麥肯錫發佈了一份報告《在生成式AI時代重塑自動駕駛》，自動駕駛正在從一個汽車工程問題，變成一個AI基礎設施問題。
圍繞軟體架構的換代、晶片和記憶體的軍備競賽和整個產業價值鏈的重新整合來探討，值得我們從晶片角度來看看。
01. 規則寫不出來了，交給模型學
自動駕駛行業的軟體架構正在經歷一次十幾年才遇到一次的大換代。
過去的做法是規則式的，工程師把"看到行人十米內要剎車""前方有錐桶要變道"這樣的指令一條條寫進程式碼。這套做法叫AV 1.0，天花板是永遠寫不完所有場景。
從規則式向端到端AI原生的轉移，端到端架構（AV 2.0）用Transformer模型直接學習從感測器輸入到駕駛決策的對應。
好處很明顯是在沒有見過的場景中也能做出合理反應，開起來更接近人類的駕駛行為。
落地路徑上，三種平行的架構選擇。
◎第一種是傳統做法，感知、規劃、控制各自獨立，程式碼大多是人工編的"if-then"規則，好處是每一步都透明可解釋，問題是適配不了複雜城市路況。
◎第二種是混合方案，用VLA（視覺語言動作）模型主導駕駛，外面再套一層規則做安全兜底。很多L2+系統走的就是這條路。
◎第三種是純端到端方案，一個模型同時處理感知和規劃。
它又分了兩個流派。
模組化端到端，感知和規劃是分開預訓練的模型，但聯合最佳化，好處是中間輸出可以獨立驗證，方便偵錯。
單片式端到端，一個巨型模型直接吃進感測器資料輸出駕駛指令，資訊損失最小，泛化能力最強，但像個黑盒子，你不知道它某個急剎到底是"看到了真的危險"還是"看錯了影子"。
端到端架構在高度變化的城市環境中表現得比傳統系統更好。但代價很大：模型可解釋性差，安全驗證困難，監管部門難以審批。
行業共識是，L2+會先大規模鋪開，因為人還在方向盤後面負責兜底。L3和L4靠純端到端上量，需要同時突破更省資料的AI模型、能模擬百萬級極端場景的模擬平台和更成熟的法律框架三個關卡。
多數中國消費者認為2035年之前大多數車就能實現完全無人駕駛，六成以上全球受訪者願意乘坐robotaxi。
中國市場最樂觀，消費者預期領先業界專家的判斷至少一個身位。
02. 晶片的戰場，真正的瓶頸不是算力
端到端架構帶來的算力需求爆炸，直接把晶片從"汽車的一個零部件"推成了"決定競爭力的核心變數"。
ADAS和自動駕駛處理半導體的全球市場，2025年約56億美元，到2035年會膨脹到超過460億美元，年複合增長率24%。ADAS/自動駕駛晶片在汽車半導體總價值中的佔比從不到6%跳到22%，大中華區預計是2035年最大的單一市場。
過去五年，行業一直在拼TOPS。誰的NPU算力更高，誰的晶片就跑得更快，這個邏輯在端到端時代不夠用了。
真正的瓶頸不是計算能力，是記憶體頻寬。
端到端模型參數量巨大，感測器資料流高解析度、多模態、高影格率，中間的啟動層資料體積遠超模型本身。系統在算力耗盡之前，頻寬已經先被堵死了。
系統變得受記憶體限制，而非受計算限制，高頻寬LPDDR記憶體、更大的片上SRAM快取、甚至HBM和先進封裝，正在取代TOPS數成為衡量下一代ADAS晶片的硬指標。
NPU也在取代GPU成為端到端晶片的主力。
◎AV 1.0時代，GPU用來跑感知模型；
◎到了AV 2.0，推理任務NPU更高效。CPU轉向做安全冗餘和系統調度，GPU退居輔助角色，做預處理和後處理。
延遲和確定性是另一個被忽略的維度。端到端系統的控制回路對時間精度的要求上了一個台階。感測器輸入、規劃決策、車輛執行這三個環節之間的時延，如果有幾個毫秒的不確定性，安全驗證的難度直接爆炸。
報告指出，片上互聯和低延遲通訊通道正在變成下一代E2E平台的關鍵設計約束。分佈式架構雖然靈活，但多晶片之間的同步延遲和安全驗證複雜度，很多整車廠承擔不起。
封裝也在卷。單片SoC提供最低延遲和最簡單的安全驗證，是當前主流。系統級封裝（SiP）是過渡方案，多顆die在一個封裝內協同。
Chiplet（芯粒）被認為是2030年後的終極解，可以把大晶片拆成小芯粒，升級某個功能不用重新設計整顆晶片。
但它在汽車安全場景下的驗證複雜度太高了，可能需要連接技術、軟體工具鏈和安全框架全部成熟以後才能真正上車。
03. 車不再是唯一的戰場，資料中心和軟體生態也在被改寫
端到端AI對算力的吞噬遠遠超出了車本身的範疇。傳統的ADAS開發，資料採集、標註、訓練、驗證的管線和今天的端到端系統比，算力需求不是一個數量級。
報告把驅動因素拆成三條：模型越來越複雜（Transformer、多模態基礎模型、VLA系統全都是巨型算力消耗者）、訓練資料規模膨脹（需要數百萬小時的真實駕駛資料做模仿學習和強化學習）、模擬驗證成為必需品（端到端模型太像黑盒，必須用海量高保真閉環模擬來生成極端場景、評估失敗模式）。
自動駕駛的經濟模型開始越來越像一個超大規模AI平台的經濟模型，行業已經分成了兩條路。
◎"輕算力"模式，傳統車企買現成的軟硬體方案，自己只做少量的車端適配，內部訓練算力需求不大。
◎"重算力"模式，robotaxi營運商和深度垂直整合的車企從頭訓練自己的端到端模型，需要的AI訓練叢集逼近90,000個H100等效GPU。
90,000個H100。這個數字放在五年前是科幻，放在今天是一個幾家頭部公司正在逼近的現實。
這麼多算力放在那，成了戰略問題。
◎全部上雲，彈性最好，但大模型訓練跑在雲端，GPU租賃費用在規模大了以後是一條陡峭的成本曲線。
◎全部自建，資料主權最安全，持續推理和工作負載的成本最可控，但缺乏彈性。
混合架構正在成為主流，資料和核心模型放在自己的機房，峰值訓練和模擬跑在雲端。
供給端還有一個更深層的趨勢：軟體和硬體正在經歷從耦合到解耦的長周期演變。今天為了追求極致的延時和確定性，頭部玩家在搞軟硬體協同設計，用專屬晶片跑專屬模型。
但報告引用多數業界專家的判斷，長期方向是軟硬體分離。車企要的是"感知、規劃、控制這些軟體層能在不同SoC上跑"。晶片公司也在投資開放介面、中介軟體抽象層和標準化軟體框架。
一個模組化的"混搭"生態可能在未來十年內形成：A公司做感知、B公司做規劃、C公司做模擬，全跑在標準化的硬體平台上。
小結
自動駕駛的下一個時代，競爭力取決於誰能建立行業最強的AI生態系統。
只把車造好的公司不夠，只把晶片做好的公司也不夠。能把汽車工程經驗、AI軟體能力、資料閉環和計算基礎設施這四樣東西同時做出來的人，才會定義未來出行的形態。 (芝能智芯)