如何圍繞 AI 開發並匹配車載控制器？

​​

芝能科技出品

在智能汽車發展的浪潮中，計算平台控制器（DCU）作為車輛智能化、網聯化的核心部件，扮演着至關重要的角色。

隨着 AI 技術的飛速進步，特別是大語言模型（LLM）和邊緣計算（Edge Computing）的興起，如何高效地將 AI 與域控制器軟硬件結合起來，成為了提升汽車智能化水平的關鍵。

01

AI-Edge-LLM：提升智能座艙和智能駕駛

● 新算力的發展

近年來，隨着半導體技術的進步和算力需求的提升，端側算力得到了顯著的發展。特別是大語言模型（LLM）的引入，使得智能座艙和智能駕駛系統擁有了更為強大的 “智能大腦”。

LLM 通過其強大的自然語言處理能力，能夠實現更為複雜的語音交互和意圖識別。例如，在駕駛過程中，系統可以通過語音與駕駛員進行互動，提供實時的導航信息、天氣預報等服務。LLM 還可以結合多模態信息輸入，如圖像和音頻，實現對環境的全面感知和智能決策。

在硬件層面，高性能處理器和專用的 AI 加速器（如 NPU）成為端側算力的核心。高通的平台如 SA8255P/SA8295P，通過支持大規模的 LLM 模型，如 Llama 2 和 Stable Diffusion，能夠為智能座艙提供強大的 AI 算力支持。

異構計算架構的引入，通過 CPU、GPU、NPU的協同工作，解決了算力和能效之間的平衡問題。

● AI-SaaS：雲端與車載的 AI 升級

常規汽車芯片通過雲端和雲原生應用進行 AI 升級，正在成為一種趨勢。AI-SaaS 平台整合了各種先進的 AI 技術，如文心繫列、通義系列等，為車載平台提供了豐富的 AI 服務，包括自然語言處理、語音交互、圖像識別等。

這種雲端與車載的結合模式，使得汽車智能化不再侷限於車內的硬件配置，而是可以通過雲端不斷進行功能升級和優化。例如，車主可以通過雲端平台進行遠程診斷和軟件更新，從而使車輛保持最佳的性能和功能。AI-SaaS 平台的架構設計，強調簡單易用的 UI 和快速響應的技術支持。

無論是 AI 大模型對話，還是AI 繪畫、AI 語音等服務，都可以通過雲端平台進行定製化配置，滿足不同用户的需求。

● AI-Agent：基於端側的車載全智能控制

AI-Agent 作為車載智能體，是實現車載全智能控制的核心。與依賴用户提示的大模型（LLMs）不同，AI-Agent 具備自主理解、規劃決策和執行復雜任務的能力。

大模型的引入，增強了 AI-Agent 的自然語言處理能力，使其能夠更好地理解用户的意圖並做出相應的響應。例如，在駕駛過程中，AI-Agent 可以根據駕駛員的指令自動調節空調、播放音樂，甚至進行復雜的導航任務。

在硬件架構上，AI-Agent 需要依賴強大的算力支持。高通和博世等廠商推出的中央計算平台，通過整合信息娛樂和高級駕駛輔助系統（ADAS）的功能，實現了更高效、更安全的車載計算。這種中央計算架構，通過一箇中央控制器集中管理車輛的各項功能，極大地提升了系統的整體性能和智能化水平。

汽車的電子電氣架構（E/E 架構）將進一步向中央計算架構演進。這種趨勢下，功能邏輯將集中到一箇中央控制器，從而簡化系統的複雜性，提高系統的可靠性和可維護性。

博世基於 Snapdragon Ride Flex SoC 的車載中央計算平台，和 NVIDIA 的 DRIVE Thor 芯片，都是這一趨勢的典型代表。這些平台不僅具備強大的計算能力，還能夠處理複雜的自動駕駛任務，實現更高層次的智能化。
 

02

AGI 時代的域控發展方向

在 AGI（人工通用智能）時代，域控的發展將向多模態信息接入和理解的方向邁進。大語言模型通過其強大的語言理解和生成能力，能夠處理和理解文本、圖像、音頻等多種類型的數據。

這種多模態的信息處理能力，使得車載系統能夠更全面地感知環境。例如，系統可以通過攝像頭識別周圍的物體和場景，並結合語音交互，為駕駛員提供更為自然和直觀的使用體驗。

同時，情感識別技術的引入，使得系統能夠識別駕駛員的情緒，並做出相應的回應，從而提高人機交互的親和力。

智能意圖識別是實現車載智能交互的關鍵。從傳統的 VPA（虛擬個人助理）升級到大模型應用，需要突破智能意圖識別的技術瓶頸。大語言模型在泛化、非命令式語言理解和上下文指代識別方面，具有顯著的優勢。

例如，系統可以通過對對話上下文的分析，自動糾錯和處理轉折語句，從而實現更自然的語言理解和交互。這種能力，使得車載系統能夠更準確地理解用户的意圖，並做出相應的響應，提高了用户體驗的流暢度和智能化水平。

在 HMI（人機交互）領域，Edge-LLM 的應用前景廣闊。基於大語言模型的端側計算，使得車載系統能夠在離線環境下實現高效的語音交互和意圖識別。

智能座艙的域控系統，通過結合知識庫和 Edge-LLM，實現了智能意圖識別和自然語言處理。用户可以通過語音或文字輸入，控制車內的各種功能，如導航、音樂播放、空調調節等，從而提升駕駛體驗的智能化水平。

03

高通平台與異構計算的結合

生成式 AI模型參數量大，算力是一個核心限制因素。高通平台通過異構計算和 NPU（神經網絡處理單元），解決了算力瓶頸問題。

異構計算架構，通過在一個處理器中包含多種不同類型的處理單元，如 CPU、GPU、NPU 等，實現了高性能和低功耗的平衡。例如，在實現虛擬 AI 助手與用户語音互動交流時，自動語音識別（ASR）在高通傳感器中樞運行，文本生成在 Hexagon NPU 上運行，文本到語音轉換（TTS）在 CPU 上運行，虛擬化身渲染在 Adreno GPU 上運行。內存是限制生成式 AI 普及的重要因素之一。

為了克服內存瓶頸，需要採用微切片和量化等技術。

● 微切片推理通過將神經網絡分割成多個能夠獨立執行的微切片，減少內存佔用；

● 量化技術通過將神經網絡的張量加速吞吐量提高一倍，提升內存效率。

這些技術的應用，能夠顯著提高域控制器的 AI 計算能力。

小結
 

車載計算平台軟硬件與 AI 的高效匹配，是提升智能座艙和自動駕駛智能化水平的關鍵。在 AI-Edge-LLM、AI-SaaS、AI-Agent 以及未來中央計算的發展趨勢下，域控制器將實現更高效的計算和更智能的控制。

通過採用異構計算架構和內存優化技術，域控制器能夠在保證高性能的同時，降低能耗，滿足新能源汽車環境下的需求。​​​​