文 | 极智 GeeTech
随着 AI 原生系统的普及，自动驾驶正成为一场争夺算力、软件、数据和半导体的综合竞赛。
汽车行业的高级驾驶辅助系统（ADAS）与自动驾驶（AD）发展正迈入全新阶段，生成式 AI 正成为这一阶段的核心特征。
如今，生成式 AI 正在加速行业向 AI 原生端到端（E2E）架构转型，这类架构能够从海量数据集中直接学习驾驶行为。与传统系统相比，端到端系统能更高效地适配陌生环境、应对更复杂的驾驶场景，并且随着数据处理量的提升，能力迭代速度显著加快。
这些技术变革正在改写 ADAS 与自动驾驶的商业逻辑。行业竞争优势不再仅局限于打造性能更优的整车，而是向具备 AI 模型、半导体、云基础设施、大规模数据采集，以及软硬件集成系统高效验证能力的企业倾斜。这一转型正值消费者关注度提升、自动驾驶领域投资持续增长的行业背景之下。
一个清晰的趋势表明，自动驾驶不仅是汽车工程问题，正日益成为一项 AI 基础设施挑战。
消费者态度与市场发展动能
到 2035 年，大多数汽车会实现完全无人驾驶吗？麦肯锡最新调研显示，多数中国消费者持肯定态度，而西方消费者中约四分之一认同这一预期。事实上，ADAS 与自动驾驶正快速走向普及，ADAS 功能对购车决策的影响力持续提升，在高端车型市场尤为明显。
消费者也愿意乘坐非自有自动驾驶车辆，快速增长的自动驾驶出租车（Robotaxi）市场便是佐证。全球范围内，消费者对自动驾驶出行服务的接受度持续上升，超 60% 的受访消费者表示会考虑使用 Robotaxi，约半数受访者预计未来几年出行费用将有所下降。
不过，消费者对技术落地进度的预期普遍高于行业专家。多数受访自动驾驶领域专家认为，L2+ 级系统将在 2035 年前主导大众市场，同期 L3 及更高级别系统大概率仍仅限定于特定场景与区域落地。
L2+ 系统的持续迭代与 L4 自动驾驶的稳步推进，将推动全球 ADAS 软件与电子市场持续增长。预计该市场年复合增速约 16%，到 2035 年市场规模将达到约 1600 亿美元，其中软件与域控制器（DCU）将占据最大市场份额。
尽管行业增长动能强劲，但自动驾驶的规模化落地仍面临高成本与技术难题。软件开发、安全验证、大规模数据采集是主要成本来源，向端到端 AI 架构的转型，也进一步提升了对算力基础设施、仿真能力与高性能半导体的要求。2025 年 11 月，针对 40 余位行业高管的非正式调研显示，ADAS 落地的三大核心挑战分别为：安全保障（23%）、车载推理的高算力需求（14%）、监管与法律不确定性（14%）。
从规则驱动到端到端系统
过去十余年，ADAS 与自动驾驶的发展主要依托规则驱动的软件架构——工程师编写数千条明确指令，定义车辆在特定场景下的响应逻辑。这套架构支撑了如今绝大多数安全与便利功能（从自动紧急制动到自适应巡航），也为更高等级自动驾驶奠定了基础。而当下，行业正经历一场深刻的架构变革。
两大技术与战略力量，正在加速端到端架构的普及：
第一，生成式 AI 大幅加快了 ADAS 与自动驾驶技术的迭代速度。传统系统依赖显式编程规则，或仅在局部场景应用机器学习（如交通标识检测）；而端到端架构可从大规模数据集中直接学习驾驶行为，对陌生场景的泛化能力更强，驾驶表现更接近人类自然驾驶习惯。
第二，L4 级自动驾驶的技术攻关推动了生态跨领域协作。半导体企业、整车厂与出行运营商的合作日益常态化，多数落地项目采用分阶段模式：先通过数据采集车队积累真实路测数据，再在限定场景下以人工监督模式验证系统性能，最终实现完全无人驾驶运营。这类协作正在重塑行业竞争格局，加速技术迭代。
ADAS 与自动驾驶的三类技术路线
当前，ADAS 领域形成了三类主流架构，普遍结合多模态视觉模型与强化学习 / 模仿学习技术：部分方案采用单模型同步处理感知、规划与控制任务，另一类方案则采用多模型联合训练模式。
以下两类架构脱胎于第一代自动驾驶技术的传统规则系统：
第一类是传统 ADAS（自动驾驶 1.0）：基于模块化流水线架构，将感知、规划、控制拆分为独立软件层级。绝大多数代码为人工编写，通过明确的 "if-then" 规则覆盖特定驾驶场景（如 " 检测到 10 米内有行人则触发制动 "），仅在层级内部有限应用机器学习等 AI 技术。
第二类是混合架构，将端到端学习与规则化安全机制相结合，通常以 " 视觉 - 语言 - 动作（VLA）" 模型等 AI 技术完成核心驾驶任务，同时通过额外规则监控输出结果、约束安全边界。
端到端架构被视为第二代自动驾驶技术（自动驾驶 2.0），它基于 Transformer 模型，依托互联网与车端生成的海量数据集训练，学习复杂驾驶行为，实现多变场景下的泛化适配。
第一个是模块化端到端设计。融合 AI 学习的性能优势与模块化工程的可解释性，由不同预训练模型分别承担感知、规划等功能，但模型在端到端优化框架下联合训练。该架构的优势在于中间输出可观测、可独立验证，降低调试与安全分析难度，开发者也可针对规划层应用闭环仿真技术提升效率。短板是模块接口处存在信息损耗，在复杂真实场景中的泛化能力略弱。
第二个是单一体架构设计。用单一模型同步完成感知与规划任务，部分方案甚至覆盖车辆控制。支持者认为，消除模块接口可减少信息损耗，实现更强的泛化能力，但代价是技术复杂度大幅提升。单一体系统需要海量训练数据、庞大算力资源与高度成熟的仿真环境，且模型决策过程通常不可直接观测，验证难度显著上升。
行业已逐渐形成共识，在高度多变的驾驶环境中，端到端架构的表现优于传统系统，能够应对工程师未预先显式定义的场景，这一能力在路况动态、场景模糊的城市环境中尤为重要。
但优势背后也伴随着核心难题：可解释性不足。与模块化规则系统不同，端到端模型常呈现 " 黑箱 " 特性，工程师可观测系统行为，却无法完全解释决策逻辑，这给安全验证、问题排查与监管审批带来了阻碍。
这些局限也影响着各等级自动驾驶的规模化落地节奏。多数行业参与者认为，L2+ 系统的规模化速度将快于完全自动驾驶，L2+ 场景中人类驾驶员仍承担监控责任，降低了系统完全安全的证明压力。若要依托纯端到端算法实现 L3、L4 级规模化落地，需要多领域技术同步突破：数据效率更高的 AI 模型、覆盖极端长尾场景的大规模仿真能力、更广泛的监管认可。而在端到端算法基础上叠加安全监控层的混合方案，有望加速端到端模型在 L3、L4 车型中的落地应用。
与此同时，向 AI 原生端到端架构的转型，正在引发全行业算力需求的爆发式增长，半导体与车载计算平台正成为核心竞争壁垒。
车载硬件和系统需求的新纪元
汽车半导体市场正快速演进，核心趋势包括 GPU 与 NPU 广泛应用于 AI 工作负载、车载娱乐与 ADAS 应用对算力性能的要求持续提升、融合型片上系统（SoC）与芯粒（Chiplet）等新兴架构落地，这类架构可在单芯片上高效运行不同安全等级的多类应用（如车载娱乐与 ADAS）。
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%，增速显著高于整体汽车半导体市场。该品类在汽车半导体市场的价值占比，将从 2025 年的不足 6% 提升至 2035 年的 22%。全球各区域市场均将实现增长，其中大中华区预计在 2035 年成为全球最大市场。
这一高速增长，反映了自动驾驶系统设计与部署的深层变革。随着行业从规则驱动 ADAS 向端到端 AI 系统转型，车载算力需求急剧攀升。未来系统需要实时处理海量多模态传感器数据流，同时在严格的时延与安全约束下持续运行大模型。单纯的算力峰值性能已不再是唯一核心指标，NPU、内存带宽与先进封装技术，正成为决定性战略因素。
NPU 与内存带宽的三大结构性趋势，正在驱动下一代车载算力升级：
第一，自动驾驶等级提升，高分辨率摄像头、雷达、激光雷达等传感器的广泛应用，让算力需求大幅增长。更高等级的自动驾驶，要求系统在毫秒级时间内处理更多数据、解读更复杂环境、运行更精密的规划算法。
第二，端到端架构的普及，从根本上改变了车载 SoC 的内部算力构成。早期 ADAS 架构中，GPU 通常是感知工作负载的核心加速单元；而在端到端架构中，针对 AI 推理优化的 NPU 成为算力主体。CPU 继续承担安全关键功能与系统整体调度，尤其在满足汽车安全完整性等级（ASIL）合规要求的系统中；GPU 与数字信号处理器（DSP）转向辅助角色，负责前后置处理、可视化渲染，以及 AI 训练生态兼容等工作。
第三，行业向集中式计算平台演进，单平台可同时承载 ADAS、车载娱乐、车身控制等功能。这类架构降低了布线复杂度，提升了软件可升级性，简化了 OTA 升级流程，也为车辆全生命周期内 AI 功能的灵活部署创造了空间。但它也带来了技术挑战：不同关键等级、时延要求、可靠性与安全标准的工作负载被整合至同一平台，因此可扩展架构与先进互联技术的重要性日益凸显。
当前主流 ADAS SoC 的 INT8 算力通常在 100~400 TOPS（每秒万亿次运算），这类平台已集成 CPU、GPU、NPU、DSP 等异构计算单元。但随着 AI 工作负载要求提升，架构算力分配正在发生变化：新一代芯片将更多硅片面积用于 NPU 而非 GPU，对应端到端系统中 AI 推理占比持续提升的趋势；CPU 仍负责安全关键功能、系统调度与冗余备份。
但原始算力性能已不再是下一代 ADAS 系统的首要约束。随着端到端架构运行的 AI 模型规模扩大、传感器数据流日益丰富，行业面临新的挑战：如何实现海量数据在系统内的实时高效传输。
端到端 ADAS 架构最显著的变化之一，是系统从 " 算力受限 " 转向 " 内存受限 " —— 这源于参数量扩大、高分辨率传感器数据流、庞大的中间激活层带来的压力。内存带宽（单位为 GB/s）正日益成为系统性能的决定性因素，高带宽 LPDDR 内存与更大容量的片上 SRAM 缓存，已成为核心设计指标。同时，车辆也需要更大的非易失性存储空间，用于存储更大的模型权重，支撑高频软件更新。
这些需求对成本、散热设计与封装策略都产生了深远影响。高带宽内存与先进封装技术可缓解带宽约束，但也会推高成本与系统复杂度。如今多数行业参与者认为，内存架构而非峰值算力，才是端到端自动驾驶规模化的核心瓶颈。
内存的重要性也延伸至车端之外。AI 需求激增正在引发存储芯片供应紧张，研究机构 Omdia 数据显示，云厂商正加速采购存储芯片，2025 年服务器领域占据了超 50% 的 DRAM 需求；2023 至 2025 年，全球 DRAM 销售额年复合增速约 70%。
除吞吐量外，端到端系统还有另一项核心要求：确定性时延。ADAS 与自动驾驶依赖实时控制闭环，传感器输入、规划决策、车辆控制输出必须在严格可控、高度可预测的时间窗口内完成，执行时间的波动会直接影响安全。
这一要求提升了片上互联与低时延通信网络的重要性，其中芯片间时延是端到端控制闭环的一大挑战。分布式架构具备灵活性与可扩展性，但会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，确定性执行与时延可控，正成为下一代端到端自动驾驶平台的核心设计约束。多数场景下，高度集成的计算架构比分散式设计更具优势，它能最大限度降低通信开销，提升时序可预测性。
为何自动驾驶正成为 AI 基础设施挑战？
除车端之外，AI 原生端到端系统还需要庞大的数据中心算力支撑。早期 ADAS 的模块化架构将感知、定位、预测、规划拆分为独立软件栈，而端到端架构采用统一神经网络，直接将原始传感器输入映射为驾驶决策与车辆控制指令。
随着开发生命周期各阶段算力需求攀升，ADAS 与自动驾驶的商业逻辑正从传统汽车工程模式，向超大规模 AI 平台模式转变。
AI 原生端到端系统的算力需求，主要由三大结构性力量推动：
首先，模型复杂度与内存密集度提升。端到端系统依托规模更大、更精密的 AI 模型，Transformer 架构、多模态基础模型、新兴 VLA 系统需要实时处理海量高维传感器数据，同步完成环境解读、路径规划与车辆控制。高分辨率摄像头输入、3D 占用网络、数十亿参数的神经网络，既需要庞大 GPU 集群完成训练，也需要高算力车载中央计算机、超高内存带宽与先进张量并行架构支撑部署。
其次，训练数据规模激增。端到端模型要求开发者采集、存储、标注、处理海量结构化与非结构化驾驶数据，需要数百万小时的真实驾驶数据，支撑模仿学习、强化学习、长尾场景挖掘与模型持续迭代。
第三，重仿真的验证模式。与规则驱动方案相比，端到端模型更具 " 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、优化奖励函数，并持续重训练模型。
并非所有汽车参与者都会同等投入这场算力竞赛，行业正清晰分化为 " 轻算力 " 与 " 重算力 " 两种运营模式：
多数传统整车厂选择轻算力模式，集成供应商的成熟技术栈。整车厂依托供应商提供的基础模型，仅在内部完成有限的车型专属微调，内部算力需求相对可控。
自动驾驶出租车运营商与高度垂直整合的整车厂，则选择重算力战略，从零开发自研端到端驾驶模型。这类企业需要庞大的专属算力基础设施，头部企业的 AI 训练总算力规模已接近 9 万张 H100 等效 GPU。
随着下一代 AI 加速器落地，基础设施需求预计将进一步攀升。更强的算力将支撑更复杂的 VLA 模型训练，以及 L4 自动驾驶所需的大规模端到端神经网络开发。
如今的端到端神经网络与 VLA 模型算力需求极高，因此硬件与软件通常采用协同开发模式。若使用碎片化的现成组件，很难实现 L3、L4 级自动驾驶所需的超低时延、高带宽与确定性安全。头部企业因此纷纷采用软硬件深度协同设计模式，或是为专属芯片定制开发软件。
尽管短期协同设计优势显著，但多数行业专家认为，市场长期方向是软硬件解耦。不过目前行业尚未形成明确的统一趋势。
少数专家则认为，高性能自动驾驶仍需要深度集成的端到端协同设计，尤其在时延与优化要求极致的安全关键功能中。但即便支持深度集成的观点，也多将其视为过渡阶段——待标准与算力架构成熟后，终将走向解耦。
第三种可能的格局是模块化 " 混搭 " 生态：不同厂商的优势软件模块运行在标准化硬件平台上，比如一家企业提供感知软件、一家提供规划软件、另一家提供仿真或控制功能，通过通用中间件层实现集成。但该模式同样以软硬件一定程度的分离与标准化为前提。
端到端转型带来的一个直接影响，是芯片选型的决策环节后移。车企越来越多地采用 " 软件优先 " 思路：先选定 ADAS 软件合作伙伴，制定数据采集与标注策略，再确定半导体选型。
随着端到端架构日趋复杂，价值链协作不断深化，供应商关系也在发生变化。整车厂、一级供应商、半导体企业、云厂商、AI 原生科技公司纷纷组建联合开发项目，通常由整车厂提供整车平台与专属驾驶数据，一级供应商负责系统集成与验证，AI 平台企业输出基础模型、训练基础设施与仿真能力。
考虑到数据采集、模型训练、安全验证、高性能芯片开发的高额成本（尤其城市场景系统），我们认为技术栈各层级中，仅有少数参与者能成功实现商业化落地。
与此同时，生态也向新入局者开放。端到端感知 - 控制模型的兴起，为 AI 原生初创企业、机器人公司、云厂商创造了切入汽车价值链的机会，它们可作为基础驾驶模型供应商或训练基础设施服务商参与行业。
端到端转型也在加速整车厂的垂直整合，车企不再依赖现成半导体与供应商开发的 ADAS 软件，而是与芯片设计商、IP 供应商、晶圆厂联合开发定制 AI 芯片，同时自研 ADAS 与自动驾驶软件。这反映了行业向软件定义汽车的战略转型——硬件设计将围绕 AI 模型的需求展开。
半导体企业则在向软件领域延伸，头部 SoC 供应商纷纷推出集成软件栈，涵盖软件开发工具包、中间件、安全运行时。这一演变让半导体企业从单纯的组件供应商，转型为端到端平台服务商。
下一个自动驾驶时代，既由车辆本身的进步塑造，也同样由 AI、算力、半导体与超算基础设施的突破定义。随着生成式 AI 加速行业向 AI 原生端到端系统转型，自动驾驶的领导权之争，将越来越取决于谁能打造行业最强的 AI 生态。那些成功将汽车领域经验，与软件、数据、算力领域的独特能力相结合的企业，终将定义出行的未来。
