AIHOTTALK：汽车AI计算的“不可能三角”——性能、成本与功耗的终

在AI定义汽车持续深化的阶段，AI计算正成为智能汽车竞争的关键变量。车端算力、功耗与成本相互制约，形成业界所称的“不可能三角”。与此同时，端云协同、车路云一体化、模型压缩与软硬件协同等路径不断拓展边界，推动AI从概念走向量产落地。

面对用户体验升级与全球化竞争，车企、供应商与芯片软件平台需要共同回答:AI究竟带来哪些核心增量？性能、成本、功耗如何取舍？哪些能力必须留在车端，哪些更适合云端？车路云规模化落地还面临哪些现实阻力？

在此背景下，盖世汽车行业主编钟琳主持热点对话，小鹏汽车技术中心AIamp;前瞻技术负责人唐黾、东风公司研发总院车路云一体化高级工程师刘志峰博士、SONATUS联合创始人兼首席技术官方宇、中科创达智能汽车事业群AIOS专家于海博参与讨论，围绕“汽车AI计算的不可能三角”展开交流。

图源:盖世汽车

以下内容摘录自热点对话环节:

Qamp;A 1

钟琳:AI定义汽车已成为行业共识。从车企角度看，AI带来的核心增量是什么？目前哪些体验变化已经能让消费者真实感知到AI的价值？

唐黾:小鹏在车上开展AI开发时，首先明确一点:并非所有问题都需要大模型解决。人类本身不仅有大脑，还有小脑和神经系统，是一个分级系统。汽车AI也应遵循类似逻辑。我们已在中小模型及AI相关能力上开展探索，并在近期车型上实现了一些成果。

例如，近期上市的小鹏G9L将首发全球首个量产的AI座椅。传统座椅需要用户自己适应，很难适配所有体型和坐姿。AI座椅通过座椅传感器，以2克精度、2毫秒实时感知，识别每个人的坐姿、体型和体重，实现对至少98%人体的自适应。底盘方面，我们结合双腔空气悬架与六个自由度，推出AI XVMC，实现180公里/小时爆胎稳行、130公里/小时紧急变道。声学方面，我们此前已首发AI分轨全景声技术，可将曲库中的立体声音轨转化为全景声效果，更好利用车内20个扬声器。这些案例说明，AI能够实现许多传统规则算法无法实现的用户价值。

钟琳:AI座椅主要依靠座椅上的力感应还是力阻传感器？

唐黾:主要通过座椅上的传感器进行高精度实时感知。

钟琳:从量产项目看，AI目前仅改变应用和算法，还是已经反向影响芯片、软件架构、电驱架构？如果车企要打造有AI灵魂的车，工程落地最大难点在哪里？

于海博:AI演进可分为两个阶段，第一阶段是传统视觉感知的小模型阶段，第二阶段是标准大模型阶段。小模型阶段对算力要求相对不高，但4B级大模型对内存带宽的占用，直接影响用户体验。要打造有灵魂的AI座舱并实现工程化落地，首先要对芯片资源进行深度模拟，其次要做好模型选型，最后要处理舱内产生的各类流量数据，并沉淀用户行为习惯。同时，还需考虑采用外挂AI Box算力还是主要依靠云端算力，以及法规和隐私要求。这些都是量产必须解决的问题。

钟琳:AI应打通全流程以降低开发周期。这对整车开发和运营成本帮助多大？真正落地最大的障碍是什么？

方宇:最大障碍在于观念和组织架构。过去大家没有朝这个方向努力，组织架构和分工都按原有方式设定，改变并不容易。让每个部门打开内部信息数据供其他部门使用，本身就不容易；进一步让大家共享同一个AI解决方案，更需要在观念上作出改变。技术问题当然很多，但意愿最关键。

其好处也很明显。从业者每天在开发、测试、售后等环节中，常常缺乏足够信息、知识和支持，工作不断被打断，因为别人需要找特定专家解释问题。基于AI的系统可以整合所有知识，向任何人解释其想知道的内容，而不必依赖某个特定专家。

钟琳:单车智能已走向长尾边界，下一步车路云协同提升能力。它创造的新价值来自效率、安全，还是新服务模式？

刘志峰:三者都包括。单车智能受限于传感器范围和车端算力。车路云一体化并非全新范式，从早期V2X、车路协同演进而来，与单车智能相互补充。路侧能够提供超视距感知，提供远超单车传感器的数据；同时，凭借更大视角，可实现单车无法完成的规划、调度等功能；还能把车端无法承载的大算力布置在路侧和云端。单车传感器范围最多约200至300米，路侧可拓展至1公里，云端覆盖更大，从而形成车、路、云三级结构，最终服务于出行效率、出行安全和新服务。

钟琳:AI带来新增量的同时，也带来算力、传感器和成本压力。性能、成本、功耗的不可能三角，是确定的不可能，还是随技术进步不断外推的动态边界？现阶段整车企业最难妥协的是哪一个？

唐黾:这不是静态三角，而是随技术迭代不断外推的动态边界。特斯拉第一代FSD硬件发布后，到最新的V14 Lite仍在持续获得能力升级，当时显然无法预期后来如此高的能力提升，但硬件能力并未改变。小鹏自研应用平台上线后也取得许多突破。通过全栈自研芯片工具链和编译器优化，端侧可部署数十亿参数模型，相比行业主流千万级自驾模型，大1至2个数量级。架构也在持续优化，从V2.0到Infini-VLA，参数量提升三至四倍，并加入30秒记忆能力，使模型能更好预测未来。成本方面，我们强调科技平权，既有3000TOPS旗舰平台，也有MAX版型和OrinX双芯片平台，不放弃老算力平台。通过蒸馏，我们将面向老平台的蒸馏版VLA Lite，尽可能沿用满血版能力，并在ViT层面优化，释放计算能力。该平台会随主平台和主模型持续迭代，因此不是静态约束。

Qamp;A 2

钟琳:AI算力越堆越高，但车端必然存在极限。若压力传导至软件和算法层，从模型压缩量化到软硬件协同、架构融合，提升单位算力产出的最大空间在哪里？突破不可能三角，更多依赖芯片进步，还是软件效率？

于海博:一定是两条腿走路，软硬件相互迭代。目前软件能力明显超前于端侧硬件，云侧算力更是端侧无法比拟。中科创达的方案，核心是解决端侧最优解:让相对小尺寸的模型在端侧达到一定智能，并与云端模型结合。当前端侧模型多藏在幕后，为云端模型做感知、结构化数据和标签组件。端侧模型的价值首先在于解决法规和隐私问题，尤其是舱内出舱数据；其次在于通讯费用和云端服务周期。至于端侧模型的“iPhone时刻”，目前尚难预测，也还没有看到杀手级应用。端侧模型适合做记忆和长文本提升，但不易吸引流量。

钟琳:未来AI在车端和云端之间如何分工？哪些能力一定要留在车端，哪些更适合云端？

方宇:这取决于应用场景。需要实时响应、涉及数据隐私的场景，应在车端实现；可容忍等待、需要较大算力的场景，可放在云端处理。汽车算力一定有边界，首先应思考到底有哪些应用场景需要AI，而不是先看有多少算力再想怎么用。

AI应让汽车了解用户、了解环境，并做出适配。还有一点常被忽略:汽车也要了解自己。例如电池充电量如何变化、是否在变差，目前往往依赖车厂、售后或云端分析，汽车自身并不了解。如果汽车是AI原生的智能体，它应首先了解自身健康状态，发现功能变差，并主动告知车主需要维护。这对用户很有帮助。

此外，AI并不一定等于大模型。简单计算直接计算即可，用大模型反而可能耗时更长、能耗更高。大模型应做大模型该做的事。车上算力在运行和停车时利用率不均，每天可能只有两小时满负荷，其余22小时闲置，可考虑利用闲置算力做自诊断、自训练或其他任务。

钟琳:车路云协同已提出多年，路端持续推动，但车端并未完全同步。从车企角度看，最大阻力是什么？十堰项目若复制到其他城市，最大变量是什么？

刘志峰:关键在规模化。路侧建设不能时有时无，不同城市数据质量和性能差异会严重影响用户体验，也影响车侧普及率。车端成本控制严格，目前以4G或5G T-BOX为主，要与路侧通信，需要直连C-V2X模组，会增加成本；通信量和数据量变化也会影响整车电子电气架构。同时，融入路侧数据后，智能驾驶乃至智能座舱算法都需较大调整。不同城市的数据标准、通信接口和架构不统一，也会增加开发成本，跨城市切换还会产生新问题。

十堰是车路云一体化试点城市之一，路型多山路，具有其他城市少见的典型工况。十堰也是东风老基地，城市产业与东风紧密配合，规模较小。国家强调以车企需求为主导。东风以物流场景为主，包括城市、干线、园区物流，并辅以日常出行需求，打造车路云试点，希望在可控环境中实现车城联动，成为国内较快落地的标杆，再从湖北省内辐射至武汉、襄阳，进而向全国推广。相关标准正从行标向国标推进。推广节点取决于各方努力程度，道路可能漫长，但前景美好。

钟琳:如果车路云真正解决不可能三角，车企角色与过去造好车、卖好车相比会如何变化？会带来哪些新价值？

刘志峰:这也是AI定义汽车带来的变化。汽车从以卖硬件为主，到软件定义汽车，再到AI定义汽车，越来越多地面向用户服务，并且性能可不断提升。服务通过数据闭环和数据资产运营实现，挖掘用户痛点、甜点，有针对性地推送服务。另一方面，车也能赋能路。高速事故、抛锚、路面断裂等情况，若仅靠路方人力发现和解决，耗时较长；车辆实时感知信息给到路侧，可实现车端数据增值。未来必然是多方互动。

Qamp;A 3

钟琳:越来越多车企开始自研AI。如果自研从差异化能力变成基础能力，车企在AI上的竞争重点会如何变化？若AI最终落地到具体车辆和用户体验，车企最应建立什么能力？

唐黾:自研不是单点竞争，而是体系化竞争。第一是Infra能力。训练越来越大的模型，对Infra要求极高。中国真正玩过万卡集群的人屈指可数，Infra人才非常宝贵。小鹏目前迭代速度和数据规模较过去都有数量级的提升。第二，车企正转型为具身企业。小鹏已布局人形机器人、飞行汽车等不同载体。车企需要把音视频能力、模型能力、落地能力复用到不同场景，才能最大化价值。例如世界模型显然不只服务于车，还可服务于多种物理问题。第三，全球化竞争。只在中国做好只能算赢了一半，最终要拿下全球市场。AI时代，拥有强大模型和数据闭环能力，不必进行大量完全定制化开发，大模型的泛化、迁移和资产化能力，可用更高效手段适应全球市场，甚至比当地产品做得更好。这三点将区分车企自研深度及其最终价值。

钟琳:车企能力不断泛化，芯片企业也向软件栈延伸。中科创达作为中间层，面临的是挑战还是危机？不可替代的价值在哪里？

于海博:芯片企业向软件延伸确实存在，但真正量产落地还涉及许多实际问题。我们面临的重要问题，是如何把大模型的不确定性变成确定性。业界存在一个悖论:希望功能不可预测，但市场现阶段又难以接受不确定性。随着大模型能力增强、应用生态丰富，产品定义需求越来越难收尾，因为很多能力无法提前在PRD中定义。一旦定位放出，主机厂可能提出更多需求，如何取舍考验工程能力。中科创达在工程化落地中积累了丰富经验，知道如何做好功能、如何实现量产交付，并能与团队共创解决方案。这类服务能力和量产赋能能力，短期内仍难以替代。

钟琳:未来产业竞争是否会越来越聚焦闭环能力？其中最难被替代的环节是什么？

方宇:这取决于从谁的角度看。主机厂最大优势是拥有客户、应用场景，以及对应场景的数据和信息。供应商的优势在于专业化。通过持续投入和跨客户案例积累，供应商可能比单一主机厂想得更深、做得更多。生态中每个玩家都有自身角色和贡献，应找到自己的强项并最大化。竞争是好事，能让每家公司做到最好，最终受益的是共同客户。行业是一个生态系统，最终追求平衡。这不只是技术问题，更是经济问题:如何用整体最小投入、最短时间达到最好结果。所有厂商都应寻找互补合作点，把最好结果带给最终客户。

钟琳:谢谢四位嘉宾。今天从AI价值创新，到不可能三角的约束，再到解决路径的探索，核心是在约束中寻找价值最优解。只有在AI定义汽车时代找到这一最优解，才能占据先机。本次热点对话到此结束。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。