AI定义车辆推动算力、内存与验证能力逼近极限

从软件定义车辆转向AI定义车辆，随之而来的问题是硬件能否跟上。

要点：

• 汽车厂商正竞相把先进AI能力引入车辆，以把握未来十年预计规模超过1万亿美元的物理AI市场。
• 要在这一市场保持竞争力，车企需要把现有的软件定义车辆系统升级为能够高效处理内存、算力和功耗需求的汽车电子架构。
• Rambus负责Sil代币发行n IP产品营销的副总裁Paul Karazuba表示：“软件定义车辆是指车辆离开工厂后，其功能通过软件更新不断演进；而AI定义车辆更进一步，利用AI持续解读数据、做出决策，并实时调整行为。区别不仅在于软件会变化，而在于智能会主动塑造车辆如何运行。”

但要有效利用这种智能，就需要重新思考汽车的基础架构、零部件和数据供应链，以及在严苛环境下创建、集成、测试和监控可适应的复杂系统之系统的方法。

Elektrobit跨产品组合增长与战略联盟高级总监Moritz Neukirchner表示：“AI本身并不是一个价值主张，而是SDV和AI定义车辆持续演进的关键使能技术。AI多年来一直存在于车辆中，比如高级驾驶辅助系统的感知栈。AIDV带来的变化在于体验。功能变得可见，并可直接供客户使用，同时AI加速器和开发能力也更容易被软件开发者获取。最先面向客户的应用自然集中在语音助手和对话式界面。与此同时，正在演进的开发者体验也在推动一些不那么显眼、但同样重要的应用，包括AI辅助远程诊断和可观测性解决方案，它们有助于在车辆整个生命周期内监控、理解和维护车载软件。”

这一转变也将为半导体公司带来更多收入来源。英飞凌汽车业务高级总监Paula Jones表示：“所谓‘AI定义’车辆的转变，可以看作软件定义车辆的下一代。目前，传统OEM正朝着SDV方向推进，即以软件定义关键功能，建立在区域控制模块、中央计算和标准通信等硬件积木之上，并加入AI功能和OTA更新。这对英飞凌这样的半导体公司来说，是提供关键硬件和软件元素的好机会，包括车规级微控制器、以太网和传感器，以推动这一由AI定义的下一代SDV。”

系统设计师将如何实现这些进步，目前尚未定型，不同OEM也在以不同方式应对相同问题。

围绕计算架构下注

这一新兴生态系统面临的最大问题之一，是车辆计算架构应当多么集中。OEM通常会在两种计算架构之间做选择——一种是更集中、以算力为先、采用更大芯片的方案；另一种则是更分布式的“按需匹配”架构。

Arteris执行副总裁、首席产品与营销官兼安全解决方案总经理Michal Siwinski表示：“不同OEM在做不同的押注。几年后会发生什么会很有意思。你要确保这些东西能在生产部署中持续多年，而不是几个月。几年后我们才会知道这两种方法是否同样有效。现在下结论还太早，双方正在拉锯。”

两种方法各有优缺点。Siwinski说：“‘轮子上的服务器’基本上是在追求最大算力，一切都围绕吞吐量、性能和最大化功耗预算展开。算力越多越好。这有点像蛮力式的方法，但你可以这么做。你造出这些惊人的超级芯片，把一堆装进车里，它们就能成为一切的中央计算。比如你要打造一辆非常安全、非常可靠的车。但与此同时，这也是单点故障。如果采用更分布式的架构，情况就不同了。你可以有更好的最佳方案，而不是一刀切的计算，因为你可以优化。这个芯片说它负责这个应用，那个芯片负责那个应用，你可以挑选最合适的方案。所以这有点像经典问题：是造一个什么都能做的东西更好，还是做一个更专用的东西更好？”

AI定义车辆的推进，也让设计人员在多种芯片架构方案上进行试验。Imagination Technologies产品管理总监Rob Fisher表示：“另一个额外问题是，人们正在把GPU用于越来越多过去不会用GPU的事情。以前他们可能会用NPU来做AI处理，现在他们可能会把GPU视为进行AI处理的绝佳方式。这通常不是今天的做法，所以我们面临一个全新的可能性领域，需要加以考虑。”

芯粒也为AI定义车辆提供了一些耐人寻味的可能性。Cadence旗下Secure-IC首席技术官Sylvain Guilley表示：“我们在Cadence有一个愿景，芯粒将成为交付技术的新方式，原因之一是你可以把芯片做成应用专用的，而我们现在正在构建的系统越来越复杂，边缘处到处都有AI。这意味着，在任何机器人或汽车里，你都会在不同位置有相同的算力需求、相同的AI推理需求，甚至相同的安全功能。跨整个系统使用相同芯粒会经济得多。芯粒将发挥重要作用，因为我们正在重新定义拥有大量不同传感器的自主系统。”

数据与内存瓶颈

在设计这些AI定义车辆系统时，如何以最高效率移动传感器和通信数据，与选择用什么来处理这些数据同样重要。

Karazuba表示：“AI工作负载正在生成前所未有的数据量，高效地把数据送入处理器，与算力本身同样重要。最大的瓶颈是数据移动、能效和系统可信度。高效地喂给处理器，与算力本身同样重要。与此同时，汽车系统必须在车辆整个生命周期内，在满足严格安全、安保和可靠性要求的同时提供这种性能。”

随着AI传感器不断引入新数据，关键挑战在于找到更强大的解决方案，同时保持可接受的成本。Keysight Technologies自动驾驶汽车部门经理Sven Kopacz表示：“点云意味着要把更多数据传输到一个比传统ECU强大得多的中央处理单元。我们怎么把数据送过去？想想倒车摄像头。你把车挂入倒挡，想在屏幕上看到画面，所以你需要告诉摄像头你现在在倒车。那大概是20字节？这是一个你想向那个方向发送的小消息。但现在摄像头流是朝这个方向进来的。这是一种不对称连接，我们用SerDes来覆盖它，它针对不对称用例进行了优化。在汽车里，如果某个模块能省10美分，你就会去做。同样也适用于线束。我们也看到汽车OEM现在正在转向光互连，因为如果你采用以太网，并且想让每个节点彼此连通，最后就会产生大量额外布线。”

这些新的工作负载需求，也在推动汽车OEM重新思考他们信任谁来支持数据处理。Kopacz说：“车内需要处理的数据更多，传输的数据也更多。现在OEM正朝着这样一个方向移动：‘我们希望在如何处理这些数据上形成差异化。我们不想只依赖一个黑盒，所以我们想要点云。我不想让你来处理。一级供应商可能会把这个处理模块卖给OEM。它可能来自同一个来源，但OEM希望有灵活性来选择如何组合这些模块，他们也可能对生态系统中的新玩家投入更多信任，比如Nvidia，因为它熟悉如何处理点云并进行目标识别。”

AI定义车辆系统还必须在边缘场景以及车辆漫长的服役周期内，验证传感器输入、AI决策和更新。

Keysight Technologies自动驾驶汽车业务线经理Carrie Browen表示：“如果一辆车可能开20年，那么第一天推出的技术就必须一直留在那里，而这些AI并不习惯这样。我们日常使用的AI会不断学习和变化，但在车里，它必须做对。这是一种不同的学习方式：要回来验证那个决策，并验证这个闭环是正确的。这是另一端的问题。数据必须贯穿始终。它必须从采集进入车辆，然后你必须证明并确保那些依赖这些决策的人之所以能依赖，是因为这些数据确实支撑了这些决策，且是安全的。”

这些数据和验证要求的现实，也凸显了自动驾驶开发中日益严重的内存瓶颈。Rivian自动驾驶感知系统总监Rahul Rithe在本月的JEDEC汽车电子论坛上表示：“真正重要的是我们移动字节、存储字节的能力，以支持高效运行。要获得性能的渐进式提升，就需要算力和内存都呈指数级增长，而这正是我们现在遇到的关键瓶颈。内存带宽和容量是先进自动驾驶和物理AI的门槛资源。”

AI定义车辆时代的汽车零部件生命周期

由于汽车芯片的使用寿命预计会远长于数据中心等其他领域的芯片，OEM已经开始基于最大化寿命来做车辆AI架构决策。Browen表示：“行业正在做出的一个决策例子，是在车内互联中转向汽车以太网和光汽车以太网。这样他们就可以去掉一些节点，而这些节点本身又是带有一定数量继电器或开关的物理部件。因此，通过在背板上切换到以太网，同时也把边缘设备——比如座椅控制、车窗升降，或者车内所有那些小ECU——切换到以太网，如果这些都能跑在一个IP、一个网络上，你就可以去掉这些额外节点。这是行业为了寿命原因而做出的决定，目的是减少车内一些物理部件。”

让AI驱动的车辆在路上运行更久，也给OEM提供了额外动力去销售软件升级。Kopacz说：“OEM甚至在讨论让平台拥有更长的生命周期，因为对于SDV来说，未来的收入来源可能是通过普通的软件升级来销售功能性升级。他们希望把平台再多维持一段时间。”

结论

向AI定义车辆的转变，衡量标准将不再是汽车厂商能在车里塞进多少AI，而是整个系统在其生命周期内能否可靠运行。

随着软件和模型在量产后继续演进，车企还需要保留证据，证明每一次更新在不同车型和多年使用中都能安全运行。最终胜出的架构，将是OEM能够以规模化方式最好地部署、验证、维护并负担得起的架构。

这种长期支持从开发阶段就要开始，但也必须具备可扩展性。AI辅助工程可能加快交付，但其输出必须保持可追溯和可复现。

Neukirchner表示：“AI正在推动汽车软件在设计、实现、测试、集成和认证方式上的跃迁。这有可能缩短开发周期，提高工程效率，并让SDV开发的复杂性更易管理。这取决于最终的软件和证据在整个生命周期内仍然保持可追溯、可复现并受到治理。同样重要的是，不要重复SDV项目中的一个常见错误——把绿地开发的便利当作重建一切的理由。更大的挑战是复用现有资产，以确保商业可行性，同时在车辆平台、车型、年款和代际之间实现受控演进。这种连续性对于让AIDV开发在规模上实现经济可持续性至关重要。”

相关文章

• SDV与AI正在推动汽车行业发生重大变化
• 车辆架构、AI和安全性的进步正在重塑汽车的未来
• 自动驾驶汽车面临老化问题
• AI工作负载正在更严苛地考验汽车传感器，迫使工程师重新思考安全关键系统可以被信任多久