核心观点与关键数据
- 市场趋势：消费者对自动驾驶汽车的接受度日益提高，预计到2035年，多数消费者期待实现完全无人驾驶。全球ADAS软件和电子市场预计将以每年约16%的速度增长，到2035年将达到约1600亿美元，其中软件和域控制单元（DCU）将占据最大市场份额。
- 技术变革：自动驾驶技术正从基于规则的架构向端到端（E2E）AI架构转变。生成式AI加速了这一进程，使E2E系统能够直接从大规模数据集中学习驾驶行为，从而更有效地适应未知环境、处理更复杂的驾驶情况，并更快地改进。
- 架构选择：ADAS和自动驾驶领域主要形成三种架构：传统ADAS（AV 1.0）、混合架构和E2E架构（AV 2.0）。E2E架构在复杂多变的环境中表现更优，但面临可解释性等挑战，目前主要应用于Level 2+系统，而Level 3和Level 4的普及需要更多技术突破。
- 计算需求：E2E架构推动了汽车行业对计算能力需求的爆炸式增长。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，年复合增长率约为24%。NPUs和内存带宽成为关键瓶颈，而非单纯的计算性能。
- 基础设施挑战：E2E系统需要庞大的数据中心能力，其计算需求由模型复杂性、训练数据规模和模拟验证强度驱动。市场形成“计算轻”和“计算重”两种运营模式，前者依赖供应商技术栈，后者自研E2E模型并构建专用计算基础设施。
- 基础设施选址：企业需在云、本地数据中心和混合模式之间权衡。云模式提供速度和灵活性，但存在成本和锁定风险；本地模式提供控制和可预测性，但需大量前期投资；混合模式成为主流，平衡数据控制、成本、弹性和实验周期。
- 成本管理：AI数据中心成本高昂，企业需通过优化算法效率、基础设施和采购策略降低成本。包括采用混合精度训练、优化数据加载管道、提高GPU利用率、投资数据邻近性、采用合适的采购和租赁策略等。
- 价值链重构：E2E架构推动硬件和软件紧密协作，但长期趋势是两者分离。半导体选择正从硬件驱动转向软件驱动。生态系统合作加强，OEM与供应商、芯片设计公司、云服务商等形成联合开发项目。垂直整合加速，OEM自研AI芯片和软件，半导体公司向上拓展软件开发业务。
研究结论
自动驾驶正成为AI基础设施挑战与汽车工程挑战并存的领域。生成式AI加速了E2E架构的普及，推动了对计算能力、数据中心能力和跨行业合作的需求。成功的企业将结合汽车专业知识与软件、数据和计算能力，构建强大的AI生态系统，定义未来出行。
