自动驾驶如同一场马拉松竞赛，大家都往实现自动驾驶的方向中奔跑，虽然目标一致但大家的策略略有不同。而本篇文章也可以视为 智能驾驶从「春秋」步入「战国」时代？看四家技术代表如何演绎“百家争鸣”！  的下集。

何为马拉松呢？

在传统算法中，我们可以预见的是规模小的数据在人工计算中能够得到较为精准的优化。而应对智能驾驶系统这样庞大的数据量而言，依赖于人工显然不再现实。

所以自动驾驶真正的质变是要利用大量数据和计算优化出一个替代人工计算的大模型。

而这个模型需要大量的数据以及场景进行“打磨”，目前大家都处于婴儿期，仍旧需要解决千亿公里级的数据场景和问题，以达到一个实现自动算法驱动的精度，所以市场也因此划分了多种合作模式。

目录：

• 一、“窥探”智能驾驶的竞争格局
• 二、比喻谈合作模式：智能驾驶=特色帮菜
• 第一部分：硬件平台的合作模式
• 一、特斯拉代表的自研之路
• 二、硬件供应商代表
• 三、硬件供应商合作形式
• 第二部分：软件算法
• 一、四大难题
• 二、三种算法研发模式
• 三、自研技术路线解读
• 四、软件供应商的格局以及难点。
• 五、软件供应商合作模式解析
• 第三部分：总结

一、“窥探”智能驾驶的竞争格局

我们回顾过去的手机以及电脑时代。在 windows 系统未开放之前，大部分计算机公司都采用整机自研的方式，随后联想、三星、戴尔等公司拥抱开放的 windows 系统奋起直追。

而手机时代也类似，垂直自研的苹果公司从芯片、操作系统功自成一个生态，而小米、华为等公司拥抱更开放的安卓系统以及供应链体系，也开创出更多的互联生态链。

发展到智能电动车时代，我们也依旧能看到相似性。在供应链体系暂不稳定以及不完善的今天，特斯拉则以先发之势夺得话语权，而后起的车企也不甘示弱。

更为有趣的是，伴随着分布式电子电气架构逐步走向 E/E 架构的转变，带来硬件、通信架构的升级，下半场带来的软件、生态之争可谓更为精彩。

我们也看到市场也逐步从单一的大算力芯片之争走向芯片、操作系统、软件、数据多维的综合之争。

二、比喻谈合作模式：智能驾驶=特色帮菜

为助于大家理解以及方便讨论，我们先引入一个比喻带大家先展开今天的话题。

在上集中，我们把智能驾驶的技术发展比喻为盖房子，而今天我们把合作模式比喻为特色帮菜。

AI 计算的应用覆盖面很广，我们把其比喻为菜系，而智能驾驶就是其中的一道特色粤菜，而用户代表就是我们的食客。计算平台的作用就是为车企提供一个做菜的厨房。

对于通用平台的硬件供应商来说，它思考更多的是要兼顾各地的菜系，所以它们的焦点不是在自动驾驶本身，而是整个围绕芯片可应用的市场（各领域的钱都要赚），比如英伟达，所以这个厨房虽大，但粤菜的厨师们上不上手、适不适合真不好说。

而 Mobileye 代表的供应商本身是土生土长的粤菜起家，过去有很好的口碑以及行业地位。

它的想法是厨房、工具、菜谱甚至是厨师都是整个家族闭环来做，菜谱不可外传或者随意篡改。其实 Mobileye 最初的想法也没有错，因为过去博世时代的合作模式也是这样起家，但没想到智能驾驶市场发生了巨大的变化。

作为另一代表团是本土硬件供应商，我们可以把它们比喻为土生土长的粤菜本帮代表，他们本身很懂粤菜体系的需求，同时也基于粤菜而生，所以他们既能够提供一个合适的环境，同时本身更能近距离交流，可以和车企一起来定义产品，推动研发，提供各式各样灵活的服务。

而作为车企代表这边，思考的方式略有不同。

车企除了要确保满足用户的口味，同时也要有自身的特色招牌菜。所以部分坚持自研的车企，它们的优势是品类丰富多样，更新迭代的速度最快，用户最快尝鲜。

但风险在于如何保证自己坚持的路线是满足大部分受众的口味，也就是技术路线必须走的准确，一旦剑走偏锋，会很快遭受淘汰。

而还有一部分车企认为，既然自动驾驶是一件长期的事情，那倒不如我请一个供应商，帮我把厨房、工具、厨师等都安排好，我只需要探一探大众的口味，我来自己定义菜单，让厨师做菜即可，综合用户评价来控制口味咸淡，这样省时省钱省力，不也挺好？

第一部分：硬件平台的合作模式

我们正式进入正题，第一部分我们讨论当前自动驾驶硬件平台的代表，分别有自研代表以及供应商代表，同时这一部分的末尾我们讨论当前主流的硬件平台的合作模式。

一、特斯拉代表的自研之路

过去特斯拉的技术路线与大部分车企类似，都是采用单摄像头+车路模型，而步入更高阶的智能驾驶显然不够。

另外和当前国内新势力车企共同面对的问题一样，特斯拉对 Mobileye 的封闭性合作产生“分歧”，面对供应链并不成熟的市场，所以特斯拉走向自研芯片我们也可以认为是必然的。

特斯拉的纯视觉传感器方案的实现，离不开多任务学习神经网络架构，基于 8 摄像头融合的视觉方案。

Andrej说：“我们希望打造一个类似视觉皮层的神经网络，模拟大脑信息输入和输出的过程。就像光线进入到视网膜当中，利用多路摄像头来模拟这个过程。”

特斯拉是一个专注于特色帮菜的团队，但英伟达代表的供应商提供的是一个多帮派结合的厨房，工具很多，但是大多用不上，有些不好用，更多是使不上劲。

而 Mobileye 可以提供一个专门做粤菜的厨房，设备齐全、也很合手，但 Mobileye 必须让特斯拉用 Mobileye 自己的厨师团队，菜单还要保密，你只管吃就行...

如何提高自己在市场中的竞争力，上下两者都不是一个好的选择。所以特斯拉在介绍 FSD芯片设时就提到“只有一个客户是特斯拉”，这既降低了芯片的复杂性，同时又综合了功耗，算力、延时性以及安全性等。

二、供应商代表

除了自研代表，市场还有我们熟悉的供应商团队。此前我们在过去的文章中重点分享了 Mobileye、英伟达以及高通的方案： 2022 CES｜如何看自动驾驶三巨头开启的「内卷」时代？

所以我们此次拿了国内另外两家主流的芯片供应商做对比。

1、地平线：量产为先。

其实和特斯拉类似，地平线做智能驾驶芯片的出发点，也是围绕智能驾驶软件需求本身去定义芯片。

但地平线的风险性在于如果对于市场主流的软件算法没有太多的把握，那么很难设计一个较为高效并且有竞争力的硬件架构，另外也要考虑如何打造一个支持不同客户开发的工具链，才会得到市场的认可。

也就是打造一个厨房以外，还要针对自动驾驶的需求打造厨房布局、用具，精准定位，方便厨师们开发。

基于这样的思考，地平线认为 AI 计算需求的增长需要有专属的芯片架构，同时利用智能驾驶的应用场景去定义整个 AI 芯片。因为 AI 模型可以应用在不同场景，但不同场景对性能的需求不同，所以加速器的排布等都要做取舍。

在地平线征程 5 搭载的第三代 BPU贝叶斯架构中，针对智能驾驶上摄像头对周围物体、识别小物体、远处物体的检测上，地平线更聚焦于目标检测的平均帧率。

也就是目标检测能力越强，留给决策时间越长，无论是对安全以及对下游的规控模块都能带来更舒适的加减速体验。

2、黑芝麻：押注大算力。

AI 、自动驾驶以及芯片，三者的融合成为智能驾驶的“加速计”。但相比地平线，黑芝麻的目标略有不同。

面对未来全新的电子架构，软件系统会颠覆过去任意阶段，分布式的架构会步入集成式，更复杂的软件系统也催生了大算力芯片的需求。

在探索系统功能边界时，黑芝麻认为功能性硬件需「先行」， 所黑芝麻一开始的目标就是「堆料」，聚焦大算力。

黑芝麻也同样认为在智能驾驶中芯片算力并不是一味指的是 TOPS 算力，而是要追求综合算力，它不仅满足神经网络的加速这样单一的计算，而是要满足各种应用、各种各样的算法，这样大算力芯片才能有市场。

相比地平线“软件思考”带来的高效计算以及深度优化设计，黑芝麻则是一个铁打的理工男，专注于智能驾驶芯片的协同作战能力，为此黑芝麻针对智能驾驶的需求自研了 ISP 和 NPU 这两个核心 IP 。

例如 CPU 可以做自动驾驶的路径规划算法计算，GPU 可以提供在泊车全景拼接或者 3D 模型渲染、NPU 提供感知计算，ISP 提供了图象处理的计算能力等等。

而黑芝麻智能的研发团队也具备优势，横跨芯片和汽车两个行业，无论是车规、设计以及协调上都具备经验优势。

三、供应商合作形式

当前主流的合作模式有三种：

第一种为车企参与芯片定制合作。

对于一部分车企需要自研芯片的车企来说，从芯片的人才团队、成本、技术储备以及供应商管理出发，去主导一款芯片的设计、封装以及测试有较高的风险或者能力不足。

那么车企可以从芯片公司中按需求定制一款芯片，但目前乘用车落地的方案还比较少，更多为 Robotaxi 的科技公司居多。

第二种是通用平台的合作。

这种我们比较常见，例如目前主流的英伟达 Xavier 、Orin、Mobileye EQ4 等，例如蔚来 ET7、ET5、小鹏 G9 、理想全新车型、智己 L7 等都应用通用平台的方案。

这样车企可以将“注意力”聚焦在软件部分的开发，因为软件系统其实也需要与硬件的迭代共同匹配。

智能驾驶就如同一个跷跷板，需要平衡。

计算平台看似是一个关于硬件的事，但实际上要真的把它充分调动起来、把所有算力调动起来、用好，其实是软硬相结合的一个事情。

在新出行平台中，蔚来汽车智能驾驶负责人Harry Wong 提到““2.5Tops”还有很大的开垦空间，别慌。”

第三种硬件基础软件服务。

以硬件为基础，软件为服务的策略是当前国内芯片供应商的主流合作模式。

改变手机的既不是内存也不是 CPU ，而是 OS，是生态，智能驾驶也是同理，背后的软件模块化需要根据客户需求自由替换，可以兼容客户的操作系统以及算法，这个我们在下半部分的软件算法合作中也会提及。

国内芯片公司主打性价比和服务优势，才能有战胜例如英伟达等海外成熟的“开发商”的机会，这类芯片供应商需要有足够的开放性，这样才可以在平台上开发应用。

第二部分：软件算法

第一部分我们聊了硬件自研代表、供应商代表以及供应商的合作模式。

而这一部门我们从软件算法出发，从智能驾驶算法四大难题、智能驾驶算法的三大研发模式展开讨论，同时在自研、供应商合作模式两大类别和大家做分析。

一、四大难题

如我们一直提及的，软件定义汽车，其实这也从侧面看到软件的重要性。

我们上面比喻所讲的，硬件环境大可趋同、合作模式多样可选，但自动驾驶是“众口难调”，重在菜系产品本身。

目前自动驾驶中软件算法开发的四大难题：

第一是如何开发一套处理海量数据的系统，同时如何在数据中效筛选出有意义的数据。

目前摄像头传感器、激光雷达点云等信息融合后数据量更大，另外其中有意义的数据可能仅仅只有占 2-3%，必须做有效筛选。

第二是如何让智能驾驶的“眼睛”看得懂。

需要打造一个标注团队，比如自动标注、人工标注团队；

第三是打造仿真系统。

也就是考前多做《模拟卷》，通过模拟仿真来解决、优化部分复杂场景。

第四是地图。

特别是具备扩展性的高精地图，确保今天在某个城市可用，未来在多个城市甚至全国也能用，同时也要确保地图的鲜度。

二、三种算法研发模式

• 第一类是以全栈垂直自研；
• 第二类是由第三方企业提供全栈支持；
• 第三类是在第三方开放平台下部分垂直自研。

我们看到三者具有不同的优劣势，第一类全栈自研投入的人力、资金资源最大，在市场中具有“先发优势”，但长期看也会有“技术被淘汰”的风险，在智能化市场中大家都想做“苹果”。

第二类可以解放时间、人力以及金钱，但会走向“趋同”的路线，缺乏竞争力。

而第三类在解放基础人力、金钱投入中，坚持部分自研，打造一个共创的“安卓”时代。但风险性在于容易造成硬件供应商具依赖，前期竞争效应不足。

三、自研技术路线解读

了解的算法研发的背景，我们看看市场中的算法技术路线有哪些？

目前包括特斯拉、小鹏、理想、蔚来以及零跑等都宣布了自研，目前智能驾驶的软件方案也划分出三种。

• 一种是以特斯拉为主导的纯视觉方案，如同我们上面所提及的，特斯拉想打造一个类似人类视觉皮层的神经网络，利用摄像头来模拟大脑信息输入和输出的过程。
• 第二种是以小鹏、蔚来、理想以及零跑等为代表的多传感器融合的技术路线。
• 第三种是Moblileye 主导的激光雷达、摄像头以及毫米波雷达各自独立、互相冗余。

1、纯视觉技术路线：特斯拉代表

纯视觉技术路线坚持者认为过渡依赖激光雷达路线，后续算法的迭代会被激光雷达算法所“限制”；同时发展激光雷达路线如同短暂的“特效药”，无法推动视觉算法的进步，并不能根除智能驾驶所存在的难题。

另外在高精地图上，纯视觉方案能够很大程度减轻对高精地图的依赖，例如出现因高精地图更新不及时带来的风险，视觉会占优先级，可以时刻处理实时环境的变化。

无论是纯视觉还是多传感器方案，过去以单目/三目，利用感知 + 车路模型仅仅只能解决普通道路级辅助驾驶，而要做好更高级别的智能驾驶，大家开始思考如何融合多摄像头或者多传感器，利用高精地图等。

特斯拉的解决方式是利用 8 个摄像头传感器实时构建一个向量空间，把所有摄像头图像输入到同一个神经网络，直接在向量空间中输出（一个鸟瞰图），通过结合时间、空间以及环境实时统计分析，做实时处理。包括感知能力、地图构建、目标物的预测、规划等。

所以我们可以看到地图其实无论对任何一种技术来说，依旧是一个重点。特斯拉虽然没有用到高精需求高的地图，但其实也用到了众包地图的概念。

2、多传感器融合的技术路线：小鹏、蔚来、理想等代表

在人机共驾需要持续很长一段时间的前提下，多传感器的融合演绎“人多力量大”，包括高精地图、摄像头、毫米波雷达、超声波雷达以及激光雷达等在内的多传感器融合。

在算法上， 感知是开启智能驾驶的第一道钥匙，人多力量大”也就是能够通过不同传感器的优势来做判断。

比如一个简单的案例，我们对远处雪糕筒如何做正确的判断。

因为雪糕筒目标比较体积比较小，部分激光雷达的线束比较有限无法较早探测到，那摄像头可以利用长距、高分辨率图像提前获取信息，但图像又缺乏深度信息，所以通过累计多帧检测与激光雷达做结合，就能得到一个比较好的检测效果，这样融合的案例会有很多。

感知模块需要利用感知计算精准判断周围有什么物体（例如有车、有人、有十字路口等）、还要有这个物体的类别例如（例如数量、大小、类别、速度以及朝向等），同时需要有低延时性。

有了感知基础，我们下半部分就要把感知信息进一步输入到预测模块，结合高精地图作行为预测与规划。

这样的步骤需要在极低的延迟下完成，这对多传感器融合算法效率提出了很高的要求，并且在城市、高速以及泊车中的处理逻辑和方式也不为不同。

3、感知独立、相互冗余：Mobileye（极氪） 代表

Moblileye 认为 Robotaxi 的研发的路线不能逆向作为消费级 L4 乘用车研发，因为 Robotaxi 在规模化、成本、传感器数量等都和 L4 级的乘用车有所不同。

Mobileye 虽然是两条腿走，但 Moblileye 认为满足 L4 乘用车的前提是成本、规模以及效率。所以其相信单独一路基于纯视觉驱动，另一路是基于覆盖 360 度的激光雷达或者毫米波雷达。

Mobileye  试图把视觉、毫米波、激光雷达三路独立起来，各自冗余，各种发挥独立作用。

这样就能最大程度降低传感器的数量与依赖，降低成本。

所以如果搭载一个前置激光雷，那你就有视觉、图像级毫米波、激光雷达的三路独立的冗余系统，而不是目前主流的两路。而在成本以及功能上，如果你有环视的摄像头、毫米波雷达，就无须再覆盖四周的激光雷达。

四、软件供应商的格局以及难点。

 软件之争、其实是生态之争，除了自研团队，软件供应商的竞争更为激烈，大家都抢滩登陆智能驾驶的窗口。

1、做苹果还是做安卓？

正如我们上面提及的，芯片公司就像一个开发商，在一片荒地里建小区，单纯只有楼盘大家肯定不会来买，小区必须有周边配套才能吸引住户。

所以过去我们误解硬件供应商只需要做好硬件性能，就能稳住其作为供应商的地位，而在当前的智能驾驶市场看并不然。

如何与苹果构成竞争的另外一种手段，那么你就需要构建一个具灵活性、功能性的开放性生态，所以这也是一场关于“做苹果还是做安卓”之争。

2、供应商的难点。

如何确保生态的丰富性，那么灵活、开放的合作模式最为关键。

但有一个难题是，自研的路径只需要思考自给自足，但多元、开放的合作模式的难点在于既要满足多样性，又要保证各自特色。所以合作模式上也有三个难点：

第一是需要确保如何让硬件独立于算法。这样才能即确保了数据的独立性，同时也能够让软件兼容不同硬件。

在目前主流的合作中，其实我们看到绝大部分车企希望自己积累独立数据（因为合作上数据的所有权也在车企），但它们可能会切换不同的硬件平台。

第二是做好一个系统后，如何打造成一个公共平台。即今天在这个车能用的技术能否泛化到其他车型中，或者减少一定的开发量，这对后续开发的效率或者迭代有很强的关联，也真正发挥生态的作用。

第三地图的数据能否更新保证鲜度。不同客户的合作如何打造地图更新，特别是范伴随着智能驾驶覆盖范围的增长，如何保证大体量范围的更新。

五、软件供应商合作模式解析

1、全案合作

目前全案合作的典型代表。华为提供全家桶的合作模式，全部自产自研，这样的好处是软件与硬件的迭代可以共同互补、共同演进，同时也能保证一致性。

比如阿维塔 11 、极弧阿尔法 S 华为 HI 版等都采用了华为的智能驾驶全家桶方案，例如华为智能驾驶计算平台 MDC 、智能驾驶操作系统 AOS、激光雷达 等。

但这样的合作并不意味着“被绑架”，华为只是提供底层软硬件系统，但是车企依旧能够保留产品的话语权以及决定权。

华为智能汽车解决方案 BU 的 CMO 王凯曾提到：我们只是提供给客户食物原材料，但具体怎么烹饪，烹饪出高、低端的菜肴，都是由车企决定的。”

2、多模块合作。

目前华为、地平线、百度等供应商都支持多模块的合作形式。

比如比亚迪、长城沙龙等分别和地平线、华为、Momenta 的合作。部分车企的合作模式并不指定固定的供应商，甚至拆分了软件供应商、硬件供应商、算法供应商、芯片供应商，部分中间还有一个系统集成供应商，多模块合作。

而供应商的拆分也能够让自己不要过渡“捆绑”，同时多个供应商的储备也是让自己“走的更远”的重要前提。

这里有两个思考，第一个是部分车企实质是自研和采购两条路一起走，但技术路径上较为保守，所以会优先采纳市场主流的供应商方案。

而另一个思考过去也比较主流，过去一家车企的不同车型会划分 5-8 个不同芯片供应商，这样既能保证芯片的供应问题，同时也能对不同芯片做测试，多模块合作也是同理。

3、投资共赢合作模式

我们知道上汽不断追投一家科技公司，就是 Momenta，目前上汽也是 Momenta 最大的股东。

作为大投资方，双方的合作更加紧密，上汽与其的合作不仅停留在单一的功能层，而是要把 Momenta 整个智能驾驶生态放到整个公司战略中，技术先行。

这其中包括数据如何闭环、如何训练、地图如何更新、Robotaxi 车队如何运作等。我们都知道 Momenta的飞轮式是打通 L4 和 L2/L3 的驱动，两者实现互补，比如智己上的泊车、城市、高速辅助驾驶以及上汽 Robotaxi 车队也是基于这个技术框架来做。

所以投资合作的好处是技术优先级上可以先用，同时可以帮助车企构建属于智能驾驶的生态，这也是目前合作的一种思路。

而 Momenta 近几年在市场中较为活跃，除了上汽，包括比亚迪、长城以及通用等都展开合作，Momenta 的优势在于其作为一家数据驱动的合作商，更多是提供工具，不太像例如当前主流的 Robotaxi 车队科技公司合作时具有“交代码”的明感度。

三、总结

我们可以把上一期作为国内智能驾驶代表的上集，而我们这一集主要集中和大家分享国内主流的智能驾驶合作模式，当然本期介绍的部分供应商可能仅是当前市场中的冰山一角。

无论是自研或者是合作的模式，我依旧认为自动驾驶的发展是一场马拉松竞赛，而自动驾驶的本质问题，我认为依旧是计算视觉问题。

视觉的技术路线依旧无法绕过，视觉对机器理解物理世界、产出的数据丰富多样性、硬件的集成以及协同更为重要。

而高精地图其实也同理。或许有时候我们过于放大高精地图的作用，甚至我们常常“甩锅”给高精地图（认为未覆盖），但其实这样的思考反而会阻碍智能驾驶的进步。

即使完成高精地图的覆盖后，当某个道路出现修路或者事故时，位于车端的边缘计算也需要时刻做好准确的感知、决策与规划。

我们看到今年包括理想 NOA、小鹏 NGP 、蔚来 NOP PLUS、 NOP 、智己 IM AD、极氪 NZP 等也即将百花齐放，我们也静候智能驾驶下一场山花浪漫时...