10月10日，由NE时代（NE Times）和纽伦堡国际博览集团（Nürnberg Messe）联合举办的“E/ETec2023新一代智能汽车电子电气架构技术大会”在上海顺利召开。

均胜电子副总裁郭继舜 受邀参加，并在现场做了题为《 基于光纤通信的新一代智能汽车信息架构》的演讲，《智车引擎》整理了郭继舜先生分享的内容，略有删改，以飨读者。

本文福利：分享《基于光纤通信的新一代智能汽车信息架构》PDF，关注“智车引擎”，对话框回复“光纤通信”下载报告。

（注：EETec2023可分享资料仅供参会嘉宾个人学习使用，任何组织或个人不可把资料用于任何形式的商业行为，未经原著嘉宾同意，任何组织或个人不可以把资料上传至免费共享网站或APP。）

郭继舜，现任均胜电子副总裁，此前在Google X-Lab、EMC2中国研究院、百度深度学习研究院以及广汽研究院从事人工智能、智能驾驶研发，深耕智能驾驶领域多年。

01

分布与集中

郭继舜在演讲时表示，大家对电子电气架构的更新，早期在于对标特斯拉。特斯拉OTA的升级为技术迭代带来新的需求，业界针对这些需求，开始提出电子电气架构，EA3.0以及4.0的概念。

传统的分布式架构，其弊端在于，烟囱式的开发方式会使得在实际的开发过程中，OTA升级的难度极大，这让各个ECU同步升级变得非常困难。

在郭继舜看来，未来5至10年的时间里，中央运算不一定运用在量产车型中。

他的团队曾接到一个需求，欧洲某车企希望做出一个中央运算平台，本质上来说，这需要把车身、动力、底盘、座舱和智驾域在物理上做融合，换言之，把物理结构里面的每个板卡通过PCIE连起来。

但是，功能安全、硬件、软件、逻辑、数据交互等都在板内进行的，上述操作只是物理上进行了融合，本质上还不是中央运算平台，依旧是以域控制器为代表的拓扑算法。

域控制器，现在被普遍用在智驾和座舱上，而智驾和座舱，迭代速度是非常快的。

迭代太快，主机厂的人员结构、开发逻辑难以适应这样的迭代。 以智驾来说，零束和毫末这样的企业，都是在主机厂之外设立起的科技公司，本质上来说也是为了应对这样的迭代速度，寻求另一种更敏捷的开发方式。

聊到这里，郭继舜特意提到大疆车载。

在他看来，敏捷开发和V字型开发结合得比较好的企业，首推大疆车载。郭继舜用“宝藏型企业”来形容大疆车载，因为它把很多无人机领域的技术放到智能驾驶，同时也能将敏捷开发的软件开发方式和V字型开发做到非常好的结合。

智能车按照域来划分，有整车域、智驾域、座舱域以及动力域等。郭继舜在演讲时表示，当下，智能驾驶的融合都是后融合，激光雷达算激光雷达的，摄像头算摄像头的，毫米波算毫米波的，把结构化信息拿到后面去投票，这样的方式的好处是数据传输量非常低，但是坏处在于不能做前融合，使得每个传感器的弱点无法被规避掉。

只要涉及到前融合，不管是智能驾驶的BEV算法，还是特斯拉的网络，又或是增加激光雷达，所有这些带宽的要求都是急剧增加的。即使是车载以太网，在实际使用过程中，它的实时性和数据传输能力，都会对整车的性能、特别是智能驾驶性能产生影响。

进一步说，本身的数据交换的带宽还会对舱驾一体有更多的影响，比如片内带宽的调度等。所以，郭继舜也抛出一个观点，整体来说，新架构确实是被功能和需求倒逼的——

不管是座舱和智驾的融合还是越来越多的Raw Data，传感器不做任何分类和识别，把Raw Data传到后端的域控制器进行处理，这些都需要足够多带宽的支持。

座舱域的特点，是从车机+仪表逐渐变成座舱域控制器，算力需求从现在的8295NPU变为30Tops。

智驾方面，传感器数量急剧地变多，传感器的性能在急剧地增强，同时算力的增长随着传感器的变多，算力增长变得越来越多。 因为这样的变化，冗余控制器出现了，L2++、L3以上的需要做降级，一旦降级就需要冗余。一般将主控制器30%的算力作为一个冗余控制器，并且最好做成异构的。

“集中式的架构优点在于，它就像手机和电脑一样，可以在一个运算单元里面运算所有的功能；但缺点也非常明显，这个东西实在太难做了。”

郭继舜介绍说，座舱一般要求车规的QM级别即可，智能驾驶如果是ADAS L2以下的，要求ASIL B，L2++以上的要求ASIL D，车身ASIL D，动力ASIL D，底盘ASIL D，如果混在一起变成一个控制器，整体的算力都要做到ASIL D。

也就是说，增加了座舱和智驾的功能安全要求。

这个功能安全要求非常难达到，不管是使用ASIL D的MCU还是使用其他的监控芯片安全岛这样的方式，成本都非常高，而且智驾一旦做到ASIL D，就需要足够多的冗余：

电源冗余、自动冗余、转向冗余等。

02

快与慢，轻与慢

为什么从L2+往L3走非常难？

首先，本身算法和性能的能力不足；

其次，成本太高。

一个转向双电极冗余的EPS和一个普通EPS的成本差2~3倍，综合下来成本变为双倍。所以，在L3~L4层面来说，落地非常难。

“现在大家不堆料，两三年前，大家堆料的时候，自动驾驶这个领域里除了少数企业之外，没有什么企业赚钱。”在郭继舜看来，确实成本太低了，而且它的功能安全要求非常高。

因此，中央域运算平台大规模量产应用，还需要5至10年，现在虽然经常被提及，但还有一系列得工程化问题没有被得到解决。

国内外整体来说，都是从离散型ECU到域控制器再到中央域，基本上都是这样的逻辑，只不过时间进展快与慢而已，甚至时间进度都差不多。

特斯拉是非常典型的从域控制器到中央域，Model3和ModelY都是逐渐地做融合，但为了减少线束和增加功能安全性，仍旧做了一部分的区域型的控制器。 特斯拉的架构方面，它在电源和通信上都做了基于区域的冗余，这样的好处是，一方面增加了安全性，另一方面减少了在线束和硬件上的成本。

大众也一样。

大众从MEB平台开始逐渐往后做域控制器，只不过走得相对较慢，调研和开发花了很长时间。

大众是不是要充分地拥抱地平线或者大疆车载，戴姆勒是不是要充分地拥抱华为？

在郭继舜看来，都存在着一些不确定性。至少从客户角度来说，Global的OEM在架构设计、AUTOSAR这些功能安全上确实走得比我们靠前，但是如果从显性的功能和硬件、软件上开发能力上来说，至少表面上来看不如我们，而且要赶上我们的成熟度还需要比较长的时间。

不过，现在德国企业开始纷纷使用中国的软件或者解决方案，这也是未来比较大的趋势。

他也强调，目前出海车型大多数都是不具备什么座舱和智能驾驶能力的车型。

销量高的基本上是卖到东南亚、阿根廷、巴西、中东这类地方，北美和西欧其实销量较低。这类车的成本也是相对比较低的，本质上来说是因为我们的车做的皮实、耐用。如何把出海的车型逐渐从低端的走量变成高端，并且能够保持一个比较好的毛利，这也是我们现在在探讨的问题。

发展趋势方面——

首先，是从分布式架构走向域控制器式架构和集中计算式架构。比如前段时间特斯拉的V12版本，海外已经放出了一些视频。

分析后发现，特斯拉其实是使用了端到端的方法做兜底，但是整体的计划都是基于规则的，只不过把端到端拿来做兜底的规划和决策。用端到端的方法做智能驾驶的决策，理论上来说在学界已经炒了十年了，真正做出来的也就特斯拉一家，现在我们几乎所有的车厂所使用的智能算法还是基于规则的算法，好处是边界足够地清晰，坏处是稳定性和应对风险的能力不足。

第二，要提供大规模、集中的计算能力。一方面是AI芯片；另一方面是片内和片间的调度，即新的架构设计要出来。

第三，是车载以太网，后续我们在尝试在车载以太网之后基于一部分的讨论稿的标准做一些车载运算平台里面的通信的事情。我们的目标是做车载域控制器和车载平台，只不过需要对目标做一些调整。

功率器件主要实现智能分布式配电，其次是AUTOSAR。郭继舜表示，AUTOSAR很重，一开始大家不愿意用，科技公司喜欢用ROS，因为比较简单，做得比较轻。现在，国内客户一般的方法是把AUTOSAR做裁剪。

在他看来，AUTOSAR的每个系统流程，非常适合像博世这样，不紧不慢且很早开始开发的Tier1及OEM。

03

功能重组与软硬解耦

现在ADAS和智能驾驶里面，能够复用的模块非常多，车道线识别、车辆识别、交通标志物识别等这些，都能够复用。

软硬件解耦，是因为座舱使用的是一个硬件，可以用8155和8295来做，但是有非常多的软件开发。不同车厂用的都是8155、8295，没有什么区别，但是他们在软件上不同。

智能驾驶不太一样。

软件上没什么区别，ADAS里面AEB、ACC、LKA没有什么区别，都一个样子，但是硬件上差别很大。针对Orin、Thor、黑芝麻、地平线、高通这些，如何软硬件解耦才能使得我们开发一套软件适用不同的硬件？软硬件解耦是非常难的工作，我们几乎可以为了软硬件解耦重新写代码，希望它能够适配更多的软件。

如果软硬件解耦的话，实现的好处是什么？ 我们的目标是希望从一个硬件平台转到另外一个硬件平台，如果算法的逻辑上差别不大的话，我们希望用30人/月解决平台迁移的问题，但是现在还没有做到，现在至少需要60人/月。

驾舱融合能节省多少成本？

郭继舜表示，从座舱智驾分开到融合，差不多一台车能够节省1700块钱左右，如果是L2系统的话，这个成本还是非常可观的。但是舱驾融合怎么做？至少舱驾融合这个事情基于充分降本的目的来说，是一个很好的技术思路，只是需要一点点时间。

云端一体化，未来也许需要5至10年。

他在演讲时分析说，这取决于车路协同发展如何。 曾经在主机厂，2019年的时候特别强调T-box、V-box。现在为什么不提了？原因在于基础设施没有覆盖，车上是给用户装了，但是全中国就那么几个区域能够用V2X，就那么几个路口，用户的可感知性太差了。

所以，除了V2V这种通讯之外，更多的是做商用车的编队，一队卡车排一排在高速上跑，编队使得车队能够减少能量的消耗，除前车外，后面的车编队行驶可使得风阻减少，能够减少12%左右的能源消耗，这个就非常可观了。

在覆盖度不高的时候，乘用车就开始做车路协同，但目前为止依旧覆盖度不佳。所以，端云一体化的考量在于，我们是不是能够有非常好的基础设施建设和边缘端的运算能力。

04

大模型的一些思考

郭继舜介绍说，现在的ChatGPT大语言模型，用了8个A100在服务器运行。8个A100的算力需求不能被减少，是因为大语言模型不能被裁剪，裁剪掉之后是高度抽象的，所以无法做裁剪。

现阶段,在车机上使用ChatGPT跟你做对话，基本上都是把所有运算单元放在云端，实时性很差，万一网络没有信号就无法做语音交互了。

所以，在汽车端边缘端使用ChatGPT最应该做的事情是把模型做轻量化，尽量用小模型来做，现在看来还需要比较长的路。 所以智驾的AIGC和座舱的AIGC，现在看起来都不是那么容易落地，更多的时候是一个概念。

算力和带宽到底有多少增长？

按照经验，郭继舜表示，比如ADAS差不多10Tops，L2+可以脱手不变道的是30Tops，这还是经过算力优化的，当然是前向800万像素。L2++30~500Tops，L42000Tops以上。

需要什么样的硬件呢？

单个400万像素的大概需要4Tops。带宽的要求:一个Lidar是20M到1000M，要看点云的数量。15M是4D毫米波，现在测下来可能还要双倍，30个左右，单摄像头500~3.5G/秒，这取决于像素的不同会有不同，整体来说带宽在30~40GB。

车载以太网理论带宽1GB，实际上就几百M，实际上车载以太网难以承受。

他的团队，开始尝试使用光纤。 原因在于，确实需求不能被满足，而且主机厂有足够多的想要提升的需求。整体来说，把CANFD和车载以太网转换为光纤通讯。它的优点是我们做到了理论上90GB/s的传输，但是实际落地还存在一些问题。

到底它的难点在哪里？

为了降低它的偶然性，需要引入一个渐变折射率的多模的光纤，一个光纤在通路里面增加锗，往里面加一些微量元素，使得传输性能变得更好，现在甚至已经找了拉丝的工厂，使得性能会变得更好。

其次，是克服高温和弯曲对光纤的影响，看起来问题不大，如果是玻璃光纤问题不大，塑料光纤存在一些问题，但是可以被解决。