芝能智芯出品麦肯锡发布了一份报告《在生成式AI时代重塑自动驾驶》，自动驾驶正在从一个汽车工程问题，变成一个AI基础设施问题。
围绕软件架构的换代、芯片和内存的军备竞赛和整个产业价值链的重新整合来探讨，值得我们从芯片角度来看看。
自动驾驶行业的软件架构正在经历一次十几年才遇到一次的大换代。
过去的做法是规则式的，工程师把"看到行人十米内要刹车""前方有锥桶要变道"这样的指令一条条写进代码。这套做法叫AV 1.0，天花板是永远写不完所有场景。
从规则式向端到端AI原生的转移，端到端架构（AV 2.0）用Transformer模型直接学习从传感器输入到驾驶决策的映射。
好处很明显是在没有见过的场景中也能做出合理反应，开起来更接近人类的驾驶行为。
落地路径上，三种并行的架构选择。
◎第一种是传统做法，感知、规划、控制各自独立，代码大多是人工编的"if-then"规则，好处是每一步都透明可解释，问题是适配不了复杂城市路况。
◎第二种是混合方案，用VLA（视觉语言动作）模型主导驾驶，外面再套一层规则做安全兜底。很多L2+系统走的就是这条路。
◎第三种是纯端到端方案，一个模型同时处理感知和规划。
它又分了两个流派。
模块化端到端，感知和规划是分开预训练的模型，但联合优化，好处是中间输出可以独立验证，方便调试。
单片式端到端，一个巨型模型直接吃进传感器数据输出驾驶指令，信息损失最小，泛化能力最强，但像个黑盒子，你不知道它某个急刹到底是"看到了真的危险"还是"看错了影子"。
端到端架构在高度变化的城市环境中表现得比传统系统更好。但代价很大：模型可解释性差，安全验证困难，监管部门难以审批。
行业共识是，L2+会先大规模铺开，因为人还在方向盘后面负责兜底。L3和L4靠纯端到端上量，需要同时突破更省数据的AI模型、能模拟百万级极端场景的仿真平台和更成熟的法律框架三个关卡。
多数中国消费者认为2035年之前大多数车就能实现完全无人驾驶，六成以上全球受访者愿意乘坐robotaxi。
中国市场最乐观，消费者预期领先业界专家的判断至少一个身位。
端到端架构带来的算力需求爆炸，直接把芯片从"汽车的一个零部件"推成了"决定竞争力的核心变量"。
ADAS和自动驾驶处理半导体的全球市场，2025年约56亿美元，到2035年会膨胀到超过460亿美元，年复合增长率24%。ADAS/自动驾驶芯片在汽车半导体总价值中的占比从不到6%跳到22%，大中华区预计是2035年最大的单一市场。
过去五年，行业一直在拼TOPS。谁的NPU算力更高，谁的芯片就跑得更快，这个逻辑在端到端时代不够用了。
真正的瓶颈不是计算能力，是内存带宽。
端到端模型参数量巨大，传感器数据流高分辨率、多模态、高帧率，中间的激活层数据体积远超模型本身。系统在算力耗尽之前，带宽已经先被堵死了。
系统变得受内存限制，而非受计算限制，高带宽LPDDR内存、更大的片上SRAM缓存、甚至HBM和先进封装，正在取代TOPS数成为衡量下一代ADAS芯片的硬指标。
NPU也在取代GPU成为端到端芯片的主力。
◎AV 1.0时代，GPU用来跑感知模型；
◎到了AV 2.0，推理任务NPU更高效。CPU转向做安全冗余和系统调度，GPU退居辅助角色，做预处理和后处理。
延迟和确定性是另一个被忽略的维度。端到端系统的控制回路对时间精度的要求上了一个台阶。传感器输入、规划决策、车辆执行这三个环节之间的时延，如果有几个毫秒的不确定性，安全验证的难度直接爆炸。
报告指出，片上互联和低延迟通信通道正在变成下一代E2E平台的关键设计约束。分布式架构虽然灵活，但多芯片之间的同步延迟和安全验证复杂度，很多整车厂承担不起。
封装也在卷。单片SoC提供最低延迟和最简单的安全验证，是当前主流。系统级封装（SiP）是过渡方案，多颗die在一个封装内协同。
Chiplet（芯粒）被认为是2030年后的终极解，可以把大芯片拆成小芯粒，升级某个功能不用重新设计整颗芯片。
但它在汽车安全场景下的验证复杂度太高了，可能需要连接技术、软件工具链和安全框架全部成熟以后才能真正上车。
端到端AI对算力的吞噬远远超出了车本身的范畴。传统的ADAS开发，数据采集、标注、训练、验证的管线和今天的端到端系统比，算力需求不是一个数量级。
报告把驱动因素拆成三条：模型越来越复杂（Transformer、多模态基础模型、VLA系统全都是巨型算力消耗者）、训练数据规模膨胀（需要数百万小时的真实驾驶数据做模仿学习和强化学习）、仿真验证成为必需品（端到端模型太像黑盒，必须用海量高保真闭环仿真来生成极端场景、评估失败模式）。
自动驾驶的经济模型开始越来越像一个超大规模AI平台的经济模型，行业已经分成了两条路。
◎"轻算力"模式，传统车企买现成的软硬件方案，自己只做少量的车端适配，内部训练算力需求不大。
◎"重算力"模式，robotaxi运营商和深度垂直整合的车企从头训练自己的端到端模型，需要的AI训练集群逼近90,000个H100等效GPU。
90,000个H100。这个数字放在五年前是科幻，放在今天是一个几家头部公司正在逼近的现实。
这么多算力放在哪，成了战略问题。
◎全部上云，弹性最好，但大模型训练跑在云端，GPU租赁费用在规模大了以后是一条陡峭的成本曲线。
◎全部自建，数据主权最安全，持续推理和工作负载的成本最可控，但缺乏弹性。
混合架构正在成为主流，数据和核心模型放在自己的机房，峰值训练和仿真跑在云端。
供给端还有一个更深层的趋势：软件和硬件正在经历从耦合到解耦的长周期演变。今天为了追求极致的延时和确定性，头部玩家在搞软硬件协同设计，用专属芯片跑专属模型。
但报告引用多数业界专家的判断，长期方向是软硬件分离。车企要的是"感知、规划、控制这些软件层能在不同SoC上跑"。芯片公司也在投资开放接口、中间件抽象层和标准化软件框架。
一个模块化的"混搭"生态可能在未来十年内形成：A公司做感知、B公司做规划、C公司做仿真，全跑在标准化的硬件平台上。
自动驾驶的下一个时代，竞争力取决于谁能建立行业最强的AI生态系统。
只把车造好的公司不够，只把芯片做好的公司也不够。能把汽车工程经验、AI软件能力、数据闭环和计算基础设施这四样东西同时做出来的人，才会定义未来出行的形态。
10个月宝宝每天需要喝多少奶粉？
