原因
- 自动驾驶级别提升：随着自动驾驶级别从L2级向L5级迈进，车辆需要处理的实时数据量大幅增加。例如，单辆传统汽车可能配备超过100个传感器，每秒产生约25GB数据，每日数据量可超过11TB。高级别自动驾驶需要车端计算来对这些实时数据进行感知和决策，这对车端算力提出了更高的要求。
- 智能功能增加：智能汽车的功能不断丰富，除了自动驾驶，还包括智能座舱、智能交互等。以智能座舱为例，现在的车辆往往配备多个高清屏幕，需要同时运行多个独立的操作系统，这也需要强大的算力支持。
- 算法架构创新：大模型等先进算法在智能汽车中的应用越来越广泛。当大模型参数量突破万亿级时，算力需求呈现指数级增长。例如，某些先进算法通过动态神经网络剪枝技术，虽然提升了车载芯片的有效算力利用率，但整体上仍需要更多的算力来支持模型的运行。
- 汽车电子电气架构演进：传统分布扁平式的电子电气架构（EE架构）难以满足智能汽车发展需求，EE架构逐渐向中央计算（算力/存储/通信集中）、区域控制（传感器/执行器）的架构形态演进。在新架构中，中央计算平台需要承担更多的整车管理、逻辑运算等核心功能，这也促使算力需求大幅提升。
影响
- 推动芯片技术发展：为了满足智能汽车对算力的高需求，芯片制造商需要不断研发和推出更高性能的车规芯片。例如，英伟达、高通等是主流的智能汽车芯片提供商，国产芯片也在努力追赶，同时车企自研智能座舱芯片已成为新趋势。
- 促进云计算与边缘计算结合：智能汽车的算力需求不仅包括车端算力，还涉及云端算力。主机厂纷纷与云服务厂商合作建立智算中心以用于自动驾驶模型训练。同时，边缘计算也得到了发展，通过在靠近车辆的边缘服务器上处理部分数据，可以降低对车端算力的要求，减少数据传输延迟。
- 提升汽车智能化水平：更多的算力意味着智能汽车能够更快速、准确地处理各种数据，从而实现更高级别的自动驾驶功能，提供更智能的座舱体验和更便捷的人机交互。例如，车辆可以更精准地识别道路、障碍物、交通标识等，做出更合理的驾驶决策。
应对措施
- 优化算法：通过改进算法，提高算力利用率。例如，采用动态神经网络剪枝技术等，在不增加硬件成本的情况下，提升系统的性能。
- 采用异构计算架构：新型异构计算架构通过存算一体设计等方式，提高芯片的能效比和计算性能。例如，将内存访问延迟降至3.2纳秒，使芯片能效比达到18TOPS/W，相比传统方案提升2.5倍。
- 加强产业协作：车企、芯片制造商、云服务提供商等需要加强合作，共同推动智能汽车计算平台的升级和算力的提升。例如，腾讯智能汽车云通过全栈与公网隔离的方式，保障从研发到量产的全流程数据安全，为智能驾驶大模型训练提供高性能、高带宽、低延迟的智算能力支撑。
