，Two Boards （2019-2023）

顧名思義，這種艙駕一體架構是在一個控制器（中央域控）中集成一張智駕計算板（PCBA）和一張座艙計算板。典型例子是特斯拉 HW3.0和HW4.0 。從下圖可看出，HW3.0域控的上層是以AMD Ryzen CPU和AMD Radeon GPU為核心的座艙PCBA（圖中的Infotainment ECU，滿足座艙控制和圖像處理GPU算力需求），下層是以智駕芯片FSD為核心的智駕PCBA（圖中的Autopilot ECU，滿足NPU算力需求），他們共用了一套液冷系統。

（HW3.0中GPU是以模組小板的形式出現的，到了HW4.0中才真正和智駕PCBA融合在一張板上。）

圖17. 特斯拉HW3.0 剖面圖和外形,來源材料[13]

除了特斯拉，小鵬XEEA3.5架構下的中央計算單元也采用了艙駕一體布局，并且更進一步，把智駕和座艙芯片集成到了一張板上，大幅提高了集成度。其他廠商包括德賽西威、零束科技、億咖通等也有相應的規劃和產品落地。

圖18. 零束跨域融合控制器ZXD1,來源材料[14]

2. One Box，One Chip （2024 - ）

進入2024年，迫于進一步降本的壓力，艙駕一體開始快速向著“一片SoC同時實現座艙和智駕”的方向落地。代表性的SoC包括英偉達Drive Thor，高通Snapdragon Ride Flex平臺的首款芯片SA8775以及黑芝麻“武當”C1200系列芯片。

部分艙駕一體SoC一覽：

序號

公司

芯片

算力

(TOPS)

制程

(nm)

量產時間

擬搭載車型

英偉達

Drive Thor

1000-2000

2025

極氪等

高通

SA8775P

2024

哪吒

黑芝麻

C1296

<100

2024

未披露

以上幾款芯片目前都有較明確的上車量產計劃，但展現的思路卻不盡相同。行業老大英偉達更傾向于“一步到位”，真正意義上使用一片芯片完成“座艙+高階智駕的所有功能”，而高通和黑芝麻則選擇“小步快跑”，從“座艙+一部分智駕功能”入局。

圖19. C1296，北京車展實拍。話說這物料上明顯有個錯別字...

圖20. 集成了座艙和智駕功能的高通SA8775P, 來源材料15

前面提到了，艙駕一體的主要收益是降本，但面臨的問題也是突出的：

首先是艙駕融合使軟件整合復雜度顯著上升。以黑芝麻/均聯智行展示的C1296開發工具鏈為例，整個軟件系統要控制多個隔離的MPU、實時MCU、網關、安全島，通過虛擬化來部署不同的操作系統等，核間通信是很大的挑戰，整體穩定性和實時性如何保證也是個難題。另一方面，目前車企的人力組織架構普遍也是艙、駕分離的，部門墻必然會對艙駕一體產生阻力。艙駕一體的推進意味著組織架構也要進行調整，而這往往會比技術挑戰更難以解決。

圖21. C1296的配套軟件開發工具鏈，北京車展攝

從目前市場情況來看，競爭日趨白熱化，降本還是壓倒一切的首要任務。所以各個車企都對艙駕一體趨之若鶩。已官宣未來車型將使用Thor的車企包括理想、比亞迪、小米、百度（極越）、廣汽（昊鉑）、吉利（極氪）、長安、長城、小鵬，Tier1包括德賽、聯想等等；高通SA8775的合作方也很多，OEM包括哪吒，Tier 1涵蓋中科創達、車聯天下、博世、航盛、華陽、大疆、鎂佳等等。除此之外開展艙駕一體預研項目的車企就更多了。

組織架構方面，比亞迪被曝今年成立智能化技術研究院整合座艙和智駕研發，而博世在更早就布局了座艙和智駕的研發力量整合。相信未來會有更多車企順應這個潮流。

可以比較確信的說，艙駕一體一定是未來兩年域控制器的發展方向。

端到端大模型和艙駕一體沖突嗎？

先小結一下，從前文的分析來看，未來域控支持端到端大模型可能是個方向，而支持艙駕一體一定是發展方向。那么我們自然會思考：這兩個方向互相沖突嗎？

目前智駕域控領域經過多年廝殺，已經分化出了三個不同的市場。其實打開地平線的主頁，也能看到它分了三個智駕產品線，大致對應了這三個市場。

（但地平線應對不同市場的具體方案，除了J2以外從商業上來說都是失敗的。）

圖22. 地平線的智駕產品劃分：Mono, Pilot, SuperDrive

智能駕駛主要市場一覽：

特征/市場

AI算力（T）

控制器形式

智駕系統成本（人民幣元）

搭載車型價格區間（人民幣萬元）

實現的功能

實例

低算力市場

5左右

前視一體機

1000-2000

<15，或中端車型的乞丐版

基本L2主動安全、泊車輔助（獨立控制器）

吉利帝豪S，問界M5非華為智駕版

中算力市場

10-150

域控

3000-5000

15-25

主動安全+高速NOA+自動/記憶泊車

途觀L Pro

高算力市場

>200

域控

>5000

>25

主動安全+城市NOA+AVP

問界新M7

鑒于端到端大模型高額的訓練成本，以及域控本身成本所限，端到端智駕是無法進入中、低算力市場的。而無論高、中、低算力市場，都可以通過艙駕一體的方式來進一步降本。

這就意味著，英偉達選擇的“一步到位”模式，既可以支持端到端智駕，又能夠實現艙駕一體；而高通和黑芝麻投身的“小步快跑”模式，由于算力的缺失，目前天然就已放棄端到端了。其他“One Box， Two Boards”的艙駕一體方案，由于配置比較靈活，可根據車企的技術路線（是否發展端到端）將不同芯片自由組合。所以從這個意義上來說，端到端大模型智駕和艙駕一體是不沖突的。