目前，自動駕駛乘用車的公司大致可分為三類。第一類是類似蘋果（NASDAQ：AAPL）的閉迴路系統。晶片、演算法等關鍵零件都是自己做的。特斯拉（納斯達克股票代碼：TSLA）就是這麼做的。一些新能源車企也希望逐步走上這條路。這條路。第二類是類似Android的開放系統。有的廠商做智慧平台，有的廠商做汽車。例如，華為和百度（納斯達克股票代碼：BIDU）就有這方面的意圖。第三類是機器人（無人駕駛計程車），例如Waymo等公司。
本文將主要從技術和業務發展的角度分析這三種路線的可行性，並討論一些新勢力汽車製造商或自動駕駛公司的未來。不要低估技術。對自動駕駛來說，技術就是生命，關鍵技術路徑就是戰略路徑。所以這篇文章也是對自動駕駛策略的不同路徑進行探討。
在智慧汽車領域，尤其是自動駕駛領域，採用蘋果的閉環模型可以讓廠商更容易優化性能、提升性能。快速響應消費者需求。
先說性能。性能對於自動駕駛至關重要。超級電腦之父西摩·克雷（Seymour Cray）曾經說過一句非常有趣的話，「任何人都可以建立一個快速的CPU。關鍵在於建立一個快速的系統」。
隨著摩爾定律的逐漸失效，單純透過增加單位面積電晶體數量來提升性能已經行不通了。並且由於面積和能耗的限制，晶片的規模也受到限制。當然，目前的特斯拉FSD HW3.0（FSD全名為Full Self-Driving）只是14nm工藝，還有改進的空間。
目前，大多數數位晶片都是基於馮諾依曼架構設計的，記憶體和計算器分離，從而形成了電腦（包括智慧型手機）的整個系統。從軟體到作業系統再到晶片，都深受影響。但馮諾依曼架構並不完全適合自動駕駛所依賴的深度學習，需要改進甚至突破。
例如，存在“內存牆”，計算器的運行速度快於內存，這可能會導致效能問題。類腦晶片的設計確實在架構上有突破，但跨越得太遠可能不會很快得到應用。而且，影像卷積網路可以轉換為矩陣運算，這可能不太適合類腦晶片。
因此，由於摩爾定律和馮諾依曼架構都遇到了瓶頸，未來的效能提升主要需要透過領域特定架構（DSA，可以指專用處理器）來實現。DSA 由圖靈獎得主 John Hennessy 和 David Patterson 提出。這是一個不太遙遠的創新，也是一個可以立即付諸實踐的想法。
我們可以從宏觀的角度來理解DSA的思想。一般目前的高階晶片都有數十億到數百億個電晶體。這些數量龐大的電晶體如何分佈、連接和組合對特定應用的性能有很大影響。未來，要從軟硬體整體角度建立“快速體系”，依靠結構的最佳化調整。
「安卓模式」在智慧汽車領域並不是一個好的解決方案。
很多人認為，自動駕駛時代，智慧型手機領域同樣有蘋果（閉環）和安卓（開放），也會出現谷歌這樣的重核軟體供應商。我的答案很簡單。Android路線在自動駕駛上不會行得通，因為它不符合未來智慧汽車技術發展的方向。
當然，我不會說特斯拉等公司的每個螺絲都要自己製作，很多零件還是需要從配件製造商採購。但影響使用者體驗的最核心的部分必須由你自己來完成，例如自動駕駛的各個方面。
在第一節已經提到，蘋果的閉環路是最好的解決方案。事實上，這也說明Android開放路線並不是自動駕駛領域的最佳解決方案。
智慧型手機和智慧型汽車的架構不同。智慧型手機的重點是生態。生態系統是指提供基於ARM和IOS或Android作業系統的各種應用程式。因此，Android智慧型手機可以理解為一堆通用標準零件的組合。晶片標準是ARM，晶片之上是Android作業系統，然後是網路上的各種App。因為它的標準化，無論是晶片、Android系統或App，都很容易成為一個獨立的業務。
智慧汽車的重點是演算法以及支撐演算法的數據和硬體。無論是在雲端訓練，還是在終端推斷，演算法都需要極高的效能。智慧汽車的硬體需要針對特定的專業應用和演算法進行大量的性能最佳化。因此，僅演算法或僅晶片或僅作業系統長期來看將面臨效能最佳化困境。只有每個組件都是自己開發的，才能輕鬆優化。軟體和硬體的分離會導致效能無法最佳化。
我們可以這樣比較，NVIDIA Xavier有90億個電晶體，Tesla FSD HW 3.0有60億個電晶體，但Xavier的算力指標不如HW3.0。據稱，下一代FSD HW的效能較現款提升了7倍。所以，是因為特斯拉晶片設計師彼得班農和他的團隊比英偉達的設計師更強，或者是因為特斯拉軟硬體結合的方法論更好。我們認為軟硬體結合的方法論也一定是晶片效能提升的重要原因。將演算法和數據分開並不是一個好主意。不利於快速反饋消費者需求和快速迭代。
因此，在自動駕駛領域，將演算法或晶片拆解出來單獨出售，從長遠來看並不是一門好生意。
本文來源於EV科技
psp13880916091
發佈時間：2020年12月10日