软件定义汽车的四大趋势

前言：

继 PC 和手机之后，智能汽车正在引领科技史上的第三次智能化浪潮。当软件定义汽车成为趋势，消费者开始关注科技配置差异，汽车品牌如何实现更高层次的智能化？是否存在着为这种变革提供动力的“数字发动机”？

从技术变革来看，软件定义汽车成终极方向，总结来看，可以概括为“443”：

1. 四大挑战：安全性、实时性、带宽瓶颈、算力黑洞

2. 四大趋势：计算集中化、软硬件解耦、平台标准化以及应用生态化

3. 三大核心技术支柱：AI计算芯片、车载操作系统以及数据闭环

从产业变革来看，软件定义汽车将重塑整个汽车行业，总结为4个主要趋势：

1. 汽车行业正按照IT行业的逻辑和节奏向前发展

2. 产业生态重塑：拼图式合作替代塔状结构供应链

3. 价值链范式转移：利润上移，软件和智能化零部件成汽车行业最大盈利环节

4. 淘汰赛拉开序幕：造车新势力成主角，行业迎来百年巨变

算力不足是当前智能汽车的最大瓶颈

算力就好比智能汽车的脑容量，如果我们去看进化史，会发现灵长目动物智力的提升，是伴随着大脑容量的不断提升而获得的，因为大脑容量是智力的物质保证，我们没法想象小昆虫能够进化出匹敌海豚的智力，就是因为容量已经成为其智力发展的硬约束。

汽车的智能化也遵循同样的逻辑，车载智能计算平台可以说是智能汽车的大脑，为上层软件提供强大的算力支撑和友好的运行环境。算力的持续提升是汽车智能化进步的标志。

当前算力不足已经成为智能汽车发展的核心瓶颈。车载中央计算平台对于算力的需求简直是无底洞，自动驾驶等级每增加一级，算力需求就有一个数量级的上升，业界已经在讨论车载计算的TOPS（每秒1千万亿次运算）时代何时到来，这相当于要把“天河一号”超级计算机（2010年建成，排名当时全球第一）装进一台汽车！从这个意义上说：未来的汽车就是四个轮子上的超级计算机。

智能汽车正掀起算力的军备竞赛

在智能汽车所需要的计算能力中，占比最大的部分就是AI计算，智能汽车时代，AI计算芯片就是数字发动机，提供智能汽车最重要的硬件基石：算力。

各主要玩家都在持续提升车载AI芯片的算力

算力需求来自车载AI计算任务的挑战性，以感知为例：自动驾驶车辆需要对车辆的360度范围之内的环境进行感知，包括对移动物体的识别、跟踪、预测、对于驾驶环境的语义分割、建模到定位，感知的范围非常广，而且还要在不同的天气情况、光照条件下可靠地工作，这一切对于感知算法的可靠性、准确性提出了极其苛刻的要求。

为了达到这一目标，感知需要多种传感器进行融合，并且在每一个维度上都进行冗余备份，随着各种传感器的性能持续提升，其需要处理的数据量也呈几何级数增大，例如使用最广的车载摄像头，其像素已经从1百万上升到8百万，并进一步向1千2百万发展；激光雷达和毫米波雷达也在往图像化的方向发展。对于自动驾驶处理器的算力需求也随之水涨船高。

当前，自动驾驶处理器的算力主要用于感知，但是，从自动驾驶的发展来看，这并不是对自动驾驶处理器算力要求最高的部分。随着自动驾驶系统向L4、L5等级迈进，需要能够驾驭城市驾驶环境这样的复杂场景，决策将需要比感知更大的计算能力。

AlphaGO在围棋领域的成功，代表了人工智能在决策方面一个里程碑式的成就，但是对于围棋这样的应用，其感知环境是全透明的，可以获取棋盘上的一切信息，博弈主体只有两个，这是一个环境封闭、规则完备、信息完整的决策场景，但即使是这么简单的场景，Google都要用算力高达180TOPS的TPU去支撑，才能够满足要求。

对于自动驾驶，我们有可能面对的是跟上百个道路上的移动主体的博弈，这里面不仅包括车辆，还包括行为非常复杂的行人，比如中国式过马路，红绿灯是不管用的，行人随时会过马路，而且边走边看车的行驶情况，行人的下一步决策依赖于你的决策，再比如换道，打了转向灯，还得看旁边的车让不让，如果不让再接着开，这是一个不断博弈的过程，也是互动式的决策过程。

所以自动驾驶面临的是一个开放的环境、不完备的规则、不全面的感知信息、多智能体的博弈场景，而且还不能出错。决策算法的决策搜索空间比围棋要大的多，难度是非常大的，其对于算力的要求比感知更大，就是因为这个原因。

软件开发2.0时代：数据驱动的迭代闭环

特斯拉的智能化升级速度越来越快，以最畅销的Model 3为例，数据显示特斯拉平均每7.3天更新一次汽车软件，作为对比，传统车企往往半年时间都难以提供一次升级。

通过自己打造完整的AI进化闭环，配合数量达百万级别的车队不断提供用于AI进化的真实路况数据，特斯拉拥有了比其他竞争对手更高的算法迭代效率。

其结果是：特斯拉成功打造了联机版的智能进化体，依靠超强的软件迭代速度，特斯拉给消费者带来持续升级的智能化体验。

我将这种软件开发模式称为软件开发2.0模式，相对于1.0模式，其本质的区别在于：用数据替代人力，来驱动算法（这里主要是CNN模型）的高速进化。

可以想象：人力的成本是持续上升的，而数据的处理成本却随着摩尔定律的发展持续降低，实际上，配合软件的进步，我们可以获得比摩尔定律更快的下降速度。软件开发2.0的优势正在于此。

广汽研究院智驾部部长郭继舜在一次车展同期的圆桌对话中指出：“各家企业都开始重点强调数据的积累和功能的迭代。这两方面成为保证现在汽车持续具有生命力的一种必然。这意味着，未来我们的汽车产品从静态转向动态，在完整的生命周期中不断进行进化，成为一个动态学习的过程。”我深以为然。

美国当地时间10月12日，特斯拉首席执行官马斯克发推称：“说到做到，下周二将发布有限的完全自动驾驶beta测试版。但首先，这将只限于少数精于驾驶并且非常细心的司机。”

不同于之前Waymo仅在几个城市投几百辆车运营，更不同于某厂仅有十几个试乘点（包括终点）的“全面开放”自动驾驶服务，这次是公众第一次自己可以选择路线并真实感知的自动驾驶。

Waymo之前被公认为自动驾驶一哥，但实际上，特斯拉迭代速度比Waymo更快，原因就在于特斯拉的数据收集成本和范围优势明显。

计算架构在加速集中化

在软件定义汽车的驱动下，智能汽车的电子电气构架（EEA）正在加速从分布式向集中式演进，终极形态就是车载中央计算机。

从分布式ECU架构到域架构，计算的集中度明显提升，后者按照功能不同聚类，有了“面向服务（SOA）的架构”这个概念，软硬解耦得以体现，且通过以太网作为车内骨干网进行互联。这种趋势继续演进，就出现了中央计算架构，可以提供开放式软件平台，底层资源充分池化使得中央可以共享，在未来进一步打通云端计算和车端计算，形成更大的协同式计算网络，但车端的边缘计算依然是智能化的基石。

可以说：电子电气构架的核心演进逻辑，就是通过提供开放的、资源充足的硬件平台，使得软件开发更便捷、更高效。

业界普遍认为，车载中央计算机的量产要到2025年之后才能实现，但日经BP社在2019年拆解了特斯拉Model 3之后得出一个结论：特斯拉已经实现了这一先进架构，领先同行超过6年。

车载中央计算机通常都是一个异构计算平台，因为计算任务多种多样。但AI计算是其中算力最大的部分，是当之无愧的主芯片。

软硬件解耦，算力超配，硬件预埋成趋势

下图是我曾经在一个论坛上分享过的地平线芯片发展路线图，但重要的是这里体现的逻辑：在过去，算力还不充足的时候，我们开发的是单个功能，例如ADAS或者DMS，当算力持续增强的时候，车载中央计算平台就出现了，并且通过软硬件的解耦，使得功能应用不再依赖于特定的硬件，从而极大加速了功能的开发。

在算力超配的前提下，可以保证在未来三年左右内，可以持续通过软件更新来增加新的功能，三年后，计算平台硬件也可以再次升级，保证在整车生命周期内，算力持续充沛。

终局来看，软件定义汽车深刻地改变了汽车行业的盈利模式，将高性能的硬件预埋作为投资，通过软件更新服务盈利，已经成为特斯拉为代表的新造车势力的标准操作。

产业价值链范式转移：软件和计算平台成利润重心

如果我们观察PC的产业价值链，就会发现行业利润的重心并不在联想、戴尔这些品牌，而是微软和英特尔。如果我们相信智能汽车行业的发展逻辑也按照IT行业的规律走，那么大概率我们会看到一样的趋势。

来自麦肯锡的研究指出，高效的车载计算平台已经成为支撑智能汽车的核心部件，车载智能计算平台、软硬件开发能力将成为未来自动驾驶价值链中最重要的能力因素，占34%的比重。并预测未来自动驾驶的软硬件成本将由90%硬件加10%软件，向软件和硬件基本持平的方向演化。

特斯拉的软件收入正在急剧增加，马斯克日前宣布特斯拉FSD（完全自动驾驶能力）软件的价格再上涨2000美元，从8000美元提升至1万美元。单单这一项软件的营收已经累计超过10亿美元。

来自安信证券的研究指出，特斯拉2025年FSD的收入将近70亿美元，占特斯拉汽车业务营收的接近9%，贡献25%的汽车业务毛利。中长期来看，FSD将大概率切换成软件订阅服务的商业模式，预计2030年的订阅服务收入有望超过160亿美元/年。

特斯拉的市值之所以可以达到4000亿美元，其背后的逻辑就是其盈利越来越来自软件，因此，资本市场对于特斯拉的估值也超越了传统的汽车制造商视角，以软件科技股的属性对其进行定价。

特斯拉在持续丰富其软件包的组合

拼图式合作成产业发展主流

前段时间参加了北京车展，作为汽车行业发展的风向标，这次车展非常明显的趋势就是：智能化已经成为各车企的竞争主战场，而智能汽车的实质，并不是拥有多少项ADAS配置，而是拥有在整车生命周期内的持续进化能力。从进化速度的角度分析，相对于打造新的硬件来实现进化，由软件来实现的进化显然要快得多。由此也带来整个汽车行业的颠覆性变革。

今天，特斯拉已然成为智能汽车行业的标杆，中国的新造车势力也在模仿中快速崛起，蔚来的市值甚至已经超越了宝马。

中国的主机厂应学习特斯拉，但不应是像素级地去复制，比较可行的方式是充分集合中国的创新企业，协同作战。中国市场的驾驶工况、消费者需求等与国外有诸多差异，这些差异可作为中国企业的突破口。上游有芯片开发能力的公司与主机厂进行深度组合，协同创新，会是一个更有实践性的道路。