文｜車百智庫 倪凱

算力在最近幾年成為熱點，汽車行業也概莫能外。但凡有新車型發布，幾乎都會提到其搭載芯片的算力。國內外整車企業爭相對算力進行大舉投入，甚至自研相關芯片。近日，馬斯克就在社交媒體上表示，2024年特斯拉將投資100億美元用于人工智能的訓練和推理。

算力究竟是什么，又為何受到如此關注？

算力，即計算的能力。作為智能的要素和底座，算力將成為推動汽車智能化、汽車行業數字化的重要力量。在今天大模型發展趨勢下，這種重要性表現得更加突出。

過去幾年，車端算力芯片受到行業高度關注。隨著汽車智能化的競爭重點從算法轉向數據和算力，云端算力將成為車企未來幾年競爭的關鍵。

今天，汽車與算力兩個產業正進行著交流和碰撞。未來的汽車將越來越依賴計算能力。而我國新能源智能汽車產業的蓬勃活力，也將有力帶動算力產業發展。

一、何為算力

算力，即計算的能力，一般用于表示某個設備或系統的計算性能。從智能駕駛計算芯片，到用于算法訓練的超大規模集群，這些設備或系統都在提供著不同種類、不同規模的算力。算力無處不在，已成為推動經濟和社會發展的關鍵生產力。

算力原本只是超算領域關注的對象，代表著人們對計算極致能力的不懈追求。深度學習技術的興起帶來了人工智能的熱潮。人們把算力、算法和數據歸結為智能的三大要素。由此，算力一詞開始備受關注。

算力有多種表征指標，包括每秒百萬次指令數（MIPS）、每秒浮點操作數（FLOPS）、每秒定點操作數（OPS）等。比如，一顆人工智能計算芯片的算力是256 TOPS，一臺超級計算機的算力是1 EFLOPS。

算力的基礎是各類高性能計算芯片。最重要和為人熟知的計算芯片是CPU（中央處理器）和GPU（圖形處理器）。CPU是計算設備的運算和控制核心，適合處理邏輯復雜的串行任務。GPU早期主要用來加速圖像計算任務，由于其更加側重計算而非邏輯控制，并能很好地支持并行計算，成為目前提供算力的主要芯片。

圖：CPU與GPU芯片設計對比

二、汽車算力：從車端到云端

當前，電動化、智能化已成為汽車產業的發展趨勢。人們對汽車的關注點從油耗轉向動力電池的續航里程，從發動機的加速性能轉向芯片的算力。不論是電子電氣架構、還是智能駕駛等解決方案，很大程度上都需要考慮算力的分布和有效利用。算力已成為智能汽車的核心要素。

提到車端算力，最具代表性的可能是汽車智能駕駛芯片。當前主流的車端智能駕駛芯片算力已達數十到數百TOPS。車端算力芯片的主要供應商包括英偉達、Mobileye、高通等。近年來，國內也涌現出地平線、黑芝麻等一批企業。

車端算力芯片存在多種技術架構。高端芯片一般基于通用GPU架構，提供較高的通用算力，以適應不同模型與解決方案。中低端芯片多以ASIC（專用集成電路）為主，與算法深度綁定，更加追求功耗、性能和成本的平衡。

相比車端計算芯片，云端芯片需要承擔復雜的訓練任務和海量的數據處理，且對功耗和成本的要求相對車端寬松，其算力更為強勁，計算架構以通用GPU為主。在數據中心算力芯片領域，英偉達公司占據著絕對的龍頭地位。

云端算力的供給主要有三種模式。

第一種是汽車企業自建算力中心。例如谷歌、特斯拉等頭部企業通過自建專有計算集群的方式，提升自身業務運行效能。部分企業還會根據自身業務特點，研發專用芯片，以降低算力成本。

第二種是智能計算云服務。例如亞馬遜、阿里云等云計算企業以云服務模式向汽車企業提供算力資源及技術服務。

第三種是公共智能計算中心。公共智能計算中心以地方政府主導建設為主，主要支撐當地汽車企業、科技企業、科研機構和高校的人工智能技術與應用創新。

三、云端算力成為汽車企業競爭的關鍵

隨著新一代人工智能技術的快速發展和突破，算力需求呈爆發式增長。根據Jaime Sevilla等人的研究，機器學習所需算力的增長可以分為前深度學習時代、深度學習時代和大規模時代三個階段。在2010年之前，模型訓練所需算力增長基本符合摩爾定律，大約每20個月翻一番。自2010年左右深度學習問世以來，模型訓練所需算力快速增長，大約每6個月翻一番。特別是到2015至2016年左右，大模型的出現使得訓練所需算力規模提升了1到2個數量級。

圖：人工智能模型訓練所需算力增長趨勢

算力增長的背后，是模型和訓練數據規模的增長。從 2016年到2020年，模型的參數量大概每18個月增長40倍；而同期英偉達GPU的計算增長速度僅為每18個月1.7倍。當前大模型的訓練需要數以千計的GPU芯片組成大規模計算系統。

依靠大算力來推動人工智能發展，是當今人工智能發展的重要特征。強化學習先驅理查德·薩頓(Richard Sutton)在其博客文章《苦澀的教訓》中指出，“回顧70年來的人工智能研究，從中得出的最重要的經驗是，基于計算力的通用方法，是最有效的方法。”今天，這個通用方法就是深度學習，計算力就是以通用GPU為代表的高性能算力。

當前，BEV+Transformer感知架構已成為行業主流，以數據驅動成為系統迭代的關鍵手段。智能駕駛的技術路徑已日漸清晰，算法已逐漸趨同。汽車企業的比拼更多是產品落地和快速迭代，是工程化、產品化和成本控制的能力，是更為流暢的用戶體驗。在這個過程中，算法更新的速度已經放緩，算力成為競爭的關鍵。

四、汽車與算力，相向而行

在汽車與算力領域，有兩家具有全球影響力的企業，那就是特斯拉與英偉達。

從電動汽車到自動駕駛，特斯拉一路引領行業創新的方向。一直以來，特斯拉堅持依靠算力和數據提升其自動駕駛能力。憑借前瞻的眼光和強大的工程能力，特斯拉不僅自研車端自動駕駛芯片和云端數據中心芯片，還投資、設計并建造自有數據中心，其算力規模位居全球前列，預計到今年底會達100 EFLOPS。

相比特斯拉，英偉達在汽車行業的知名度似乎略遜一籌，但其實際影響力可能有過之而無不及。憑借其領先的GPU芯片和CUDA平臺，英偉達處于全球智能計算生態的核心，對于自動駕駛算法和芯片的發展走向擁有巨大的影響力。其最新的DRIVE Thor芯片，采用與云端芯片相同的架構，為下一步車云協同建立了基礎。

從特斯拉與英偉達的相互跨界，我們可以看到汽車與算力兩個產業正在發生的交流與碰撞。

汽車的數字化和智能化，是汽車吸收引進包括人工智能在內的多種數字技術過程，是汽車企業打造創新的產品和商業模式的過程，需要汽車、信息通信、互聯網等多個行業進行充分合作。在這其中，算力作為智能的基礎底座，將成為推動汽車智能化和汽車行業數字化的重要力量。

經過多年不懈努力，我國在新能源智能網聯汽車賽道上取得了一定領先優勢。從全球產業鏈來看，我國在動力電池、傳感器、網絡通信、智能化應用等領域均具備較強競爭力，但在智能化底層的計算領域，我國仍然處于跟隨地位，面臨卡脖子問題。

汽車產業是十萬億量級的產業，涵蓋了眾多的人工智能應用場景，也是智能計算芯片的廣闊市場。更為重要的是，電動化和智能化帶來的汽車架構的變革，對計算芯片、基礎軟件、車內車外通信都提出了新的需求，給國產企業帶來了難得的創新產品和拓展生態的機會和空間。

汽車與計算都是橫跨制造與信息服務的龐大產業。汽車產業正在經歷數字化的洗禮，向著高端制造和服務業邁進；計算產業正在尋求新的應用載體和平臺，并爭取實現自主可控。兩個行業彼此交流、相互促進，必將有力帶動我國數字經濟發展，更好地服務人類未來美好生活。