北京研精毕智信息咨询有限公司

1.传感器及控制单元繁杂

车辆中的传感器与各种电子电气系统的信息传输与控制都由汽车电子控制器(ECU)完成，ECU在制动系统、变速系统、悬架系统、安全系统、驱动系统，以及自动驾驶、辅助驾驶、智能座舱等都有广泛应用，据北京研精毕智统计2019年中国汽车单车ECU数量大约为20-30个，目前的智化较高的车型，主要ECU数量可能超过100个。

2.环境感知融合带来实时数据处理挑战

智能汽车需要处理传感器(摄像头、激光雷达、雷达和超声波)捕获的海量数据，它必须提供实时反馈，例如交通状况、事件、天气状况、路标、交通信号等。需要每秒数万亿次计算操作(TOPS)来同时处理多个具有挑战性的任务(例如，对象提取、检测、分割、跟踪等)根据北京研精毕智的测算，智能汽车每小时各种传感器累计产生的数据量大约为1.4TB-19TB。

3.算法模型还不能应对长尾场景

超过95%的车祸是由于各种人为错误造成的，但是对于完全自动驾驶技术量产而言，在伦理、法律要求下，Al技术不成熟导致车祸是不能接受的。使用更先进的AI模型算法，采用更为完备的训练标注数据，虽然可以提高自动驾驶的安全性和准确性，然而，极端情况仍然是需要人类驾驶者来干预，至少目前为止还没有算法可以解决所有的极端场景。

4.AI算法演进周期快于智能芯片设计周期

当前，AI算法演进周期跟智能芯片设计周期之间的矛盾非常突出。AI算法演进速度非常快，在过去10年时间里，差不多每年都有会新的深度学习算法模型出现。据统计，大概每14个月，新的模型就能将计算效率提升一倍，但典型的车载芯片开发周期需要三年。算法优化会对计算平台架构带来巨大的挑战，计算平台架构必须根据算法的特点进行特定优化，才能保持足够的计算效率和性能。

5.缺乏大算力低功耗的车载智能芯片方案

不断迭代的算法和模型，都对AI基础硬件计算平台提出更为刻的计算要求。当下，多数自动驾驶技术都在基于GPU(图形处理片)进行AI(深度神经网络计算)但GPU不像定制芯片(ASIC)那样高能效比或具有成本效益。最大的问题之一是功耗，要使L3以上的工作完美无缺，我们需要1000瓦以上的功耗来处理来自多个摄像头、雷达、激光雷达等的实时海量数据。巨大的能耗需求，对电动汽车的电量存储发起巨大挑战。