人工智能生成时代重新发明自动驾驶

驶 随着原生人工智能系统逐渐普及，自动驾驶正成为一场围绕计算能力、软件、数据和半导体展开的竞赛。 本文由Dominik Hepp、Marc de Jong和Martin Kellner共同撰写，Annette Hafemann、Martina Vennettilli和Michael Guggenheimer代表麦肯锡半导体及汽车与组装实践领域的观点。 汽车行业正进入高级驾驶辅助系统（ADAS）和自动驾驶（AD）演进的新阶段——这一阶段越来越多地由生成式AI所定义。如今，生成式AI正加速向AI原生、端到端（E2E）架构转变，这些架构能够直接从海量数据集中学习驾驶行为。E2E系统可以更有效地适应未知环境，处理更复杂的驾驶情况，并在处理更多数据时更快地改进。 这些发展正在改变高级驾驶辅助系统/自动驾驶的经济格局。这不再仅仅是关于设计更好的车辆；竞争优势如今正转向那些能够结合人工智能模型、半导体、云基础设施、大规模数据收集以及高效集成硬件-软件系统验证能力的公司。这一转型正伴随着日益增长的消费者兴趣和自动驾驶领域投资的不断升温而展开。 在本报告中，我们探讨了消费者态度和技术进步如何为市场创造动力。随后，我们考察了人工智能如何重塑ADAS/AD领域——从端到端软件架构、车载计算到超大规模数据中心需求以及汽车价值链的重构。显而易见的是，自动驾驶正成为一个与汽车工程同等重要的AI基础设施挑战。 消费者态度与市场势头 到2035年，大多数汽车都将实现完全自动驾驶吗？这就是大多数人的看法。中国消费者——据麦肯锡未来出行中心最新消费者脉搏调查，大约四分之一的西方消费者也有此预期。事实上，ADAS和AD正迅速进入主流。车载智能驾驶辅助系统（ADAS）正越来越多地影响车辆的购买决策，尤其是在高端市场。 消费者也愿意乘坐自动驾驶汽车 (zìdòng hángchē)他们不拥有的，就像高速增长的自动驾驶出租车市场显示屏上。在全球范围内，消费者对自动驾驶出行服务的接受度正在提高。超过60%的受访消费者表示他们会考虑使用自动驾驶出租车其中大约有一半人预计未来几年乘车费用会下降（图1）。 然而，消费者预见的进步速度比行业专家要快。大多数音视频专家调查显示，人们普遍认为Level 2+系统将在2035年前主导大众市场，而Level 3及更高等级的系统 在该时期内可能仍将局限于特定的应用场景和地区。 预计，L2+ 系统的持续进步以及向 L4 自动驾驶的稳步发展，将推动全球 ADAS 软件和电子市场的持续增长，该市场预计将每年扩张约 16%，到 2035 年将达到约 1600 亿美元。软件和领域控制单元（DCU）预计将占据市场份额最大份额（见展位 2）。 图1 尽管势头强劲，但扩大自动驾驶规模仍然成本高昂且技术挑战巨大。软件开发、安全验证和大规模数据收集是主要的成本驱动因素。向端到端（E2E）人工智能架构的转变也增加了对计算基础设施、仿真能力和高性能半导体方面的需求。在对40多位行业领袖于2025年11月进行的一项非正式调查中，受访者将以下列为自动驾驶辅助系统（ADAS）面临的三大挑战：安全保障（23%）、车载推理所需的高计算需求（14%），以及监管和法律的不确定性（14%）。1 战略转变：从基于规则到端到端系统 十多年来，ADAS（高级驾驶辅助系统）和自动驾驶的进步很大程度上是由基于规则的软件架构驱动的，工程师们编写了数千条明确的指令来规范车辆应如何应对特定场景。这种方法使当今许多安全和便利功能得以实现——从自动紧急制动到自适应巡航控制——并为更高级别的自动驾驶奠定了基础。如今，该行业正经历一场深刻的结构性转型。 附件2 为什么建筑在改变 两大广泛的技术和战略力量正在加速向端到端架构的转型。 首先生成式人工智能这极大地加速了高级驾驶辅助系统（ADAS）和自动驾驶（AD）技术的进展。而传统系统依赖于显式编程规则或选择性机器学习（例如用于道路标志检测），端到端（E2E）架构则能直接从大规模数据集中学习驾驶行为，因此能更有效地泛化到不熟悉的情况，展现出更自然、更像人类的驾驶行为。 其次，为提升第四级能力所做的努力正推动生态系统中协作的加强。半导体公司、OEM厂商和移动运营商之间的合作日益普遍。在许多情况下，部署遵循分阶段模式：首先，数据收集车辆的队组收集真实世界的驾驶信息；接着，在受控环境中进行人工监督部署以验证系统性能；最后，公司引入完全无人驾驶运营。这些合作正在重塑竞争格局，并加速技术迭代。 三种自动驾驶与自主方法 在ADAS（参见展品3）中，主要有三种架构正在形成。它们通常结合多模态视觉模型与强化学习或模仿学习技术。有些采用单一模型同时处理感知、规划和控制；而在另一些中，则联合训练多个模型。 这两项架构遵循了第一代自动语音识别（AV）技术中常见的、基于规则的传统系统。 —传统ADAS（AV 1.0）的架构基于模块化管道，将感知、规划和控制分离为不同的软件层。大部分代码是手写的，针对特定驾驶场景（例如，“如果检测到行人距离在十米内，则制动”）具有明确的“如果-那么”规则，并且仅在层内有限使用人工智能（例如机器学习）。 —混合架构结合了端到端学习与基于规则的防护措施，通常依赖人工智能——包括视觉-语言-行动（VLA）模型——来处理主要的驱动任务，同时额外的规则监控输出并执行安全约束。 第三种架构，E2E，被视为第二代自动驾驶技术，即自动驾驶2.0。它使用基于Transformer的模型，并在基于互联网规模和车辆生成的数据集上进行训练，以学习复杂的驾驶行为，并在不同的环境中进行泛化。 在追求端到端自主性的公司中，设计上尚无统一共识。一种主要的设计理念涉及模块化系统，该系统结合了人工智能学习的优势与模块化工程的透明性。独立的预训练模型负责处理感知和规划等功能，但这些模型是在端到端优化框架内联合训练的。这种结构具有几项优势。中间输出保持可见且可独立验证，使得调试和安全分析更易于管理。开发者还可以使用闭环仿真技术——特别是针对规划层——以提高效率。然而，模块化结构可能在组件之间的接口处引入信息丢失。它也导致在复杂的现实场景中泛化能力略有降低。 第二种设计理念依赖于单体架构，该架构使用单个模型同时处理感知和规划，在某些情况下甚至控制车辆。支持者认为，消除模块之间的接口可以减少信息丢失，并实现更强的泛化能力。其代价是技术复杂度大大提高。单体系统需要海量的训练数据、广泛的计算资源以及高度复杂的模拟环境。同时，验证也变得困难得多，因为模型决策过程通常不可直接观察。 业内日益形成共识，端到端架构在多变驾驶环境下能够优于传统系统。它们能够适应工程师可能从未遇到的情况。 附件3 已明确预见——这一能力在城市环境中尤为重要，因为城市驾驶条件充满动态性和模糊性。但这些优势也带来一个重大挑战：可解释性。与模块化基于规则的系统不同，端到端模型通常如同“黑箱”。工程师或许能观察到系统的行为，却无法完全理解其为何做出特定决策。这使安全验证、调试和监管审批变得复杂。 这些限制正在塑造人们对不同级别自动驾驶规模化速度的预期。许多行业参与者预计，L2+级别的系统将比完全自动驾驶汽车规模化得更快。在L2+应用中，人类驾驶员仍需负责监督，从而减轻了证明整个系统安全性的负担。要实现L3和L4级别的部署规模化，纯端到端（E2E）算法可能需要在多个领域同时取得突破：更数据高效的AI模型、用于验证罕见边缘情况的大规模模拟能力，以及更广泛的监管认可。将监督安全层级添加到E2E算法中的混合方法，可能会加速E2E模型在L3和L4车辆中的采用。 与此同时，向AI原生端到端架构的转变正推动汽车行业计算需求激增。半导体和车载计算平台正成为关键竞争优势。 计算：车内需求的新时代 汽车半导体市场正在迅速发展。主要趋势包括采用图形处理单元（GPU）和神经处理单元（NPU）用于人工智能工作负载，信息娱乐和ADAS应用对计算性能要求的提升，以及新兴例如融合系统级芯片（SoC）和芯粒的架构能够高效地在单个芯片上运行具有不同安全要求的多款应用程序——例如信息娱乐系统和高级驾驶辅助系统。 ADAS/AD处理半导体市场预计将从2025年的约56亿美元增长到2035年的超过460亿美元——相当于约24%的年复合增长率（参见附表4）。这一增长速度远超汽车行业的整体半导体市场ADAS/AD处理半导体在汽车半导体价值中的占比预计将从2025年的不到6%增长至2035年的22%。预计所有地区都将实现增长，但到2035年，大中华区可能成为最大的市场。 这种快速增长反映了自动驾驶系统设计和部署方式的更广泛转变。随着行业从基于规则的ADAS过渡到端到端人工智能系统，车载计算需求急剧上升。未来的系统必须在严格的延迟和安全约束下，实时处理大量多模态传感器数据，并持续运行大型人工智能模型。单纯的计算性能已不再足够；NPU、内存带宽和先进封装技术现在正成为决定性的战略因素。 NPU的核心作用和内存带宽 下一代汽车计算正由三大结构趋势驱动。首先，自动驾驶辅助系统（ADAS）水平的提升以及高分辨率摄像头、雷达和激光雷达传感器的日益广泛使用，正急剧增加计算需求。更高的自主性水平要求系统在毫秒级时间内处理更多数据、解析更复杂的环境，并执行更精密的规划算法。 其次，端到端架构的转向正在从根本上改变汽车SoC的内部构成。在早期的ADAS世代中，GPU通常作为感知工作负载的主要加速引擎。然而，在端到端架构中，NPU正成为主导的计算单元，因为它们针对AI推理进行了优化。中央处理器（CPU）继续管理安全关键功能及整体系统编排，特别是对于需要符合汽车安全完整性等级（ASIL）的系统。GPU和数字信号处理器（DSP）则向支持角色转型，处理诸如预处理和后处理、可视化以及与AI训练生态系统兼容等任务。 图4 第三，该行业正朝着能够同时处理高级驾驶辅助系统（ADAS）、信息娱乐系统和车身控制功能的集中式计算平台发展。这些架构降低了布线复杂性，提高了软件可升级性，简化了空中下载（OTA）更新，并为在整个车辆生命周期中部署人工智能驱动功能创造了更大的灵活性。但它们也将混合关键性工作负载——这些工作负载具有差异巨大的延迟、可靠性和安全性要求——引入到单一平台，从而带来了技术挑战。因此，可扩展架构和先进的互连技术正变得越来越重要。 为什么今天的基准难以扩展 当前的ADAS系统级芯片（SoC）通常提供约100至400（INT8）万亿次运算每秒（TOPS）。这些平台已经集成了多种异构计算单元——包括CPU、GPU、NPU和DSP——但随着AI工作负载的需求日益增长，其架构平衡正在发生转变。与早期产品相比，新一代芯片将更大的硅片面积分配给了NPU而非GPU，这反映了AI推理在端到端系统中的主导地位日益增强。CPU仍负责处理安全关键功能、系统协调和冗余。 然而，原始的计算性能已不再是下一代ADAS系统的首要制约因素。随着端到端架构处理更大的人工智能模型和日益丰富的传感器数据流，行业正面临一项新的挑战：如何在实时内高效地通过系统传输大量数据。 真正的瓶颈：内存带宽。E2E ADAS架构的一个重大转变是，由于参数数量庞大、高分辨率传感器流以及大量的中间激活层，系统变得从根本上受内存限制，而非计算限制。内存带宽——以每秒千兆字节衡量——正日益定义可行性。因此，高带宽LPDDR DRAM和更大的片上SRAM缓存正成为至关重要的设计参数。车辆还需要更多的非易失性内存来存储更大的模型权重并支持频繁的软件更新。 这些要求对成本、热设计和封装策略具有重大影响。高带宽内存和先进封装等技术在解决带宽限制方面有所帮助，但也增加了成本和系统复杂性。如今，许多行业参与者认为，内存架构——而非峰值TOPS——是扩展端到端自主性的主要瓶颈。 内存的重要性已超越汽车领域。AI需求正引发内存芯片短缺。根据研究咨询机构Omdia的数据，超大规模企业正加速采购内存，到2025年，服务器将占DRAM需求的50%以上。全球DRAM销售额从202