自动驾驶的云上算力竞争正在愈演愈烈。2022 年起，百度智能云与长安汽车合作建设自动驾驶智算中心，为长安汽车的车联网、自动驾驶相关业务提供统一算力底座。刚过去的 6 月，理想的智算中心定址山西。早于理想一年，小鹏在乌兰察布也落地了专用于自动驾驶模型训练的智算中心——扶摇。

在汽车智能化的浪潮下，“云”正逐渐成为决定车企自动驾驶研发能力的关键领域。而算力作为云上能力的重要组成，在这几年也不断搅动着自动驾驶的市场热度。

大模型下的自动驾驶

虽然国内自动驾驶持续高速发展，但真正实现高阶自动驾驶仍然有很长的路要走。自动驾驶商业化落地加速，数据成几何式增长，如何让软硬件融合匹配、如何更高效处理车辆产生的大数据、上下游企业如何进一步打通协同等等，都是目前自动驾驶仍然存在的行业痛点。我国自动驾驶发展走向下一步急需形成突破。

目前，我国主流车企已经基本达到较为基础的 L2 级自动驾驶水平，渗透率和装配率都大幅提升。部分位于发展前列的车企更是已经开始推出具有导航领航功能的辅助驾驶，不过因为政策法规的原因，我们仍然称其为 L2+ 级自动驾驶。

在这个基础上形成突破，我们首先需要知道自动驾驶未来发展的几个关键技术层面。

首先，相比过去实现单一的自动驾驶辅助功能，向更高阶段自动驾驶能力发展，必须要拥有平台化和体系化的研发能力，就像整车平台一样，利用研发平台实现对感知层、决策层和执行层的统一规划和模块化管理，从而大幅提升各项功能和系统协同的开发效率，有效降低开发成本。

其次是数据的支撑。作为训练自动驾驶算法的基础，数据已经成为自动驾驶发展的核心竞争力之一，对于自动驾驶公司来说，数据闭环迭代能力和合规安全的数据库尤为重要。像发展迅速的特斯拉 FSD，就是依靠庞大保有量的车辆提供的大数据，构成了特斯拉 " 重算法 " 策略的研发基础。但这目前仍是我国自动驾驶相对的薄弱环节，数据体量和协同能力仍有很大发展空间。

在此基础上，就要说到近些年来愈加火热的话题—— AI 技术和算力。有了 AI 算法的加持，在自动驾驶各个层面进行数据处理分析和决策控制，并自我迭代升级持续优化算法，将大大加速自动驾驶研发的速度，成为未来起到决定性的因素。尤其是今年以大模型为代表的 AI 技术的推出，让我们看到了 AI 更大的潜力和与自动驾驶领域结合的可能，各家车企也在纷纷加码 AI 技术，加大投入自研各自的算法。而要想让大模型能够真正部署在自动驾驶车辆上，显然是无法离开云计算的。

自动驾驶上云成共识

自动驾驶业务为什么要上云，已经不是一个问题，而是共识。

2019 年，特斯拉 Autopilot 开始收费并持续产生现金流。这打破了汽车行业以往的认知。软件定义汽车一时间成为最火热的话题，带动了智能驾驶浪潮的兴起。这一趋势决定了，数据已成为汽车行业的关键生产要素。广汽集团董事长曾庆洪曾表示：" 只有掌握数据才能有机生长。自动驾驶云数据中心，是实现算法场景演化叠加的有力保障，也是广汽着手布局的关键赛道。

2022 年是自动驾驶从研发走向量产的元年，L2 自动驾驶开始走向普及，带动数据处理、模型优化、仿真等需求的爆发式增长。从 L2 开始，自动驾驶的每一次向高阶驾驶演进，对于云的基础设施平台、应用、服务的消耗量都要上升一个量级。据 IDC 报告显示，L3 长尾场景训练将进一步引发存量客户云用量的增长：在自动驾驶量产向 L3 进发的情况下，需要从封闭 / 半封闭区域走向开放区域，更多长尾场景的覆盖将带动云平台的消耗量爆发式上升。

其次，随着高阶自动驾驶逐渐走向量产，自动驾驶研发将进一步向关键零部件厂商覆盖。车载 ECU 的数量及配套软件开发量增加（例如自动驾驶汽车将搭载更多的激光雷达及毫米波雷达），上云将是其最优的选择。

另外，从企业成本的角度看，自建云计算基础设施需要巨大的前期投入，投入大（千万元级）、耗时长（8-10 个月）。即便搭建成功，还需要专人维护、需要持续进行迭代，何时能够摊平成本未可知，上云成为了车企的必然选择。

云端能力助力自动驾驶

自动驾驶汽车的传感器包括高智能摄像头、激光雷达等。通过这些技术，我们可以感知汽车在行驶过程中遇到的各种信息。这些信息被传输到云上，在云中进一步集成、机器学习和分析后，将再次分发到车辆上。这种数据传输在高精度实时流量中也发挥着重要作用。云计算产生大数据，这让自动驾驶技术成为现实。借助汽车上的激光传感器和GPS，车辆通过相对先进的算法进行自我定位。然后，需要确定道路上其他人和车辆的位置，从而预算出自动驾驶所需的安全信息，如周围物体的轨迹和安全距离。这些确定后，加入人工智能系统，分析信号、路径、速度、能源的统计数据，然后通过云端。

大数据云计算技术可以根据车辆在特征道路环境中的行驶特性、不同交通因素以及不同领域驾驶员的驾驶需求，自适应调整车辆危险的预警阈值和驾驶策略，使预警效果更好地满足相应领域和状态下驾驶员的安全需求。基于图大数据信息的挖掘分析，可以基于路况、车辆性能、驾驶员操作习惯等因素，提供节能减排、降低驾驶疲劳的驾驶方案。大数据存储管理技术可用于智能联网车载系统交互数据和控制系统数据的在线监测，提供车辆启动时的数据稳定性和可靠性检查，提供车载控制系统级安全性的在线检查。

在道路上行驶是一个处理大量数据并做出决策的过程，而自动驾驶汽车则使用各种传感器来“观察”道路。这个过程也会产生大量的数据，平均1.5小时左右的驾驶时间会产生4TB的数据。在车辆方面，显然不适合处理和储存如此巨大的工作量，而云计算和云存储便派上了非常大的用场。

总结

毫无疑问，自动驾驶上云已经成为了行业内的共识与必然趋势，通过云计算可以实现更低的门槛和理论上资源的更合理应用，比如并不是每个车都在始终使用这些算力。但是在实际操作过程中，云计算也收到网络等各种因素的限制，面对汽车这样的和安全高度相关的产品，如何进一步优化云计算在汽车上的使用，应该是走向自动驾驶中的必然之路。