算法不行，算力来凑，而高算力只是蔚小理车型的刚需？

余承东说在今年6月底，国内可能会落地L3级自动驾驶的具体标准，国内蔚小理以及华为它们的辅助驾驶系统，已经到了一个瓶颈期了，如果L3能够真正地进一步放开，那么一个新的大门也即将打开。

但是，大家可能会发现一个问题，如今的各种辅助驾驶方案，无论是多颗激光雷达，还是多路摄像头，最后绝大多数品牌的方案都会再加上非常夸张的算力，甚至是上千Tops算力。

而地平线的余凯在最近表示：如今智能汽车之间的竞争已经有些偏离理性，不少企业推出的新产品都以大算力为宣传点，可在大算力背后，车企应该交付给用户的价值却并不高，这就造成了算力浪费，用户不该，也不会为大算力带来的成本去买单。

高算力只是国内新势力车型的“刚需”？

余凯所说的这一点已经是真实存在的了，大家会发现，如今的车企们使用的无论是MDC610、MDC810、双英伟达Orin、4颗英伟达Orin，甚至是英伟达Thor等，它们的综合算力几乎就没有低于200Tops的，而且大家会非常清楚地发现，它们所实现的功能几乎都没什么区别，在上一个阶段能够实现高速的NOA导航辅助驾驶，在下一个阶段能够显示城市的NOA驾驶，甚至是全场景辅助驾驶。

而在实现NOA导航辅助驾驶的阶段，很多车企们使用2.5Tops的Mobileye Eq4芯片和方案，以及算力差不多的博世方案，也都能实现和一些车型使用算力128Tops的征程5方案，以及1016Tops的4颗英伟达Orin芯片方案类似的效果，也就是说2.5Tops+单目摄像头，就能实现与上千Tops算力+激光雷达+一系列高性能传感器一样的效果，这就很有问题了，你要说它们的体验有什么区别，无非就是一个是供应商的黑盒方案，一个是车企自研或者合作的方案，但是真的要说成熟度以及稳定性，供应商的方案不见得比车企自研的弱。

大家现在其实有了一个这样的固有认知，认为大算力、高算力就代表着冗余度高，稳定性高，日后的可升级性更强，但几乎没有人会否定自己用不到自己买的这么多算力，其实可以打个比方，你买了一台有着150度电池的车，可是这台车实际上最高也就能消耗掉70度电，你需要一直背着这剩下的80度电满处跑，如果要真的是这样，你肯定不会答应，因为就算是之前车企给某些品牌的车型锁了十几度电，车主们都会不爽。

但是算力浪费也是这样，只是使用者没法亲身感受到，没法在使用功能的时候感受到自己可能只用了10%的算力，而车企可能也正是利用这种信息差，把大算力作为噱头去吸引消费者。

cription-url="https://mmbiz.qpic.cn/mmbiz_jpg/jhoar0Aic06o7AxpP6As9ZicF2xkyhx4hGbdYqkr6SeNFvzI1dxzllma3I1FM6DThW7IS61DOCFOI1BrF2IcaIbg/0?wx_fmt=jpeg" data-cropselx1="0" data-cropselx2="578" data-cropsely1="0" data-cropsely2="321" data-ratio="0.562962962962963" data-s="300,640" data-type="jpeg" data-w="1080" src="//image.xny365.com/auto/202306/19/v5k0hu53djz.jpg" max-width="700px" height="auto" />

那么车企们是在如何利用这些算力的呢？之前各家都有不同的算法架构，而到了今年这个AI人工智能技术大爆发的时代，大家都开始不约而同地向人工智能辅助的大模型上靠拢，在过去2个月车企和供应商们已经发布了大概20多个大模型，各种多模态的大模型可以让车企们在自己建立的云端训练自动驾驶或者辅助驾驶，在AI的辅助下，可以更快速地搭建模型、去学习、去筛选，曾经需要几个月完成的工作量，如今几天就可以完成，而且准确度会更高，这一点已经是行业的共识，车企们在云端做的这些工作，可以减轻车辆自身的算力平台压力，因为车辆已经可以提前学习到这些场景，以及应对方式，所以车辆自身理应会更快速，更高效地有所反馈。

cription-url="https://mmbiz.qpic.cn/mmbiz_jpg/jhoar0Aic06o7AxpP6As9ZicF2xkyhx4hGbdYqkr6SeNFvzI1dxzllma3I1FM6DThW7IS61DOCFOI1BrF2IcaIbg/0?wx_fmt=jpeg" data-cropselx1="0" data-cropselx2="578" data-cropsely1="0" data-cropsely2="321" data-ratio="0.5625625625625625" data-s="300,640" data-type="jpeg" data-w="999" src="//image.xny365.com/auto/202306/19/5lhlep5p3wd.jpg" max-width="700px" height="auto" />

从上面这里可以看出，车企们加大在云端的辅助驾驶训练投入后，减轻了车端压力后，应该可以降低车端对于算力的需求，几百Tops的算力可能真的有些过剩，车辆端或许做出的更多是筛选的工作，对于算力的要求可能真的不高，而车企们不放弃高算力又是为了什么，充当噱头的因素肯定是会有，而剩下的算力就是要为了面对AI模型里没有的边角案例？

cription-url="https://mmbiz.qpic.cn/mmbiz_jpg/jhoar0Aic06o7AxpP6As9ZicF2xkyhx4hGbdYqkr6SeNFvzI1dxzllma3I1FM6DThW7IS61DOCFOI1BrF2IcaIbg/0?wx_fmt=jpeg" data-cropselx1="0" data-cropselx2="578" data-cropsely1="0" data-cropsely2="321" data-ratio="0.562037037037037" data-s="300,640" data-type="jpeg" data-w="1080" src="//image.xny365.com/auto/202306/19/fwemzeufrc2.jpg" max-width="700px" height="auto" />

其实真的要是面对一些高难度的边角案例，我们从这么多的辅助驾驶事故中，可以基本上看到一个规律，就是面对突发情况，系统大概率是直接宕机，毫无反应地直接撞上去，因为毕竟现在国内量产的都是辅助驾驶，就算发生事故，也是驾驶者的责任，就算是国内的L3全面到来，从深圳目前的L3政策来看，驾驶者依然要承担主要责任，所以说高算力和边角案例之间，目前关系不明。

cription-url="https://mmbiz.qpic.cn/mmbiz_jpg/jhoar0Aic06o7AxpP6As9ZicF2xkyhx4hGbdYqkr6SeNFvzI1dxzllma3I1FM6DThW7IS61DOCFOI1BrF2IcaIbg/0?wx_fmt=jpeg" data-cropselx1="0" data-cropselx2="578" data-cropsely1="0" data-cropsely2="321" data-ratio="0.562962962962963" data-s="300,640" data-type="jpeg" data-w="1080" src="//image.xny365.com/auto/202306/19/ff1z2zll3tk.jpg" max-width="700px" height="auto" />

低算力能带来强效果，可是起步晚的新势力们做不到？

如果真的想要用低算力带来强效果，通常情况下，辅助驾驶功能的实现需要结合多种技术手段，如机器视觉、深度学习、传感器技术、控制算法等等。这些技术手段涵盖了多个领域的知识和技术，需要经过长期的不断研究和算法优化才能得到实际应用。因此，要想实现高质量的辅助驾驶功能，单纯依靠算力的提升是不够的，还需要综合优化各种技术手段，才能得到更加准确、可靠的结果，而像Mobileye、博世、大陆它们的低算力低成本L2级辅助驾驶方案，正是长期优化的结果。

在辅助驾驶功能的实现中，还需要考虑实际应用场景的影响。不同的应用场景可能需要不同的技术手段和算法策略，而这些技术手段和算法策略往往与算力有着不同的依赖关系。因此，在实际应用过程中，单纯依靠算力提升的效果可能会受到一定限制，还需要考虑其他因素的影响。

cription-url="https://mmbiz.qpic.cn/mmbiz_jpg/jhoar0Aic06o7AxpP6As9ZicF2xkyhx4hGbdYqkr6SeNFvzI1dxzllma3I1FM6DThW7IS61DOCFOI1BrF2IcaIbg/0?wx_fmt=jpeg" data-cropselx1="0" data-cropselx2="578" data-cropsely1="0" data-cropsely2="321" data-ratio="0.42777777777777776" data-s="300,640" data-type="jpeg" data-w="1080" src="//image.xny365.com/auto/202306/19/3wqvxesek1f.jpg" max-width="700px" height="auto" />

另外，辅助驾驶功能的实现还需要结合实时性、稳定性等多方面的考虑。例如，在自动驾驶车辆处理传感器信息和控制行驶方向的过程中，需要实时地对数据进行处理和分析，并采取相应的措施来保证车辆的稳定性和安全性。这就需要综合考虑计算资源的利用效率、处理时间的快速性、执行结果的稳定性等多个方面的因素。因此，单纯依靠算力提升往往不能解决所有问题，还需要综合考虑其他的因素。

总结

当然，Mobileye它们目前还没有量产城市NOA的功能，这确实有待商榷，只是使用两颗总算力为34Tops的Eq5h芯片也是可能实现城市NOA功能，低算力强效果的绝活确实需要长期的积累。而低算力强效果的另一个代表就是特斯拉，144Tops的算力几乎低于所有新势力有高阶智驾功能的车型，但是海外FSD的效果大家也是有目共睹，BEV+占用网络技术，以及深度神经网络的支持，都让FSD以很低的算力，做出量产中顶级的效果。

算力浪费的问题确实存在，消费者们确实是可能多买了一些用不到的算力，车企们确实也在努力了，但是在如今这个内卷的时代，上千Tops算力和十几Tops算力的车型卖一个价，那么我也已经知道你会怎么选择了。

作者丨邹宇源

       原文标题 : 算法不行，算力来凑，而高算力只是蔚小理车型的刚需？