任何一项技术在诞生伊始，围绕发展路径的争论总是时有发生。智能辅助驾驶技术也不例外。
该选择从L2-L4级的渐进式发展，还是直达终点的跨越式发展？是效仿特斯拉主攻纯视觉方案，还是继续坚持多传感器融合的道路？应当统一行业标准，还是由车企分别定制？高精地图是否必须？垂直整合和开放联盟，孰优孰劣？
诸如此类的问题一度引发全行业的诸多思辨。而在绝大部分问题上，谁也说服不不了谁，谁也代表不了谁。如此便有了今日中国智能辅助驾驶行业在技术发展层面的多元局面。
然而，在智驾企业异步发展的过程中，我们依然能够看到一定程度上的同步性。这也构成了未来数年内，中国智能辅助驾驶技术可能的发展方向。
从限定场景迈向全域进化
“顾客真正购买的不是商品，而是解决问题的办法。”
正如现代营销学奠基人西奥多·莱维特（Theodore Levitt）所言，智能辅助驾驶技术因终将被包装成一件可供售卖的商品，而具有显著的结果导向性。
对绝大部分消费者来说，随新车搭载的智能辅助驾驶系统究竟由何构成或如何工作，并不在他们的关心之列。他们所需要的只是车辆在特定环境下，帮助自己完成从A点到B点的移动工作。
汽车制造商也很清楚这一点。因此在智驾类产品的定义过程中，他们不可避免地需要把每位客户都想象成不会开车的“本本族”——至少要将此作为一种最坏情况去做打算。如此才能在各种工况下，给出最佳的智驾解决方案。
这为智能辅助驾驶技术的场景适用性带来了越来越大的挑战。也正因如此，过去10年间，我们在中国智能辅助驾驶行业错综复杂的同业竞争中，观察到了一个罕见的趋同现象——即越来越多的智驾技术提供者，开始加速扩充技术的运行设计域（Operational Design Domain）。
作为终端消费者，我们所能看到的是，配备智能辅助驾驶系统的车辆从可以完成自主泊车，渐渐获得了高速NOA能力，随后又在此基础上发展成城区/城市NOA，并很快将达成全场景车位到车位（Door-to-Door）的智驾目标。
而作为消费者，我们看不到的是，在这种技术路径的演进背后，算法、数据、算力等多重因素均取得了长足的进步，并形成协同突破。
三级架构下的算力跃升
在过去10年内，汽车智能辅助驾驶系统的算力提升颇为明显。
基于“云端训练-边缘推理-车端执行”的三级架构，将计算任务从算力单一、孱弱的车端移向更强大的云端，是智驾系统计算能力实现量级跃升的关键。
随着头部车企纷纷开始建立EFLOPS级超算中心，如今的云端算力已肩负起模型训练、数据闭环与算法迭代等任务，其中最典型的应用是端到端模型训练以及Corner Case挖掘——这将在未来数年内大幅提升智驾系统在面对一些极端异常的场景数据时，所做决策的可靠性，同时也是系统自学习及迭代的基础。
在中国，吉利、华为、理想、小米、小鹏等汽车制造商正通过与云服务商的合作，实现云端算力快速扩容。目前，吉利星睿智算中心的算力规模达到23.5EFLOPS，位居国内第一，此后依次是华为的10+EFLOPS、理想和小米的8.1EFLOPS。而小鹏则计划在2025年年内将其云端算力从去年9月的2.51EFLOPS提升至10EFLOPS。而从全球角度看，特斯拉的云端算力规模已高达88.5EFLOPS。
在车端，负责即时数据处理与决策的算力同样也经历了强化。随着辅助驾驶级别的提升，眼下的车端算力正以指数级增长的趋势，向千TOPS级别发起冲击。
一组对比或有助理解上述数据的概念：当前热门的自动泊车、城市NOA等L2级智驾任务，对车端算力的要求通常在几十到几百TOPS不等，而L3及以上级别的任务则需要超过1000TOPS的算力，以支持端到端模型的实时推理。
作为参考，当前智能辅助驾驶系统主流采用的英伟达单/双Orin X芯片算力为254/508TOPS，下一代Thor-X-Super芯片有望提升至2000TOPS。此外，地平线J6P算力为560TOPS，华为昇腾910和小鹏图灵算力分别为512TOPS和750TOPS，而蔚来NX9031算力则可达到1000TOPS。
另一方面，在当前热门的智能辅助辅助方案中，蔚来NIO Pilot的车端算力达到1016TOPS；特斯拉FSD以720TOPS的算力紧随其后；小鹏XNGP、理想AD PRO、Xiaomi Pilot Max、比亚迪天神之眼A和极氪千里浩瀚H7则实力相当，均为508TOP；与之相比，华为ADS3.0的车端算力稍显逊色，约为200TOPS。
位处车端和云端之间的边缘算力也同样重要，其主要任务是助推形成“车路云”数据协同，并推动路侧算力标准化。在逐步实现L3及以上级别智驾的过程中，这种有助提高局部感知和交通优化响应速度的技术是一个不可或缺的环节。
但由于边缘算力的形成与提升涉及边缘节点硬件、通信协议栈、数据处理层和服务接口层的铺设和建立，需要法律法规的进一步支持，且相关产业化进程尚处于早期，因此这一部分的算力发展仍需假以时日。
