AI定义汽车推动算力、内存和验证极限

关键要点：

• 汽车制造商在计算架构上采取了不同的策略，一些厂商青睐大型中央处理器，而另一些则将专用计算能力分散到AI定义的车辆系统中。
• 传输传感器数据的重要性正逐渐与处理数据相当，原始摄像头和雷达数据对内存、接口、车载网络以及电源效率提出了新的要求。
• AI定义的车辆系统必须在各种边缘情况下以及车辆漫长的使用寿命期内，验证传感器输入、AI决策及更新内容。

为了抓住未来十年预计超过1万亿美元的物理AI市场机遇，汽车制造商正在竞相开发并将先进的AI功能整合到车辆中。

要在这一市场中保持竞争力，汽车制造商需要将当前的软件定义车辆（SDV）系统升级为能够高效处理这些系统在内存、计算和功耗方面需求的汽车电子框架。

“软件定义车辆是指其功能在出厂后通过软件更新不断演进的车辆，但AI定义的车辆更进一步，利用AI实时持续地解读数据、做出决策并调整行为，”Rambus公司硅IP产品营销副总裁Paul Karazuba表示。“区别不仅在于变化的软件，更在于主动塑造车辆运行方式的智能。”

然而，有效利用这种智能需要重新思考汽车的基本架构、零部件和数据供应链，以及在恶劣环境条件下创建、集成、测试和监控复杂自适应系统的方法论。

“AI本身并非价值主张，而是SDV和AI定义车辆持续演进的必要使能技术，”Elektrobit公司跨组合增长与战略联盟高级总监Moritz Neukirchner表示。“多年来，AI一直是车辆的一部分——例如在高级驾驶辅助系统的感知堆栈中。AIDV带来的变化在于体验。功能变得可见且客户可直接访问，同时AI加速器和开发能力对软件开发人员来说也变得更加易用。首批面向客户的应用自然集中在语音助手和对话式界面上。与此同时，不断发展的开发者体验正在推动那些不那么显眼但同样重要的应用，包括AI辅助的远程诊断和可观测性解决方案，这些方案有助于在整个车辆生命周期内监控、理解和维护车辆软件。”

实现这一转型将为半导体公司提供多个增强的收入来源。“向所谓的‘AI定义’车辆的过渡可以被视为软件定义车辆的下一代，”Infineon公司汽车业务高级总监Paula Jones表示。“目前，传统OEM正致力于SDV，其中软件定义了关键功能，基于区域控制模块、中央计算和标准通信等硬件构建块，并结合AI功能和空中下载（OTA）更新。这对于Infineon等半导体公司来说是一个绝佳的机会，可以提供关键的硬件和软件元素，包括车规级微控制器、以太网和传感器，以推动由AI定义的下一代SDV的发展。”

系统设计师究竟如何促成这些进步尚未明确，不同的OEM正以不同的方式应对相同的问题。

押注计算架构 发展中的生态系统面临的最大问题之一，取决于车辆的计算架构应集中到什么程度。OEM通常在两种计算架构方法中选择其一：一种是以更大芯片为主的更集中、算力优先的解决方案，另一种是更分散的“量身定制”架构。

“不同的原始设备制造商（OEM）正在押注不同的技术路线，”Arteris公司执行副总裁、首席产品和营销官兼安全解决方案总经理Michal Siwinski表示。“几年后我们会看到最终结果如何。你需要确保这些方案能够投入生产部署数年，而非仅仅数月。几年后我们才会知道这两种方法是否势均力敌。现在下定论还为时过早。目前双方正处于一种拉锯状态。”

两种方法各有优劣。“‘轮子上的服务器’基本上是在追求最大算力。重点在于吞吐量、性能以及最大化功耗预算，”Siwinski说。“拥有的算力越多，思维就越开阔。这有点像是蛮力 approach，但你可以采用这种方式。你构建出令人惊叹的超级芯片，将它们大量安装在汽车中，作为所有功能的中央计算单元。假设你要构建一个既非常安全又高度可靠的产品。与此同时，这也意味着单点故障风险。如果你采取分布式架构，情况则有所不同。你可以获得更优的顶级解决方案，并且不必采用一刀切的计算模式，因为你可以进行优化。这款芯片专用于特定应用，你可以选择最适合的方案。因此，这有点像经典的困境：你是希望打造一件能处理所有事务的多面手产品，还是希望拥有更多专为特定目的打造的组件？”

AI定义汽车的推动促使设计师们尝试各种芯片架构解决方案。“另一个额外的问题是，人们越来越多地将GPU用于过去未曾涉足的领域，”Imagination Technologies公司产品管理总监Rob Fisher说。“以前他们可能使用神经网络处理器（NPU）进行AI处理，而现在他们可能会将GPU视为进行AI处理的绝佳方式。这在今天通常尚未实现，因此我们需要考虑一个全新的可能性领域。”

Chiplet也为AI定义的汽车提供了某些引人入胜的可能性。“Cadence有一个愿景，即Chiplet将成为交付技术的新方式，其中一个原因是你可以制造针对特定应用的芯片，而且我们现在正在构建的系统变得越来越复杂，边缘无处不在地部署着AI，”Cadence旗下公司Secure-IC的首席技术官Sylvain Guilley表示。“这意味着，在任何机器人或汽车中，你在不同位置都需要相同的计算能力、相同的AI推理需求，甚至相同的安全功能。在整个系统中复用相同的Chiplet要经济得多。Chiplet将发挥重要作用，因为我们正在重新定义拥有众多不同传感器的自主系统。”

数据和内存瓶颈 在设计这些AI定义的汽车系统时，找出移动传感器和通信数据的最有效方法与确定用什么来处理这些数据同样重要。

“AI工作负载产生的数据比以往任何时候都多，而高效地为处理器提供数据正变得与计算本身一样重要，”Rambus公司的Karazuba表示。“最大的瓶颈在于数据移动、能效和系统信任。高效地为处理器提供数据正变得与计算本身一样重要。与此同时，汽车系统必须在整个车辆生命周期内满足严格的安全、安全和可靠性要求的同时，提供这种性能。”

随着AI传感器不断吸入新数据，关键挑战在于找到在实用成本下更强大的解决方案。“点云包含大量数据，需要传输到比传统经典ECU强大得多的中央处理器。我们如何将这些数据送达那里？”是德科技自动驾驶汽车部门经理Sven Kopacz表示，“以倒车摄像头为例。当你将车辆挂入倒挡时，你希望画面显示在屏幕上，因此你需要告知摄像头当前的状态。这大概只需要20个字节？这是一个你想向该方向发送的小消息。但现在，摄像头的数据流正朝这个方向涌入。这是一种非对称连接，我们通过称为SerDes的技术来解决这一问题，该技术针对非对称用例进行了优化。在汽车中，如果你能在一个模块上节省10美分，你就会选择这样做。布线也是如此。我们也看到汽车OEM现在转向光学方案，因为如果使用以太网并将每个对等节点相互连接，最终会导致大量的额外布线。”

这些新的工作负载需求也促使汽车OEM重新思考谁值得信任来支持其数据处理。“我们在车内需要处理并传输的数据量大大增加，”Kopacz说。“现在OEM正走向这样一个阶段：他们表示‘我们希望通过对数据的处理方式来实现差异化。我们不想仅仅依赖黑盒，因此我们需要获取点云数据。我不希望你直接进行数据处理。一级供应商可能会向OEM出售这种处理模块。它可能来自同一来源，但OEM希望拥有灵活选择的权利，决定如何组合这些数据，并且他们可能对生态系统中的新参与者（例如Nvidia）给予更多信任，因为后者熟悉如何处理点云并进行目标识别。”

AI定义的车辆系统还必须在各种边缘情况下以及车辆的整个长使用寿命期间验证传感器输入、AI决策和更新。

“如果你开车长达20年，那么第一天发布的技术必须一直存在，而这些AI并不习惯这一点，”是德科技自动驾驶汽车业务线经理Carrie Browen表示。“你和我经常使用的AI在不断学习和变化，但在汽车中，它必须做到正确无误。这是另一种类型的学习：返回去验证该决策，并确保循环是正确的。这是另一端的任务。数据必须贯穿始终。它必须从收集进入车内，然后你必须证明并确保那些依赖这些数据做出决策的人的安全。”

这些数据和验证需求的现实情况也凸显了自动驾驶开发中日益严重的内存瓶颈。“关键在于我们移动字节的能力，以及存储字节以实现高效操作，”Rivian自主感知系统总监Rahul Rithe在本月举行的JEDEC汽车电子论坛上表示。“要获得性能的增量提升，需要计算能力和内存的指数级增长，而这正是我们现在遇到的关键瓶颈。内存带宽和容量是高级自主驾驶和物理AI的限制性资源。”

AI定义汽车时代的汽车零部件生命周期 由于汽车芯片的预期使用寿命将远长于数据中心等其他领域的同类芯片，原始设备制造商（OEM）已经基于最大化使用寿命来制定车辆人工智能架构决策。Browen表示：“行业正在做出的一个决策示例是，向车内连接中的车载以太网和光载车载以太网转变。”“这样他们就可以消除一些作为独立物理实体的节点，这些节点通常关联着一定数量的继电器或交换机。因此，通过在背板上切换到以太网，同时也为边缘设备——如座椅控制、电动车窗或车内的所有小型电子控制单元（ECU）——切换到以太网，如果所有这些设备都能运行在同一个IP地址、同一个网络上，就可以消除这些额外的节点。这是行业出于延长使用寿命考虑而做出的决定，旨在移除车内的一些物理组件。”

让搭载人工智能的车辆在路上行驶更长时间，给了OEM销售软件升级的额外动力。Kopacz说：“对于软件定义车辆（SDV），未来的收入来源之一是通过纯软件升级启用功能来销售升级，因此OEM们正在讨论平台更长的使用寿命。他们希望让平台保持活跃的时间更长一点。”

结论 AI定义汽车的转型，衡量标准将不再是汽车制造商能在车里放入多少人工智能，而是整个系统在其生命周期内工作的可靠性如何。

随着生产和发布后软件和模型的演进，汽车制造商还需要保留证据，证明每次更新在各种车型变体和多年的使用中都能安全运行。最终胜出的架构将是那些OEM能够以规模化方式最佳部署、验证、维护和负担得起的架构。

这种长期支持始于开发阶段，但也需要具备可扩展性。人工智能辅助工程可以加速交付，但其输出必须保持可追溯性和可复现性。

Elektrobit的Neukirchner表示：“人工智能正在推动汽车软件在设计、实现、测试、集成和认证方面的根本性变革。”“这有望缩短开发周期，提高工程生产力，并使SDV开发的复杂性更易于管理。但这取决于生成的软件和证据在整个生命周期中是否保持可追溯、可复现且受治理。同样重要的是，不要重蹈SDV项目中的一个常见错误——即把绿地开发的便利性作为重建一切的理由。更大的挑战在于复用现有资产，以确保商业可行性，同时实现跨车型平台、变体、年款和代际的可控演进。这种连续性对于使AI定义车辆（AIDV）的开发在规模化基础上具备经济可持续性至关重要。”

相关文章 SDV和AI迫使汽车行业发生重大变化 车辆架构、人工智能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 人工智能工作负载对汽车传感器施加了更大压力，迫使工程师重新思考安全关键系统可以被信任多久。