车圈新卖点8155背后，汽车智能化竞争已踩下油门

汽车的卖点，正在悄然向AI创新倾斜。落地到产品，就是智能车的方方面面。

且看车圈近来最热议题成都车展，连宝马沃尔沃这样老牌高端车企，都把传统汽车看重的设计感、动力性之类先放到了一边。

基本上是开口一个“智能体验”，闭口一个“AI芯片”。

这不，起码在最为直观的车机上，甭管是新势力还是传统车企，那叫一个卷出了花儿。

这厢宝马奔驰都在座舱内搞上了大连屏。

那边新势力的各种智能操作引得观众们挤爆场馆。

比如理想L9来了个手势操作

小鹏G9则搞起了“座舱声学”，车内香氛、氛围灯、座椅都可以和音乐进行联动

再看美系车福特，最“破圈”的消息，同样与智能座舱有关：

福特将为电马Mach-E用户免费升级高通骁龙8155芯片（第三代骁龙座舱平台旗舰级）。

更是赢得了一票车主点赞。

可以说，在这么一场A级大型车展上，“智能化”着实已经成了厂商们比拼的头号亮点。

其中，又以“智能座舱”为先锋大将。

01

智能座舱，智能化竞争加速*站

汽车智能化竞争，其实早已箭在弦上。

毕竟，当手机等电子产品在AI等前沿技术的加持之下，变得越来越智能、便捷，人们自然而然会希望在汽车这个“第三空间”之中，同样享受到智能化带来的便利。

业内就有观点认为，汽车如今已经发展到了“四个轮子+一部智能手机”的时代，谁在智能化变革中慢上一步，即使现在身位靠前，也随时可能被后来者趁机反超。

现在看来，在*波汽车智能化的浪潮之中，走在最前面的就是智能座舱。

一方面，消费者与汽车之间最近距离的高频接触点，就是座舱。

因此座舱中更大的屏幕、更智能的人机交互方式、更个性化的应用服务，都能以最直观的方式*时间让消费者有所感知，进而转变为差异化的市场竞争力。

另一方面，从技术的角度而言，在当下这个时间节点，更高级别的智能驾驶仍属于长线落地工程。

真正掌握高阶智能驾驶技术的公司尚属少数，技术本身也需要更长时间的优化迭代和安全性验证。

相比之下，随着车规级芯片近些年的发展，算力不断提升、AI模型量化压缩算法的进一步突破，以及5G技术支持下车联网方面的进展，智能座舱商业化的时机显然更加成熟。

数据也已对此有所验证。

自2019年以来，中国大幅度减弱了对新能源汽车行业的补贴。但根据乘联会数据，国内新能源汽车渗透率上扬趋势仍然明显。

2022年7月，国内新能源车零售渗透率为26.7%，较去年同期14.8%的渗透率，提升了11.9个百分点。

从全年数据来看，新能源车2019年渗透率为5.2%，2020年为6.0%，2021年已升至15.7%。增涨幅度超过了之前的预计。

图源：国家信息中心

并且新能源渗透率的进程，伴随着AI技术的渗透。随着发动机、变速箱等传统汽车“差异点”消失，智能化带来的差异化能力，正在成为新卖点。

这种新卖点，当前集中到了智能座舱的竞争中。

有意思的是，尽管各家车企在功能效果上各有侧重，走的是差异化竞争路线。但在更底层的芯片选择上，却有趋同之势。

比如前文提到的福特电马引发热议的骁龙座舱平台，就正在凭借其AI技术成为一众车企全新旗舰车机的标配：

极氪001、理想L9、小鹏G9、智己L7、蔚来ET7、高合HiPhi Z、路特斯ELETRE，宝马i7……

所以在智能手机领域的*骁龙，怎么到了智能车时代也依然如此能打？要知道，智能座舱芯片这个市场并不算是全新的蓝海市场。

如此披坚执锐、所向披靡之势，背后究竟是什么原因？

02

智能座舱面临哪些挑战？

其中缘由，还是得先回归到智能座舱需求本身来看。

智能座舱，本质上是AI技术给座舱带来的变革。它的出现至少满足了人们对汽车智能化的三大想象。

其一，交互便捷性。对于司机而言，开车时必须确保视线不离开路面，因此交互方式必须越简洁越好，*能用手势、表情、语音等方式搞定一切车机交互。

其二，应用智能性。无论是智能温控、儿童保护还是分区语音识别，本质上都是让汽车更“贴心”的功能，而且这种智能化还在席卷车上更多的装置。

其三，车机互联能力。包括远程智能控车、手机车载应用同步等，都是延伸智能设备边界的功能，真正做到应用之间无缝互联。

与此前纯硬件优化、外饰变更带来的座舱升级不同，智能化变革时代的座舱*次遭遇AI技术的冲击，带来创新潜能的同时，也给实际落地带来了两大挑战。

一方面是大量AI算法的出现，对座舱芯片进一步提出的算力要求，这背后是用户需求驱动、也是汽车电子电气架构的革新。

随着汽车域融合趋势的到来，座舱域和自动驾驶域、车身域等众多板块和技术不断交织、融合，座舱作为汽车控制和信息交互的中心出入口，与驾乘者交互的时间更长，智能车对算力的需求只会变得越来越高。

另一方面是随着交互精确性提升、用户对智能应用需求增加，对智能座舱搭载算法的性能和精确度提出了新的要求，如何在确保性能的情况下尽可能搭载更多AI算法，成为新的难题。

据量子位观察，相比传统座舱芯片厂商，骁龙座舱平台正是从这两方面“逐一击破”，成为如今智能车中几乎是标配的存在。

单拿交互功能来看，无论是手势、语音还是多模态交互识别，目前在不少搭载骁龙座舱平台的智能车上都已经能看到，其核心原因还是座舱平台上搭载的AI算法准确性和识别效率都有所提升。

但如果回顾智能座舱芯片的进展，会发现从2016年的骁龙820A到2019年的第三代骁龙座舱平台、再到即将量产的第四代骁龙座舱平台，AI计算的能力也一直在提升，高通不仅针对算法“早有准备”，还一直致力于提升AI算法在各平台上应用的性能，包括改进模型大小和运行效率等等。

以AI手势估计算法为例，高通在顶会WACV 2022上发表了一篇最新论文，里面提到了一种轻量级的2D和3D手势估计方法，通过让模型自己意识到预测的不确定性，并在每次迭代时“重复利用”部分层迭代，极大地降低了模型体积，同时准确性和效率都达到了当前手势估计模型的*水平。

对于智能座舱而言，交互算法远不止手势一种，要想提升整体便捷性，更重要的是针对整个3D空间的交互，也就是AI算法中的多模态融合能力。

然而多模态之间的关系并不好找，甚至对于AI而言，有时候更多模态（语音、视觉等）的交互并不一定能增加理解准确性，反而可能起到干扰作用。

因此，针对多种模态的同时输入，AI模型需要一种机制来决定各模态之间是否存在强关联，如果不是的话就在某个阶段降低关联度，避免出现语音“误导”姿态估计等情况。

交互功能以外，更多座舱应用也面临着智能化变革。

例如车主身份的识别上，以前针对汽车车主的识别方式只有一种，即通过车钥匙。但如今座舱不仅能以细微差异识别每个车主之间的身份，而且能针对这些差异迅速调整车内定制语音助手、空调温度等预设。

其实，AI算法和算力都只是骁龙座舱平台提供的底层能力，至于如何利用这些能力提升车载应用和交互的准确性，也需要Tier 1和厂商发挥自己的能力和创造力，针对自己用户的需求进行定制性开发部署。

例如，高通前段时间推出的AI软件栈，就是一个专门给AI开发者打造的“工具箱”，不仅让汽车和手机之间开发的应用能互联互通，还推广到了其他设备如电脑、可穿戴设备上。

又例如，从成都车展上搭载骁龙座舱平台的车型来看，无论理想L9、智己L7还是沙龙机甲龙等，厂商如何利用骁龙平台的AI能力，并在其智能座舱中推出具体的功能和配置，其最终使用场景、体验也存在明显差异。

以面部表情估计AI算法为例，有的车型智能座舱用它来检测司机疲劳驾驶、提升行车安全性；但也有车型用它来识别车主情绪，以此推荐相应的音乐、或是开窗透气等。

而智能座舱还只是AI创新时代，高通在智能车领域进行技术赋能的场景应用之一。

我们同样能在论文和研发布局中发现，高通对于智能车领域的“AI加持”远不止于此，还同样体现在智驾和车路协同上。

03

还有智驾和车路协同

相对智能座舱的技术“爆发”，智能驾驶和车路协同更接近于AI技术在汽车场景厚积薄发的过程。

这个过程除了需要时间积累模型经验和数据，也需要AI相关技术的持续创新，直到感知算法和软硬件达到某一标准，才可能落地并最终量产。

以智能驾驶场景为例，目前通过传感器数据提供冗余已成为应对智能驾驶安全性的解决方法之一。

如何在积累更多长尾场景数据的同时，尽可能充分利用传感器数据、提升融合准确率，来拔高智能驾驶模型面对突发情况的“适应能力”，是决定智能驾驶技术能否落地的关键。

如在这次的成都车展上，中国*搭载Snapdragon Ride平台的长城魏牌摩卡DHT-PHEV激光雷达版首次亮相。

这辆新车搭载2颗125线激光雷达、5颗毫米波雷达、12颗超声波雷达、12颗高清摄像头等多达31个传感器，以确保行车安全性，然而Snapdragon Ride平台不仅hold住了这么多传感器所需的算力，而且通过*的能效表现对这些数据进行处理。

而发表在NeurIPS上的一篇论文显示，高通的工程技术人员和学术机构针对传感器融合进行了研究，结合摄像头和激光雷达同时进行目标检测，在考虑到光照和天气条件等环境噪声的情况下，误差率降低15%左右。

至于车路协同，则需要进一步提升定位精度和信号传输能力，来提升汽车在道路上行驶的安全性、降低定位延迟并提升准确性。

例如在ICC上的一篇论文中，高通就提出了一种基于无监督学习提升环境定位的方法，能做到在2D环境图里的中值误差在4cm、3D环境中保持在15cm以内的定位，以提升车辆在特定车路协同道路上行驶的准确性。

针对车路协同，早在2020年，一汽红旗就已经搭载了高通的骁龙汽车智联平台。

再加上骁龙车对云服务，上述四大板块组成的整个骁龙数字底盘，便是高通在智能汽车领域的整体架构布局，涵盖汽车智能化所需的座舱、车载网联、智能驾驶和云服务关键数字化板块，这其中的核心，仍然是其擅长的高性能、低功耗计算和无处不在的连接。

如今高通的AI技术外溢到汽车场景，并成为创新的驱动力之一，从幂集创新场景的维度，是否有内在的逻辑可以推测？

就场景需求而言，智能座舱和智能驾驶本就密不可分，如今在AI计算和5G连接等前沿技术的驱动下更是趋于融合。

硬件上，随着智能座舱芯片性能提升，可以将多余的算力提供给智能驾驶算法，从而进一步容纳算力需求更高、性能更优的模型；

软件上，智能驾驶算法的应用，又会进一步提升智能座舱的使用时间，从而带动更多创新应用的出现。

而这样的场景需求随着技术的融合发展，还会越来越多。

从幂集创新规律来看，当最基础性、生态型底层技术创新出现，便会催生一系列场景的变革。

如果说10的一次幂是底层落地变革场景，那么10的二次幂带来的便是百倍降本增效的提升；

而随着10的三次幂，这一场景不仅带来数以千计的生态位机会、开发者机遇，更因此在行业中产生了对大一统底层平台的需求。

在这个万物智能互联的全新发明时代，高通正是基于AI这个*基础性的技术，结合5G、C-V2X（蜂窝车联网）等连接技术优势，在汽车产业中构筑了一系列底层平台技术，以赋能企业的身份，掀起新一轮技术变革周期浪潮。

未来智能汽车产业走向，或许也能通过这些技术得以预测。