上篇我们聊了生物医药，今天进入第二个被算力深度重塑的行业：自动驾驶。
如果说医药是“算力让发现变快”，那自动驾驶就是“算力让不可能变成可能”。
想象一下：一辆车以120公里时速在高速上飞驰，每秒前进33米。在这33米中，它要看清周围几百米内的所有物体、判断它们的运动轨迹、决定下一秒的操作——加速、减速、转向还是刹车。
这一切，必须在几十毫秒内完成。
没有算力，这就是天方夜谭。有了算力，它正在变成现实。
01 自动驾驶的算力分层：车上 + 云端
自动驾驶用到的算力，不是单一的一块芯片，而是车端算力 + 云端算力的双层体系。
车端算力：毫秒级的生死时速
车端算力负责实时感知和决策，要求极高——延迟必须低于100毫秒，否则车都撞上了决策还没出来。
一辆L4级自动驾驶汽车通常配备：
· 多个摄像头（采集图像）
· 激光雷达（采集3D点云）
· 毫米波雷达（采集距离和速度）
· 高精度定位模块
这些传感器每秒产生数GB的原始数据，车端AI芯片要在一瞬间完成融合、识别、决策、控制。
车端算力的挑战：要在功耗限制（整车功耗有限）、散热限制（没有大风扇）、成本限制（不能太贵）的前提下，提供足够的AI算力。
· 海外玩家：英伟达（DRIVE Orin/Thor）、特斯拉（FSD芯片）、Mobileye
· 国内玩家：华为（MDC平台）、地平线（征程系列）、黑芝麻智能
云端算力：训练一个“老司机”的大脑
车端负责“开车”的执行，云端负责“教车怎么开”。
自动驾驶的核心是一个巨大的AI模型，需要消耗海量数据来训练。特斯拉的自动驾驶训练集群已部署超过数万颗GPU，国内头部自动驾驶公司也在建设自己的训练集群。
云端算力的挑战：数据量极大。一支几百辆车的测试车队，每天产生数PB的数据，需要强大的存储、清洗、标注、训练基础设施。
02 算力如何解决自动驾驶的三大难题
自动驾驶为什么难？因为真实世界远比实验室复杂。算力正在帮行业一步步攻克这些难题。
自动驾驶最怕的不是晴天大马路，而是“没见过的情况”——路上突然出现一个倒下的树、一个拿气球的小孩、一场毫无征兆的暴雨。
这类极端场景（corner case）发生概率极低，但一旦遇到，处理不当就是事故。
算力的价值：通过仿真平台，在虚拟世界里生成数百万种极端场景，让模型“见过”几乎所有
一个摄像头在晴天能看清200米外的路牌，但在雨夜、逆光、大雾中，可能连10米都看不清。算力把多传感器融合做深，让激光雷达、毫米波雷达、摄像头互相验证和补充。
比如在隧道出口强光逆光时，摄像头暂时“失明”，但激光雷达依然稳定工作——算力能在毫秒内完成传感器的切换和融合，不依赖任何一个单一传感器。
如果一个自动驾驶系统出了事故，我们需要知道“它为什么这样做”——这对监管、保险、用户信任都至关重要。
算力+新的算法架构（如端到端模型）正在让决策过程变得更加可追踪和可解释，虽然这条路还很漫长。
03 行业格局：三条技术路线之争
目前自动驾驶领域有三条主流技术路线，算力的需求形态完全不同。
把驾驶规则写成代码：红灯停、绿灯行、前车减速我刹车……适用于简单场景，但面对复杂路况，规则数量会爆炸式增长，永远写不完。
算力需求：中等，以传统计算为主。
用一个巨大的神经网络，输入传感器数据，直接输出方向盘角度和油门刹车——像人类一样“凭经验开车”。
特斯拉是这一路线的最大推动者。这条路对算力的需求极大，但上限更高，更像真人驾驶。
算力需求：极高，依赖海量数据和超大训练集群。
把部分算力和感知能力从“车上”搬到“路上”——在红绿灯、路侧杆上安装传感器和计算单元，让车和路“对话”。这样单车不用太“聪明”，整体系统也能达到安全要求。
算力需求：分布式，车端和路侧各承担一部分。=
三种路线并非完全互斥，未来大概率是融合方案。但方向已经清晰：算力越大，自动驾驶越接近人类甚至超越人类。
04 算力对消费者意味着什么？
上面聊的好像是工程师的事，但算力的进步对普通消费者意味着三件实实在在的事：
算力越强，车就能越快地发现危险、越聪明地避开危险。自动驾驶的目标不是“比老司机差一点”，而是“比最好的司机好10倍”。算力是达成这个目标的唯一路径。
几年前，一个自动驾驶计算平台要几十万，只能在实验车上用。现在，地平线征程芯片已经能把高阶智驾做到十几万的车上。算力成本在快速下降，智能不再是豪华车的专属。
从“不敢让它开”到“上了高速就交给它”，再到未来“上车就睡觉”——算力的提升，正在把开车从“劳动”变成“放松”。
05 挑战与边界：自动驾驶还需要什么？
算力是自动驾驶的核心引擎，但不是唯一答案。
车辆在自动驾驶状态下出了事故，责任归谁？制造商？软件提供商？还是车内人员？各国的法规体系还在追赶技术，这种滞后本身就是商业化的主要障碍。
车路协同需要路侧智能设施的大规模部署，这背后涉及数十万亿级别的城市改造投入，不是一家企业甚至一个行业能独立推动的。
舆论对自动驾驶事故的容忍度极低。一次恶性事故，可能导致整个行业的商业化进程倒退数年。技术上的“比人更安全”还不够，必须让公众“感觉安全”。
更高算力意味着更高功耗。车端算力从几十TOPS到几百甚至上千TOPS，功耗也随之攀升。如何在有限的车载供电和散热条件下提供足够算力，是一个持续的工程挑战。
自动驾驶可能是“算力改造行业”中最具象、也最令人兴奋的例子。
它从科幻变成了现实，从实验室走上了马路。而支撑这一转变的，是云端数十万颗GPU的训练算力、车端数倍于手机的推理算力，以及背后无数工程师的持续迭代。
如果说医药是“算力拯救生命”，那自动驾驶就是“算力守护生命”——每天、每公里、每一次出行。
下一篇，我们走进金融服务：算力如何重新定价风险和信用。
从马路上的高速驾驶，来到数据流的高速交易——金融行业对算力的应用同样精彩，但逻辑完全不同。
敬请期待。
