圆桌对话:构建智能网联汽车“软硬协同”的开放生态与技术路径


[汽车之家 行业] 10月21日~24日,第三十二届中国汽车工程学会年会暨展览会(SAECCE 2025)在中国重庆·科学会堂召开。SAECCE 2025通过汇聚行业智慧、展示前沿技术、搭建合作桥梁,并携手全球汽车科技力量,服务全球汽车科技发展,共创世界级汽车科技创新平台。

在SAECCE 2025于10月22日下午召开的“第十二届国际智能网联汽车技术年会全体会议暨智能网联主论坛”上,重庆长安汽车股份有限公司副总裁 贺刚、北京芯驰半导体科技股份有限公司董事长、创始人仇雨菁、芯擎科技创始人、联系董事长 汪凯先生、斑马智行高级副总裁 蔡明围绕《构建智能网联汽车“软硬协同”的开放生态与技术路径》主题展开圆桌对话。国家智能网联汽车创新中心常务副主任郭磊担任本场圆桌对话的主持人。

汽车之家

贺刚认为,未来的AI将聚焦“1+N+X”。1是指一个持续学习的云端Agent,N是指智能家居、智能手表等所有物理载体,X是指可链接的无穷多的其他Agent,而未来的人工智能时代将会是“ont Agent+私人N的物品+一大堆行业服务生态Agent”共存的形态。在他看来,这样的人工智能时代会很快到来,2028年或将出现大批量应用,2030年将实现one Agent握手各种各样的Agent。

汪凯表示,电子架构从分布式到集中式转变过程中,对芯片的要求越来越高,需要真正做到中央处理器解耦。这不仅需要先进制程来保证更大的算力,还需要通过模块化将软硬件进行分离,此外还要有大算力高速的级联让产品根据不同需求做出不同响应,最后还需要有标准的接口让不同的软硬件充分解耦。最终,芯片企业要给到企业的应是算力结构,而不仅是单一芯片的算力。

仇雨菁预计,大模型在未来有可能颠覆掉腾讯微信等入口,因为大模型在车上让他们看到了在智能座舱方面非常强的应用可能性。芯片企业在设计芯片时不应仅看重芯片的算力,还需要重视带宽的设计,让芯片算力真正发挥价值。同时,芯片企业还需要做好工具链的适配,支持好软硬件的结合,帮助客户把大模型的算力发挥出来。

蔡明认为,在AI的时代,核心是做能力。在他看来,大模型的未来很有可能是one model,智舱和智驾大模型最终会整合。 AI核心成长的三个维度,分别是思考、感知和记忆。在传统智舱AI里面,思考能力比较强,但感知和记忆能力非常薄弱。未来,AI将处于一直在听、一直在看的状态,所有数据不上云,所以记忆变得更有意义。感知和思考能够让AI变得更聪明,感知和记忆让AI变得更敏锐,记忆和思考让AI可以学习和成长。只有这三个维度都能平衡发展,AI才能真正向刚才想象那样成为类人的AI助理。

以下为对话实录(汽车之家精编):

郭磊:尊敬的各位来宾大家上午好!我是来自国家智能网联汽车创新中心的郭磊,很荣幸将由我来主持下面这场高端的对话环节。今天我们的对话主题是:构建智能网联汽车“软硬协同”的开放生态与技术路径。

大家都知道,随着人工智能、信息通信这些技术和汽车工业的深度融合,汽车这个产品已经从传统印象中只是一个交通运输工具,慢慢地升级迭代成智能化的移动空间。在这个产业升级转型的过程当中,我们其实可以看到芯片、操作系统、电子电气架构,这些核心的共性技术已经慢慢变成我们推动电动化、网联化发展的技术底座。今天我们很荣幸地邀请整车厂、芯片和操作系统等领域的四位行业专家,我们共同去探讨怎么去推动软硬件的协同,怎么去构建一个更加健康、美好的生态。

今天我们邀请到四位对话的嘉宾分别是:重庆长安汽车股份有限公司副总裁贺刚先生;北京芯驰半导体科技股份有限公司董事长、创始人仇雨菁女士;芯擎科技创始人、联系董事长汪凯先生;斑马智行高级副总裁蔡明先生。

本场对话分成三个核心的议题来展开。第一议题咱们聊一聊中央计算架构。其实我们都能观察到一个趋势,智能网联汽车系统集成度是越来越高的,从最早的分布式系统到今天域集中、域控制器已经慢慢变成了一个标配。站在今天的时点,我们能感受到向中央计算架构集中慢慢会变成一个行业的共识和趋势。

第一个问题我想请教来自主机厂来自长安汽车的贺刚总。从您眼中看,从主机厂的视角,您觉得中央计算架构在量产车型落地过程中目前还面临着哪些挑战?

贺刚:第一个问题是整个汽车行业都遇到的问题。我也亲身经历过从最早的分布式,也就是一个整车上面有100多个控制器,到后面集成完做了预控,大概节约了四五十个,到目前中央控再加区域控制这种方式,大概还剩下20来个控制器。这其实是一个演进的过程,这也是一个趋势,目前来说几乎所有的主机厂都走了这条路。

我记得2021年,当时跟华为一起研究下一代架构的时候,我们也提出来中央+区域能解决目前控制器数量多的问题、协同不好的问题,但是不太好解决一个安全性冗余的问题。所以当时考虑未来L3、L4以及安全性冗余的问题,我们又加了一个管网,那是要增加成本的,同时也做了千兆以太网为了增加通讯的效率。2024年,长安第一个长安启源E07和特斯拉的Cybertruck(参数|询价)同一时间上。当时也没交流过特斯拉怎么做的,出来之后发现大家走了同一条路线,中央+区域+管网的路线,他们也是奔着L1、L2、L3、L4去的。

在座几位,我们在这个过程中重新构建了很多,从芯片到硬件到软件到通信协议全部进行了构建重组,重组出来几个事,我们如何大带宽解决智驾问题、座舱通信问题以及服务原子化的问题以及安全的问题。

第二如何解决成本的问题,这里都遇到了很多坎坷,到最后能够留下来、能够走下来,到目前几乎全系都把整个SDA架构上去是很艰难的。这个过程中,感谢芯片企业芯驰、芯擎、斑马,还有英伟达等很多公司跟我们一起合作,做出来这样的架构进行推介。后面类似的架构也会在全行业进行铺开,因为大家对于安全的重视会越来越重。后面,我们也会保持一种开放的心态,也可以跟主机厂们甚至合作伙伴们进行一些合作,共同探讨未来下一代的架构以及能够赋能于飞行汽车、机器人等等的架构。

郭磊:谢谢贺总,这是来自主机厂的视角。下面我们想听听来自芯片企业的看法,我们下面想请教合芯擎的汪总,芯片企业怎么通过中央计算架构的设计实现硬件的解耦,能够更好地、更灵活地支撑智能汽车算力的需求。

汪凯:谢谢!刚刚嘉宾演讲时讲了一个非常重要的趋势,汽车从油车到电车转变的时候,我们发现电子架构发生了非常大的变化,那就是由分布式到集中式的转变。我们发现,它对芯片的要求越来越高,就讲到中央域控制器或者说控制器的要求,这里就牵扯一个非常重要的命题:算力以及制程都需要采用最好的。

芯擎科技2019年做国内首款7纳米车规芯片的设计,现在也是唯一一款能够大批量生产7纳米的车规芯片。设计过程中几方面跟大家分享一下,怎么能够真正做到中央处理器解耦。

第一,我们要看到的一定是先进的制程。你只有先进的制程才有机会保证更大的算力。所以我们在做的过程中,首先采用了多核异构的架构,在多核异构中你可以有不同的处理器,比如我们有CPU、MPU、MCU、GPU等等,这样它能够处理不同的功能、不同的需求。在这个过程中,当然也需要非常多的knowhow解决里面的内部结构,尤其是总线和数据流,这是必须的。

第二,一定要模块化。在芯片里面你需要有不同的模块来解决不同的问题,不仅仅是从多核异构角度来处理,而且要从模块化,比如监视处理、决策处理等等,这样我们才能把软硬件进行分离。

第三,在这个过程中一定要有大算力的级联,过程中怎么采用高速的级联让产品不断地分级化。我们看到,L2+到更高的L3、L4、L5,它的算力是不一样的,你不可能由单一芯片完成所有的性能。所以,我们在设计过程中包括推出来的星辰一号大算力的自动驾驶芯片也是一样,我们能够根据不同的需求做出不同的响应。比如你可以有128tops到256tops到512tops的算力,这样你才能满足不同的需求。

第四,一定要有标准的接口。这样你可以有不同的软硬件,在上面可以充分地解耦,能够根据你的需求,而不需要根据特定的接口解决问题。我们需要把硬件和软件协调起来,这里很重要的是平台的建设,所以我们在整个过程中也看到了,我们不仅要提供一个芯片给主机厂、给Tier1,同时还要把中间件、SDK、算子、算法,把整个参考设计一体给客户,这样很快能够进到市场中去。

最终,我们要给出的是算力结构中,不仅仅是单一芯片的算力。比如,我们在星辰一号里基本算力可以达到512tops,我们可以2—4个级联做到1000个tops,4个可以到2000个tops。这意味着,可以给整个产品线,是一系列的产品而不是单一的产品,让我们有机会在中央处理器融合基础上做到硬件的解耦。谢谢!

郭磊:谢谢汪总。下一个问题想提给芯驰科技的仇总。作为国内非常卓越的一家芯片企业,芯驰肯定跟很多主机厂都有合作。我们跟各家主机厂开发新一代电子电气架构过程中,您觉得现在还有哪些挑战?如何去面对如何去突破?谢谢。

仇雨菁:我们跟长安汽车、斑马都已经有很多的合作。我觉得,中国汽车的电子电气架构的演进比我们想象的还要快。2年前大家都在往这个方向去做,今年陆续有开始落地,2027年、2028年架构转型大家都会在这个阶段完成。

2年前,产业趋势还没有这么清楚。当时还有各种中间态的架构,现在看起来已经相对比较清晰。一是全区意识的,一个是区域加上功能,比如动力域、底盘域,这是我们看到两种比较多的架构。

芯片从产品定义到研发出来到流片到量产,至少需要2年的时间,2年以前当趋势没有那么明确时,我们跟非常多的主机厂做了交流,我们也结合自己的判断,就是未来什么样的架构对车是最友好的,在成本上、在算力的布置上是最合理的,我们通过结合自己的判断定义了新一代的产品,现在看起来大家也特别认可,是最符合现在异架构的产品。

这中间有很多的交流,我们在架构上怎么来分布算力,有些实时性的算力需要单核来控制,有些需要更大单核的算力但要跑更多的任务,这个其实是很多深入的交流。

现在芯片厂商和车企和Tier1不再是原来链条式的关系,大家是共创下一代产品。因为车的异架构它的能力很大程度上取决于芯片的能力,而芯片的能力又来自于车的需求,所以我觉得这个结合比以往要紧密的多得多。谢谢!

郭磊:谢谢仇总。咱们讲到,中央计算架构有一个话题是规避不开的,是关于软件、硬件怎么去协同的问题。我感觉,汽车工业在不同的发展阶段对软件、对硬件的认知也有不同的认识。最早期的时候,汽车在大家眼中就是纯硬件,软件占的比重非常低。有一个时期又提出一个口号,叫软件定义汽车。感觉那个时期大家普遍觉得软件的产值可能在汽车里马上要超过50%,硬件都不太重要了。最近又有一个说法,随着人工智能时代的来临算力的竞争,现在大家有一种感受是硬件性能有些过剩,但软件的体验又没有那么好。我们第二个核心议题是关于软件硬件的协同,这个话题里面第一个问题想抛给斑马智行的蔡总。从您的角度怎么更好地推动软件硬件的协同?我们也知道阿里OS服务于整个行业,阿里OS怎么跟底层不同的芯片平台更好地适配,从而打造更好的用户体验?

蔡明:这好像是个新问题,实际上是个老问题,本质上还是硬件配置价值最大化的问题,只不过是在人工智能时代重新面临一些新的问题。我简单说说,在原来传统车时候硬件配置价值释放非常直接,比如说轴距变大,脚就能伸得开;有真皮座椅,就会觉得很舒适;发动机的排量加大以后,超车更有劲了……这些东西特别容易形成体验闭环。到了智能车以后,我们探讨的硬件配置变成了芯片算力、数据带宽、传感器,这些因素没有任何一个是可以独立地形成体验闭环的。所以他们是交织在一起成为了一个复杂的智能化系统,这一下变成这个东西价值去释放变得很释放。

在AI时代智能化时代,产品做法跟以前有巨大的变化,它没有办法一个功能一个功能做,它首先要构建一个能力平台。在这个能力平台上,根据用户使用和不同场景生长出属于这个用户、这个场景的功能。它对于整个产品的开发我觉得是全新的变革和挑战。

如果是一个智能系统的话它的价值释放呈现什么状态?我觉得是呈现软件、硬件交替拉动周期性的状态。刚才主持人说硬件可能有冗余,我觉得有阶段性,一开始硬件比较强,软件想办法把硬件都用上,会带来软件能力爆发硬件捉襟见肘而硬件发新的版本,我们很熟悉PC行业、手机行业,PC里面英特尔、微软,手机里面iOS和各个版本,还有手机不停更新硬件版本都是这样一个规律。在这种行业里面,它会呈现早期可能硬件决定性更大。随着这个行业逐渐发展,硬件更加地成熟以后,可能会逐渐倾向于软件和服务成为差异化竞争的核心,我觉得大概是这么一个状态。

回到智能车这个行业,我认为要思考三个问题:第一我们处于哪个阶段,第二这个阶段有什么问题,第三在这个基础上我们该怎么做。

我有一些比较不成熟的想法在这里跟大家分享:

首先,我们跟手机、PC相比还是处于比较早期的阶段,现在硬件和软件在非常陡峭地发展,这是行业的共识。

第二,既然是早期阶段,为什么价值释放还不能够很快、很充分呢?

我认为有两个基本的核心系统还是在构建中。第一是完全整合的智能化系统,还没有完全地构建好,这里面还有大量的模块是相互有割裂、相互有妥协,可能是功能上妥协,可能是行业惯性上的妥协,使得现在智能系统里一个部分很先进了,因为它不能够贯通、完整、整合地把价值释放清楚,第一有一个系统还在成长中。

第二是交互系统。车的交互系统现在行业也有一个共识,未来认为是自然语言到整个的自然交互,实际上还远远没有稳定下来还是进行时。我们回看PC和手机,它的快速增长前提都是这两个系统已经发展非常稳定了。 我也相信在座各位和车厂和各位行业专家一起努力下,一定这两个系统的完善会非常快,也会迎来智能车更大价值的爆发。

第三,怎么做?我简单分享一下斑马的思考和做法。根据刚才提到两个问题,第一我们大力投入基于AI大模型的交互重构,来增加真正智舱使用场景和使用时长,因为时间关系我不做展开了。第二帮助车厂的客户、车企,一起去推动整体智能化的发展,这里面因为也有芯片厂商专家在这我稍微展开讲一下。

斑马作为一个软件的第三方服务商,我们要求操作系统以及AI解决方案必须具有非常广泛芯片平台的适配性,这是非常大的一个前提,只有这样才能真正释放芯片+操作系统+AI的能力,来缩短开发的周期,来提升开发效率。我们发展10年过程里,已经跟10多个芯片品牌有非常深入广泛的合作,已经把我们的软件产品适配到了30多个芯片平台上,特别是我们跟紫光展锐做了芯片和ROS的基线,能够让虚拟算力效能提升20%,适配时长可以降低50%,可以提高效率。今年4月份跟黑芝麻和芯驰做了战略合作的发布,我们跟芯擎也有很积极合作上的探讨,我们都在这方面做努力的工作。

综上,我们为了帮助车厂提升整体智能化发展,我们把自己定位于结合硬件、芯片、性能,打通到上层用户体验智能的引擎或者是智能的中枢。向上,我们把底层很复杂的硬件变成对于软件开发者非常简单的一些模块和积木,让他们非常容易在这个硬件上做开发,使得软件服务生态能够更繁荣。向下,我们跟芯片厂商密切配合,把硬件的效能最大化地解决出来,来把车厂花的每一分钱真正换成能够在市场上转化的用户体验和用户价值。

综上基本就是我们的一些思考和分享,谢谢!

郭磊:谢谢蔡总。蔡总讲到跟主机厂合作讲到一个很重要的概念是差异化。这个话题很重要,我想延伸开想听听芯擎汪总的看法。咱们跟主机厂合作肯定面临很多个性化的需求,你们怎么通过更好的解决方案应对差异化的需求?

汪凯:我们知道每个车厂都有各自的需求,过程中非常重要的是跟车厂本身进行非常深入的沟通和交流。比如说我们在开始的阶段,我们现在也给长安、吉利、一汽,将来还给海外的大众汽车进行供货。

这时候最重要一点是,要深刻了解客户的需求。因为你只有通过客户的需求才能够精确地把握性能、功耗以及成本的诉求,所以第一个是非常重要的。

第二,在这个基础上真正把架构做好。因为你如果没有一个好的架构是很难适应客户不同的需求,尤其是刚刚讲到在高算力、高融合的情况下,怎么样尽量把性能做上去把成本降下来。

第三,我们谈到了给研发一起做开发,但最终我们要落地。如果落地不能够真正跟供应链紧密结合起来把产品真正推到市场去,我们讲也是没有用的。

这三点是一个起点。需求角度,无非谈到PPA,就是性能、功耗、成本。芯片设计除了这三点以外,还有非常重要的一点,尤其是对车规芯片,车规芯片跟一般消费品芯片是不一样的,刚才很多嘉宾谈到了安全的问题。车规芯片是能真正保证你在今后若干年之内汽车的品质、驾驶的安全,我们认为这是第一要素,因此你真正把一个车规芯片从设计、点亮到真正的量产,是一个非常重要的指标。除了PPA以外,另外要加上一个P就是production,你不能够进入真正大量生产的时候,这个芯片的性能做的多好都是没有用的。

我们觉得这个过程中,怎么精确平衡这三点。在这三点基础上,你要通过公司的know-how,公司跟车厂、用户深度的交流,制定出他需要的产品。谢谢!

郭磊:谢谢汪总。刚才我们讨论了中央计算架构,又讨论了软硬结合。第三个议题我们聊一聊大模型上车这个话题。刚才,克强院士和冉斌老师都针对了人工智能大模型做了非常深入的探讨,这是来自于两位国际顶级专家的视角。下面我们也想听一听产业界的声音。首先想听听长安汽车贺总,从您的眼中看大模型上车这个事情目前对主机厂还有哪些挑战?您判断大模型在量产车型上的应用,产业化的进程大概是什么样后续迭代的过程?

贺刚:这个事好回答,也不好回答。首先整个人类的进步是靠人类以前做白日梦开始,大家在幻想未来,慢慢地实现,这个我觉得是一个过程。

最早看到的人工智能,像我们这一代人是机器猫、变形金刚。这是最早人工智能给我们具像化的展现。也许在座那么多人每个人人工智能的想法都是不一样的。我觉得,目前给我们做最好的梦是美国电影《钢铁侠》,里面的贾维斯,我不知道大家有没有具像化的一个概念,它聚焦了“1+N+X”的概念。

什么意思?有一个云端的Agent一直在学习,他比你的妈妈更懂你,甚至比你的老师更清楚你问题在哪里,你该缺什么样的复习资料。Agent持续跟着你,数据的喂养,跟着你学习持续地成长。N就是智能家居和智能手表,所有物理能连网的载体,你回家以后智能家居你告诉它开灯、开空调等等,你告诉智能音响就可以控停整个家庭,这个已经做得比较好了。只是现在怎么覆盖每一个载体,你的手表、耳机、iPad和办公用品上面全部铺上去,你的私有物品上就一个Agent,随时对它说完它就执行,你在车里面说你帮我把家里什么打开,你帮我把冰箱里面什么东西处理,扫地机器人帮我扫个地,一个Agent就可以全部打通。

为什么有N又有X呢?因为N是你的私人物品你可以一个Agent,但是X可能是其他的。举个例子,我给我的Agent说你帮我去打个车,它需要跟打车的Agent去握手,比如说打滴滴要跟滴滴握手,我要去淘宝买什么东西要跟淘宝握手,订个酒店要跟携程Agent握手。也就是说,这个无穷多载体的N会跟周边X的Agent握手,未来会成为ont Agent+私人N的物品+一大堆行业服务生态Agent共存的形态。

您说多久到来,我觉得很快了,因为现在已经通了,现在车控家庭已经打通了,控办公用品也打通了,我可以对着手机说,我不用拿出手机或者手表不说,我直接叫小易或追是Siri,未来是大模型成长能够带来更便利或者是信息安全或者是支付上面更靠谱的方式带来全面化的应用而已,我判断是2028年大批量应用在这上面,2030年随着所有Agent的成熟,one Agent握手各种各样的Agent会大批量展现出来。

郭磊:谢谢贺总。贺总讲人工智能上车、大模型上车也提到了座舱的应用,这是跟驾驶员、跟乘客交流更多的。下面这个问题请教斑马智行的蔡总,从您的角度看斑马将来推动人工智能车端应用时,怎么打造具有自己品牌辨识度核心竞争力的差异化。

蔡明:这个问题,我们跟很多车厂合作过程中大家都有讨论。车厂的客户非常关注差异性,我想稍微聊聊差异化出现在哪个层面上。大家有时候很担心我做的大模型怎么跟别人不一样,或者语音体验怎么跟人不一样。我的看法是,到底当做一个功能一个卖点做,还是当做一个基础能力来做。我的观点使很明确的,他是后者。

还是跟刚才的问题很相似。在AI的时代,核心是做能力。如果你能力没有构建好,未来的发展会非常受控。举个例子,自动驾驶,大家谈的比较多的是,自动驾驶不可能全局所有场景,一定最终是靠能力生长出来适应所有的场景,甚至很多场景想象不到,才有可能真正被应用起来。大模型也面临同样的问题,因为它的底层一样,未来很有可能是one model,智舱和智驾还会整合。所以。底层逻辑还是要构建能力,基于不同的用户和场景最后去进行不同的变化和生成。

我认为,它的差异化体现在,你构建足够强的能力后,有非常好的数据循环,我们就可以做一个双轮驱动。一个是车厂根据自己的品牌定位有车厂品牌的特性的这么一个轮;第二个轮是用户使用习惯的轮。这两个双轮驱动后,自然而然差异化体现在用户使用过程中,谁把这个能力构建得好,用户在使你汽车的时候它的差异性,或者对于个人满足性就越大,这是我的底层观念,就是差异化出现在哪里。

另外,我提供一个具体的思路,刚才贺总提出AI Agent框架我非常认同。这里我想强调一点:未来有一个关键的点是绕不过去的,全模态端到端的端模型解决方案。这个非常地重要,这也是一年多的实践自己的思考。

我稍微展开讲一下,AI核心成长的维度是三个:思考、感知和记忆。在传统智舱AI里面,思考的能力大家都还是比较强的,因为大家比较关注用最好的基模做训练,但感知能力非常受限,因为只能通过语言,他看不见,很多东西听了也不懂,只能转成语言才能理解,所以感知是很有限的。另外,记忆也非常薄弱。我刚才说的端模型解决方案核心可以解决什么方案,第一是常聆听和常睁眼,意味着感知能力被大大提升了,不再是被用户唤醒时,AI才会把这个环境发生关系,而是在那里不停地听和看。因此,也为智舱记忆系统提供一个前提。

以前你能记什么吗?你唤醒它一分钟都不到,20多秒记点东西。未来,你一直在听、一直在看,又是端侧能平衡好所有安全性,所有数据不上云,所以记忆变得更有意义也成为可能。感知和思考是能够让AI变得更聪明,感知和记忆让AI变得更敏锐,记忆和思考让AI可以学习和成长。只有这三个维度都能平衡发展,AI才能真正向刚才想象那样成为类人的AI助理,这是能力层面。

有了这样的能力以后,多模型解决方案就可以帮我们拓展大量主动智能的场景,有机会我们可以再做交流,不做展开了,这是我大概的一些思考跟大家分享。

郭磊:谢谢蔡总。今天我们对话环节的最后一个问题,我想留给台上唯一一位女士,仇总。我们第三个议题在讨论大模型、人工智能,人工智能上车应用对于芯片企业提出了更高的要求。从您的眼中看,芯片企业怎么通过芯片的设计以及更好地生态协同,能够更好地去支撑大模型上车产业化的落地,有请!

仇雨菁:我特别同意贺总刚才讲的,未来大模型的应用是“1+N+X”。这两天也看到一个新的观点,OpenAI未来可以成为万物互联的入口,因为它有非常好的记忆,这也是刚才蔡总讲的。因为它未来可以记住你所有的提问,记住你过往所有的行动、爱好、偏好,所以它连接到驾车、连接到购物、连接到衣食住行……它非常清楚你想要什么。所以,这个是未来大模型有非常大的用武之地,甚至可能颠覆掉腾讯、微信这些入口。因为大模型在车上,我们现在座舱这边看到是非常强的应用。我们因为是两块业务,一个是智能座舱,一个是智能控制,其实它都是跟大模型非常相关。我们在做智能座舱尤其是AI支持的时候,它对于芯片提出了更高的挑战。

比如说,端侧要支持TB级的大模型。现在芯片支持1.5B信息化差不多能够做到,但更高的是做不到的。不是说它的算力不支持,也不是说它的制程不够先进,真正的瓶颈并不是完全来自于算力,瓶颈来自于带宽,存储的带宽在很多场景下面限制大模型使用很大的瓶颈。

所以,我们在设计芯片的时候,大家通常会讲,你有100tops的算力,可是存储的带宽只能支持10个tops,你最终发挥作用也只有10个tops。以前大家对于这块没有重视。我们做了很细致的拆解,我们要把整个芯片里面所有对大模型使用的瓶颈找到,让它做得很均衡。这就是我们怎么样能够发挥出硬件每一分钱的价值。

第二个很重要的是,工具链的适配。因为大模型不断地在迭代。现在支持的算子,是不是未来还是同样的算子?现在模型架构,是不是能够应用于未来模型的架构?今天针对现有的大模型,它的工具链的优化是不是做到了最好?这在其他芯片供应商那边,大模型工具链的支持是很大的痛苦。因为工具链不够优化,本身可以并行计算的算子变成了串行,本身大模型NPO就是并行计算加速的引擎,因为你的编译器、工具链没有支持特别好。这个架构里面还出现了很多瓶颈。除了存储以外,大模型内部架构也有瓶颈,这一块也是我们可以做得更好的地方。

为什么软硬件协同?工具链结合是软硬件中间很重要的环节,把这块支持好、适配好,可以帮助我们能够把大模型的算力发挥出来。因为不断地提高制程,我们看到的是这个产品最终给客户带来的价值和能力,我们设计芯片时一定要从这些细节出发,而不是单纯强调多少算力。谢谢!

郭磊:谢谢仇总,也感谢四位嘉宾。今天,我们看似讨论了三个议题,我们从中央计算架构起步,聊到了软硬协同,刚才我们又探讨了人工智能,探讨了大模型的上车,我们好像也探讨一个问题,仇总刚才发言谈大模型又回到了软硬协同的话题上。

特别感谢四位嘉宾今天给我们带来了一场,第一是信息量非常丰富,第二确实是不同视角、不同角度的思想盛宴。通过今天讨论,到今天为止整个行业软件硬件协同还面临很多的技术挑战,但是从我们眼中看,软硬协同又是产业发展的必然路径,也特别希望在场、在座的各位企业、各位来宾能够共同去推动软硬协同技术的迭代,共同去构建一个更加健康的产业生态。再次感谢四位嘉宾!今天的对话环节到此结束了。



Source link

赞(0)
未经允许不得转载:程序员中文网 » 圆桌对话:构建智能网联汽车“软硬协同”的开放生态与技术路径
关于我们 免责申明 意见反馈 隐私政策
程序员中文网:公益在线网站,帮助学习者快速成长!
关注微信 技术交流
推荐文章
每天精选资源文章推送
推荐文章
随时随地碎片化学习
推荐文章
发现有趣的