AI 原生时代，自动驾驶正成为算力与基础设施的竞赛

随着生成式 AI 加速渗透汽车产业，自动驾驶已不再只是整车工程问题，而是演变为一场围绕 AI 模型、车载半导体、云基础设施与大规模数据的综合竞赛。麦肯锡最新研究指出，ADAS 与自动驾驶正进入「AI 原生」新阶段，行业竞争壁垒正从车辆本身向算力、软件与半导体能力迁移。

消费态度与市场动能

中国消费者对自动驾驶的乐观程度显著高于西方市场。麦肯锡调研显示，多数中国受访者相信到 2035 年大多数汽车将实现完全无人驾驶，而西方消费者中持相同预期的比例约为四分之一。Robotaxi（自动驾驶出租车）作为重要风向标，正被更广泛地接受——全球超 60% 的受访消费者表示会考虑使用，约半数预计未来几年出行费用将下降。

不过，消费者对技术落地的预期普遍快于行业专家。专家普遍判断：L2+ 级系统将在 2035 年前主导大众市场，L3 及以上系统大概率仍限定于特定场景与区域。整体看，全球 ADAS 软件与电子市场规模预计将以约 16% 的年复合增速扩张，到 2035 年达到约 1600 亿美元，其中软件与域控制器（DCU）将占据最大份额。

行业高管层面，2025 年 11 月针对 40 余位高管的非正式调研显示，ADAS 落地的三大核心挑战分别是安全保障（23%）、车载推理高算力需求（14%）与监管不确定性（14%）。

从规则驱动到端到端架构

过去十余年，ADAS 与自动驾驶主要依托规则驱动架构：工程师编写数千条明确指令，覆盖「检测到 10 米内有行人则触发制动」等具体场景，机器学习仅在感知等局部环节使用。

当下，两股力量正驱动架构变革：

生成式 AI 大幅加快技术迭代。端到端（E2E）架构可直接从大规模数据中学习驾驶行为，对陌生场景的泛化能力更强，驾驶表现更接近人类习惯。
L4 级技术攻关推动跨领域协作。半导体企业、整车厂与出行运营商合作日益常态化，多数项目采用「数据采集车队 → 限定场景人工监督验证 → 完全无人运营」的分阶段路径。

三类技术路线与设计分歧

当前 ADAS 领域已形成三类主流架构：

传统 ADAS（自动驾驶 1.0）：模块化流水线，感知、规划、控制相互独立，主体代码为人工编写的「if-then」规则。
混合架构：端到端学习与规则化安全机制结合，常以视觉-语言-动作（VLA）模型完成核心驾驶任务，叠加规则层监控安全边界。
端到端架构（自动驾驶 2.0）：基于 Transformer 统一模型，从原始传感器数据直接映射到驾驶决策与控制指令。

在端到端阵营内部，行业尚未形成统一设计共识，主要分为两条路线：

模块化端到端：由不同预训练模型分别承担感知与规划，但在端到端框架下联合训练。优势是中间输出可观测、可独立验证；短板是模块接口存在信息损耗，复杂场景泛化能力略弱。
单一体架构：单一模型同步完成感知、规划甚至控制。优势是消除模块接口、信息损耗更少；代价是技术复杂度激增、海量数据与算力需求难以满足，且模型决策过程难以直接观测，验证难度显著上升。

行业普遍认为，在高度多变的城市路况中，端到端架构表现优于传统系统；但其「黑箱」特性给安全验证、问题排查与监管审批带来阻碍，多数参与者预计 L2+ 规模化速度将快于完全自动驾驶，而 L3、L4 落地需要在数据效率、仿真覆盖与监管认可上同步突破。

车载算力：NPU 与内存成为新核心

向 AI 原生端到端架构的转型，正引发全行业算力需求爆发。麦肯锡预计，ADAS/自动驾驶处理芯片市场规模将从 2025 年的约 56 亿美元增长至 2035 年的超 460 亿美元，年复合增速约 24%，占整体汽车半导体市场的价值比例由不足 6% 提升至 22%，其中大中华区有望成为全球最大市场。

端到端架构最显著的变化之一，是车载 SoC 从「算力受限」转向「内存受限」：

算力构成重塑：早期 ADAS 以 GPU 为感知核心；端到端时代，针对 AI 推理优化的 NPU 成为算力主体，CPU 继续承担安全关键与系统调度，GPU 与 DSP 转向辅助角色。
内存带宽成为瓶颈：高分辨率传感器、庞大中间激活层与更大模型权重，对 LPDDR 高带宽内存与片上 SRAM 容量提出更高要求，越来越多行业参与者将内存架构视为端到端自动驾驶规模化的核心约束，而非峰值算力。
集中式计算平台兴起：单平台同时承载 ADAS、车载娱乐与车身控制，降低布线复杂度并简化 OTA 升级，但也带来不同安全等级、时延与可靠性工作负载的整合挑战，对可扩展架构与先进互联提出更高要求。

此外，确定性时延的重要性持续上升。ADAS 与自动驾驶依赖实时控制闭环，分布式架构虽具灵活性，却带来同步延迟与不可预测行为，难以在安全关键系统中完成验证，因此高度集成的计算架构在多数场景下更受青睐。

AI 基础设施挑战

除车端外，AI 原生端到端系统还需要庞大的数据中心算力。三大结构性力量正在推高算力需求：

模型复杂度与内存密集度提升：Transformer、多模态基础模型与 VLA 系统需要 GPU 集群训练与高算力车载中央计算机部署。
训练数据规模激增：需要数百万小时真实驾驶数据，支撑模仿学习、强化学习、长尾场景挖掘与持续迭代。
重仿真的验证模式：针对端到端「黑箱」特性，企业必须运行海量高保真闭环仿真，生成合成长尾场景、评估失效模式并持续重训练模型。

据此，行业正分化为「轻算力」与「重算力」两种模式：传统整车厂多采用轻算力模式，集成供应商成熟技术栈并做有限微调；自动驾驶出租车运营商与高度垂直整合的整车厂则走重算力路线，从零自研端到端模型，头部企业 AI 训练总算力规模已接近 9 万张 H100 等效 GPU。

硬件与软件的协同开发模式也日益主流——碎片化现成组件难以满足 L3、L4 所需的超低时延、高带宽与确定性安全，头部企业纷纷采用软硬件深度协同设计或为专属芯片定制软件。多数专家判断，长期方向是软硬件解耦，但也有少数观点认为高性能自动驾驶在安全关键场景中仍需深度集成的端到端协同设计。此外，「模块化混搭」生态——不同厂商优势软件模块运行在标准化硬件平台上——正成为第三种可能格局。