如何围绕 AI 开发并匹配车载控制器？

​​

芝能科技出品

在智能汽车发展的浪潮中，计算平台控制器（DCU）作为车辆智能化、网联化的核心部件，扮演着至关重要的角色。

随着 AI 技术的飞速进步，特别是大语言模型（LLM）和边缘计算（Edge Computing）的兴起，如何高效地将 AI 与域控制器软硬件结合起来，成为了提升汽车智能化水平的关键。

01

AI-Edge-LLM：提升智能座舱和智能驾驶

● 新算力的发展

近年来，随着半导体技术的进步和算力需求的提升，端侧算力得到了显著的发展。特别是大语言模型（LLM）的引入，使得智能座舱和智能驾驶系统拥有了更为强大的 “智能大脑”。

LLM 通过其强大的自然语言处理能力，能够实现更为复杂的语音交互和意图识别。例如，在驾驶过程中，系统可以通过语音与驾驶员进行互动，提供实时的导航信息、天气预报等服务。LLM 还可以结合多模态信息输入，如图像和音频，实现对环境的全面感知和智能决策。

在硬件层面，高性能处理器和专用的 AI 加速器（如 NPU）成为端侧算力的核心。高通的平台如 SA8255P/SA8295P，通过支持大规模的 LLM 模型，如 Llama 2 和 Stable Diffusion，能够为智能座舱提供强大的 AI 算力支持。

异构计算架构的引入，通过 CPU、GPU、NPU的协同工作，解决了算力和能效之间的平衡问题。

● AI-SaaS：云端与车载的 AI 升级

常规汽车芯片通过云端和云原生应用进行 AI 升级，正在成为一种趋势。AI-SaaS 平台整合了各种先进的 AI 技术，如文心系列、通义系列等，为车载平台提供了丰富的 AI 服务，包括自然语言处理、语音交互、图像识别等。

这种云端与车载的结合模式，使得汽车智能化不再局限于车内的硬件配置，而是可以通过云端不断进行功能升级和优化。例如，车主可以通过云端平台进行远程诊断和软件更新，从而使车辆保持最佳的性能和功能。AI-SaaS 平台的架构设计，强调简单易用的 UI 和快速响应的技术支持。

无论是 AI 大模型对话，还是AI 绘画、AI 语音等服务，都可以通过云端平台进行定制化配置，满足不同用户的需求。

● AI-Agent：基于端侧的车载全智能控制

AI-Agent 作为车载智能体，是实现车载全智能控制的核心。与依赖用户提示的大模型（LLMs）不同，AI-Agent 具备自主理解、规划决策和执行复杂任务的能力。

大模型的引入，增强了 AI-Agent 的自然语言处理能力，使其能够更好地理解用户的意图并做出相应的响应。例如，在驾驶过程中，AI-Agent 可以根据驾驶员的指令自动调节空调、播放音乐，甚至进行复杂的导航任务。

在硬件架构上，AI-Agent 需要依赖强大的算力支持。高通和博世等厂商推出的中央计算平台，通过整合信息娱乐和高级驾驶辅助系统（ADAS）的功能，实现了更高效、更安全的车载计算。这种中央计算架构，通过一个中央控制器集中管理车辆的各项功能，极大地提升了系统的整体性能和智能化水平。

汽车的电子电气架构（E/E 架构）将进一步向中央计算架构演进。这种趋势下，功能逻辑将集中到一个中央控制器，从而简化系统的复杂性，提高系统的可靠性和可维护性。

博世基于 Snapdragon Ride Flex SoC 的车载中央计算平台，和 NVIDIA 的 DRIVE Thor 芯片，都是这一趋势的典型代表。这些平台不仅具备强大的计算能力，还能够处理复杂的自动驾驶任务，实现更高层次的智能化。
 

02

AGI 时代的域控发展方向

在 AGI（人工通用智能）时代，域控的发展将向多模态信息接入和理解的方向迈进。大语言模型通过其强大的语言理解和生成能力，能够处理和理解文本、图像、音频等多种类型的数据。

这种多模态的信息处理能力，使得车载系统能够更全面地感知环境。例如，系统可以通过摄像头识别周围的物体和场景，并结合语音交互，为驾驶员提供更为自然和直观的使用体验。

同时，情感识别技术的引入，使得系统能够识别驾驶员的情绪，并做出相应的回应，从而提高人机交互的亲和力。

智能意图识别是实现车载智能交互的关键。从传统的 VPA（虚拟个人助理）升级到大模型应用，需要突破智能意图识别的技术瓶颈。大语言模型在泛化、非命令式语言理解和上下文指代识别方面，具有显著的优势。

例如，系统可以通过对对话上下文的分析，自动纠错和处理转折语句，从而实现更自然的语言理解和交互。这种能力，使得车载系统能够更准确地理解用户的意图，并做出相应的响应，提高了用户体验的流畅度和智能化水平。

在 HMI（人机交互）领域，Edge-LLM 的应用前景广阔。基于大语言模型的端侧计算，使得车载系统能够在离线环境下实现高效的语音交互和意图识别。

智能座舱的域控系统，通过结合知识库和 Edge-LLM，实现了智能意图识别和自然语言处理。用户可以通过语音或文字输入，控制车内的各种功能，如导航、音乐播放、空调调节等，从而提升驾驶体验的智能化水平。

03

高通平台与异构计算的结合

生成式 AI模型参数量大，算力是一个核心限制因素。高通平台通过异构计算和 NPU（神经网络处理单元），解决了算力瓶颈问题。

异构计算架构，通过在一个处理器中包含多种不同类型的处理单元，如 CPU、GPU、NPU 等，实现了高性能和低功耗的平衡。例如，在实现虚拟 AI 助手与用户语音互动交流时，自动语音识别（ASR）在高通传感器中枢运行，文本生成在 Hexagon NPU 上运行，文本到语音转换（TTS）在 CPU 上运行，虚拟化身渲染在 Adreno GPU 上运行。内存是限制生成式 AI 普及的重要因素之一。

为了克服内存瓶颈，需要采用微切片和量化等技术。

● 微切片推理通过将神经网络分割成多个能够独立执行的微切片，减少内存占用；

● 量化技术通过将神经网络的张量加速吞吐量提高一倍，提升内存效率。

这些技术的应用，能够显著提高域控制器的 AI 计算能力。

小结
 

车载计算平台软硬件与 AI 的高效匹配，是提升智能座舱和自动驾驶智能化水平的关键。在 AI-Edge-LLM、AI-SaaS、AI-Agent 以及未来中央计算的发展趋势下，域控制器将实现更高效的计算和更智能的控制。

通过采用异构计算架构和内存优化技术，域控制器能够在保证高性能的同时，降低能耗，满足新能源汽车环境下的需求。​​​​