大芯片面临的共同挑战（下）
原创 Chaobowx 软硬件融合
3 大芯片面临的共同挑战
3.1 挑战一：复杂大系统，对灵活性的要求高于对性能的要求
有一个非常经典的问题：终端非常流行SOC，但为什么数据中心服务器却依然是CPU打天下？
越是复杂的场景，对系统灵活性的要求越高。CPU作为云计算场景的主力计算平台有其合理性，主要体现在四个方面：
硬件的灵活性。软件应用迭代很快，支持软件运行的硬件处理引擎要能够很好地支持这些迭代。CPU因为其灵活的基础指令编程的特点，是最适合云计算的处理引擎。
硬件的通用性。云计算厂家购买硬件服务器，很难预测这些硬件服务器会运行哪类工作任务，最好的办法是采用完全通用的服务器。CPU由于其绝对的通用性，成为云计算场景最优的选择。
硬件的利用率。云计算的基础技术是虚拟化，通过虚拟化把资源切分，实现资源共享，以此提高资源利用并降低成本。只有CPU能够实现非常友好的硬件级别的虚拟化支持，从而实现更高的资源利用率。而其他硬件加速平台，（相对的）资源利用率很难做到很高，这就约束了其性能优势。
硬件的一致性。在云计算数据中心，软件和硬件是需要相互脱离的。同一个软件实体会在不同的硬件实体迁移，同样的同一个硬件实体也需要运行不同的软件实体。这对硬件平台的一致性提出了很高的要求。
在性能满足要求的情况下，CPU当仁不让的就成了数据中心计算平台的最佳选择。
可惜的是，目前，CPU的性能无法满足要求了。在CPU性能不满足要求的情况下，就需要创新的硬件来进行性能加速。如何在整个系统保持跟传统CPU接近的通用性、灵活性、可编程性、易用性的约束条件下，实现性能显著提升，成为了重要的挑战。
3.2 挑战二：如何数量级的提升综合性能？
我们之前都讲过，性能和单位指令的复杂度是正相关的。指令越简单，性能相对越低；指令越复杂，性能相对越好。但指令简单，我们就可以随心所欲组合各种各样的场景的应用程序；而指令越复杂，引擎所能覆盖的领域和场景就会越来越小。
如上图所示：
CPU性能最差，但几乎可以覆盖所有的计算场景，是最通用的处理器；
DSA覆盖某个特定领域，性能可以做到很好。但覆盖的领域如果算法更新迭代快或者领域的范围较小不足以支撑大算力芯片的大范围落地的话，这样的DSA芯片在商业上就很难成立。
GPU介于两者之间。
CPU软件，是通过基础的指令组合出来所需要的业务逻辑；而为了提升性能，硬件加速本质上是将业务逻辑固化成硬件电路。而将业务逻辑固化成电路，虽然提升了性能，但会约束芯片本身的场景覆盖。目前，很多算力芯片的设计陷入了一个怪圈：越优化性能，场景覆盖越狭窄；场景覆盖越狭窄，芯片出货量越低；芯片出货量低，无法覆盖芯片的一次性研发成本，商业逻辑不成立，后续的持续研发难以为继。
以AI为典型场景，目前AI芯片落地难的本质：很多AI芯片特别强调深度理解算法，然后把算法融入到芯片中。但受限于AI类算法多种多样，并且算法都在快速的迭代。这导致AI芯片一直无法大规模落地，芯片数以亿计的研发成本难以摊薄。因此，从目前来看，AI芯片在商业逻辑上无法成立。
AI芯片已经榨干了目前芯片所能达到的性能极限；未来，L4/L5级别的自动驾驶芯片需要算力十倍百倍的提升；而要想达到元宇宙所需的良好体验，则需要算力千倍万倍的提升。如何在确保芯片的场景覆盖如CPU一样通用全面，并且还能够十倍百倍甚至千倍万倍的快速性能提升，是大算力芯片需要直面的挑战。
3.3 挑战三：业务的横向和纵向差异性
业务的横向差异指的是不同客户之间相近业务的细节差异性；而纵向差异指的是单个用户业务的长期迭代的差异性。
不同用户的业务存在差异，即使同一大公司内部，不同的团队对相同场景的业务需求也是不完全一致的。并且，即使同一客户，受限于软件的快速更新迭代，其业务逻辑更新也会很快，显著的快于硬件芯片的更新迭代（软件迭代通常在3-6个月，而芯片迭代则是2-3年，还要考虑芯片4-5年的生命周期）。
针对横向和纵向的差异性，目前行业有几种显著的做法：
一些芯片大厂，针对自身对场景的理解，提供自认为最优的业务逻辑加速方案给到用户。但站在用户的视角，这样会丧失自身的差异性和创造性。用户需要修改自身的业务逻辑，这个风险也非常的高；并且，会对芯片公司形成强依赖关系。
一些大客户。针对自身差异化场景，自研芯片。可以满足自身差异化的竞争能力，但大用户内部也是由许多不同的小团队组成，不同团队业务场景仍然存在差异性；并且，单个业务纵向的长期迭代差异依然是需要考虑的。定制芯片在商业上是可行的，但需要考虑技术层面的通用芯片设计。
第三方通用的解决方案。“授人以鱼，不如授人以渔”，通过通用的设计，确保在每个领域，都能够实现一定程度上的软硬件解耦。芯片公司提供“通用”的硬件平台，让用户通过编程的方式实现业务差异化，“让用户掌控一切”。
3.4 挑战四：芯片的一次性成本过高
在先进工艺的设计成本方面，知名半导体研究机构Semiengingeering统计了不同工艺下芯片所需费用（费用包括了）：16nm节点则需要1亿美元；7nm节点需要2.97亿美元；到了5nm节点，费用高达5.42亿美元；3nm节点的研发费用，预计将接近10亿美元。
就意味着，大芯片需要足够通用，足够大范围落地，才能在商业逻辑上成立。做一个基本的估算：在数据中心场景，则需要50万以上的销售量，才能有效摊薄研发成本。在数据中心领域，这个门槛非常高。
3.5 挑战五：宏观算力要求芯片能够支撑大规模部署
性能和灵活性是一对矛盾，很多性能优化的芯片设计方案，显著的提升性能的同时，也显著的降低了芯片的通用性、灵活性和易用性，同时降低了芯片的场景和用户覆盖。从而导致芯片落地规模很小。
芯片落地规模小，单芯片再高的性能，都相当于无源之水，没有了意义。
因此，一个综合性的芯片平台，需要考虑芯片性能提升的同时，也要考虑如何提高芯片的宏观规模落地：需要考虑芯片的场景覆盖；需要考虑芯片的用户覆盖；需要考虑芯片的功能横向和纵向的差异性覆盖。
只有兼顾了性能和更多用户和场景覆盖，才能实现大芯片的规模化部署，才能显著的提升宏观算力。
3.6 挑战六：计算平台的融合
算力需要池化，并且，算力不仅仅是数据中心基于x86 CPU的算力池化，算力池化，需要：
算力需要跨不同的CPU架构，比如能够把x86、ARM、RISCv等主流架构的算力整合到一个算力池；
算力需要跨不同类型的处理引擎。比如把CPU、GPU、FPGA、DSA的算力整合到一个算力池；
算力还需要跨不同厂家的硬件平台，算力需要把不同Vendor提供的算力资源都能够整合到一个算力池；
算力需要跨不同位置，算力可以部署云、边、端甚至网络，可以把这些算力整合到一个算力池。
云网边端融合，就是把所有的算力资源整合到一起，真正实现跨云网边端自适应的软件运行。挑战在于，如何构建统一的开放的硬件平台和系统堆栈。
3.7 挑战七：生态建设的门槛
大芯片一定需要平台化，一定需要开发框架并形成开发生态。而框架和生态门槛高，且需要长期积累，对小公司来说是一件非常难的事情。
RISC-v CPU已经如火如荼，很多公司，特别是一些初创小公司，大家都非常认可RISC-v的开源开放的理念和价值，众人拾柴火焰高，大家共同推动RISC-v开放生态的蓬勃发展。
未来，计算进一步走向异构和超异构计算，架构和平台越来越多，此时，开源开放已经不是可选项，而是成为必选项。因为，如果不是开源开放，那就会导致算力资源完全的碎片化，何谈算力池化，何谈云网边端融合。
开源开放，是大芯片平台和生态建设的必然选择。
3.8 挑战八：（用户视角）宏观跨平台的挑战，没有平台依赖
站在芯片厂家视角，给客户提供芯片以及配套的驱动软件，然后有SDK等开发工具包，用户基于此开发自己的应用程序，这样就万事大吉。但站在用户的视角，问题可不是这样。用户的软件应用和硬件平台是完全脱离的。
我们以VM计算机虚拟化为例。用户的VM需要在不同的硬件平台上能够实时热迁移，这样就对硬件平台的一致性就有了要求。通常，硬件一致性是通过虚拟化来完成的，虚拟化给上层的VM抽象出标准的硬件平台，使得VM可以跨不同架构的硬件服务器运行。随着CPU性能的瓶颈，虚拟化相关堆栈逐渐下沉到了硬件加速，这样，就需要把硬件接口直接暴露给业务VM，那么就需要硬件架构/接口原生支持一致性。
硬件架构/接口原生支持一致性，换个表述，就是不同厂家的芯片平台提供的是相同的架构和接口，使得软件可以方便的跨不同厂家的硬件平台迁移。如果某个厂家提供的是私有架构/接口的硬件平台，那么用户就会对平台形成强依赖关系，并且如果选择的个性化平台越多，使得用户自己的数据中心变成割裂的各自不同的资源池碎片，这样云的整个运营管理变得非常的复杂和困难。
（正文完）
原创 Chaobowx 软硬件融合
3 大芯片面临的共同挑战
3.1 挑战一：复杂大系统，对灵活性的要求高于对性能的要求
有一个非常经典的问题：终端非常流行SOC，但为什么数据中心服务器却依然是CPU打天下？
越是复杂的场景，对系统灵活性的要求越高。CPU作为云计算场景的主力计算平台有其合理性，主要体现在四个方面：
硬件的灵活性。软件应用迭代很快，支持软件运行的硬件处理引擎要能够很好地支持这些迭代。CPU因为其灵活的基础指令编程的特点，是最适合云计算的处理引擎。
硬件的通用性。云计算厂家购买硬件服务器，很难预测这些硬件服务器会运行哪类工作任务，最好的办法是采用完全通用的服务器。CPU由于其绝对的通用性，成为云计算场景最优的选择。
硬件的利用率。云计算的基础技术是虚拟化，通过虚拟化把资源切分，实现资源共享，以此提高资源利用并降低成本。只有CPU能够实现非常友好的硬件级别的虚拟化支持，从而实现更高的资源利用率。而其他硬件加速平台，（相对的）资源利用率很难做到很高，这就约束了其性能优势。
硬件的一致性。在云计算数据中心，软件和硬件是需要相互脱离的。同一个软件实体会在不同的硬件实体迁移，同样的同一个硬件实体也需要运行不同的软件实体。这对硬件平台的一致性提出了很高的要求。
在性能满足要求的情况下，CPU当仁不让的就成了数据中心计算平台的最佳选择。
可惜的是，目前，CPU的性能无法满足要求了。在CPU性能不满足要求的情况下，就需要创新的硬件来进行性能加速。如何在整个系统保持跟传统CPU接近的通用性、灵活性、可编程性、易用性的约束条件下，实现性能显著提升，成为了重要的挑战。
3.2 挑战二：如何数量级的提升综合性能？
我们之前都讲过，性能和单位指令的复杂度是正相关的。指令越简单，性能相对越低；指令越复杂，性能相对越好。但指令简单，我们就可以随心所欲组合各种各样的场景的应用程序；而指令越复杂，引擎所能覆盖的领域和场景就会越来越小。
如上图所示：
CPU性能最差，但几乎可以覆盖所有的计算场景，是最通用的处理器；
DSA覆盖某个特定领域，性能可以做到很好。但覆盖的领域如果算法更新迭代快或者领域的范围较小不足以支撑大算力芯片的大范围落地的话，这样的DSA芯片在商业上就很难成立。
GPU介于两者之间。
CPU软件，是通过基础的指令组合出来所需要的业务逻辑；而为了提升性能，硬件加速本质上是将业务逻辑固化成硬件电路。而将业务逻辑固化成电路，虽然提升了性能，但会约束芯片本身的场景覆盖。目前，很多算力芯片的设计陷入了一个怪圈：越优化性能，场景覆盖越狭窄；场景覆盖越狭窄，芯片出货量越低；芯片出货量低，无法覆盖芯片的一次性研发成本，商业逻辑不成立，后续的持续研发难以为继。
以AI为典型场景，目前AI芯片落地难的本质：很多AI芯片特别强调深度理解算法，然后把算法融入到芯片中。但受限于AI类算法多种多样，并且算法都在快速的迭代。这导致AI芯片一直无法大规模落地，芯片数以亿计的研发成本难以摊薄。因此，从目前来看，AI芯片在商业逻辑上无法成立。
AI芯片已经榨干了目前芯片所能达到的性能极限；未来，L4/L5级别的自动驾驶芯片需要算力十倍百倍的提升；而要想达到元宇宙所需的良好体验，则需要算力千倍万倍的提升。如何在确保芯片的场景覆盖如CPU一样通用全面，并且还能够十倍百倍甚至千倍万倍的快速性能提升，是大算力芯片需要直面的挑战。
3.3 挑战三：业务的横向和纵向差异性
业务的横向差异指的是不同客户之间相近业务的细节差异性；而纵向差异指的是单个用户业务的长期迭代的差异性。
不同用户的业务存在差异，即使同一大公司内部，不同的团队对相同场景的业务需求也是不完全一致的。并且，即使同一客户，受限于软件的快速更新迭代，其业务逻辑更新也会很快，显著的快于硬件芯片的更新迭代（软件迭代通常在3-6个月，而芯片迭代则是2-3年，还要考虑芯片4-5年的生命周期）。
针对横向和纵向的差异性，目前行业有几种显著的做法：
一些芯片大厂，针对自身对场景的理解，提供自认为最优的业务逻辑加速方案给到用户。但站在用户的视角，这样会丧失自身的差异性和创造性。用户需要修改自身的业务逻辑，这个风险也非常的高；并且，会对芯片公司形成强依赖关系。
一些大客户。针对自身差异化场景，自研芯片。可以满足自身差异化的竞争能力，但大用户内部也是由许多不同的小团队组成，不同团队业务场景仍然存在差异性；并且，单个业务纵向的长期迭代差异依然是需要考虑的。定制芯片在商业上是可行的，但需要考虑技术层面的通用芯片设计。
第三方通用的解决方案。“授人以鱼，不如授人以渔”，通过通用的设计，确保在每个领域，都能够实现一定程度上的软硬件解耦。芯片公司提供“通用”的硬件平台，让用户通过编程的方式实现业务差异化，“让用户掌控一切”。
3.4 挑战四：芯片的一次性成本过高
在先进工艺的设计成本方面，知名半导体研究机构Semiengingeering统计了不同工艺下芯片所需费用（费用包括了）：16nm节点则需要1亿美元；7nm节点需要2.97亿美元；到了5nm节点，费用高达5.42亿美元；3nm节点的研发费用，预计将接近10亿美元。
就意味着，大芯片需要足够通用，足够大范围落地，才能在商业逻辑上成立。做一个基本的估算：在数据中心场景，则需要50万以上的销售量，才能有效摊薄研发成本。在数据中心领域，这个门槛非常高。
3.5 挑战五：宏观算力要求芯片能够支撑大规模部署
性能和灵活性是一对矛盾，很多性能优化的芯片设计方案，显著的提升性能的同时，也显著的降低了芯片的通用性、灵活性和易用性，同时降低了芯片的场景和用户覆盖。从而导致芯片落地规模很小。
芯片落地规模小，单芯片再高的性能，都相当于无源之水，没有了意义。
因此，一个综合性的芯片平台，需要考虑芯片性能提升的同时，也要考虑如何提高芯片的宏观规模落地：需要考虑芯片的场景覆盖；需要考虑芯片的用户覆盖；需要考虑芯片的功能横向和纵向的差异性覆盖。
只有兼顾了性能和更多用户和场景覆盖，才能实现大芯片的规模化部署，才能显著的提升宏观算力。
3.6 挑战六：计算平台的融合
算力需要池化，并且，算力不仅仅是数据中心基于x86 CPU的算力池化，算力池化，需要：
算力需要跨不同的CPU架构，比如能够把x86、ARM、RISCv等主流架构的算力整合到一个算力池；
算力需要跨不同类型的处理引擎。比如把CPU、GPU、FPGA、DSA的算力整合到一个算力池；
算力还需要跨不同厂家的硬件平台，算力需要把不同Vendor提供的算力资源都能够整合到一个算力池；
算力需要跨不同位置，算力可以部署云、边、端甚至网络，可以把这些算力整合到一个算力池。
云网边端融合，就是把所有的算力资源整合到一起，真正实现跨云网边端自适应的软件运行。挑战在于，如何构建统一的开放的硬件平台和系统堆栈。
3.7 挑战七：生态建设的门槛
大芯片一定需要平台化，一定需要开发框架并形成开发生态。而框架和生态门槛高，且需要长期积累，对小公司来说是一件非常难的事情。
RISC-v CPU已经如火如荼，很多公司，特别是一些初创小公司，大家都非常认可RISC-v的开源开放的理念和价值，众人拾柴火焰高，大家共同推动RISC-v开放生态的蓬勃发展。
未来，计算进一步走向异构和超异构计算，架构和平台越来越多，此时，开源开放已经不是可选项，而是成为必选项。因为，如果不是开源开放，那就会导致算力资源完全的碎片化，何谈算力池化，何谈云网边端融合。
开源开放，是大芯片平台和生态建设的必然选择。
3.8 挑战八：（用户视角）宏观跨平台的挑战，没有平台依赖
站在芯片厂家视角，给客户提供芯片以及配套的驱动软件，然后有SDK等开发工具包，用户基于此开发自己的应用程序，这样就万事大吉。但站在用户的视角，问题可不是这样。用户的软件应用和硬件平台是完全脱离的。
我们以VM计算机虚拟化为例。用户的VM需要在不同的硬件平台上能够实时热迁移，这样就对硬件平台的一致性就有了要求。通常，硬件一致性是通过虚拟化来完成的，虚拟化给上层的VM抽象出标准的硬件平台，使得VM可以跨不同架构的硬件服务器运行。随着CPU性能的瓶颈，虚拟化相关堆栈逐渐下沉到了硬件加速，这样，就需要把硬件接口直接暴露给业务VM，那么就需要硬件架构/接口原生支持一致性。
硬件架构/接口原生支持一致性，换个表述，就是不同厂家的芯片平台提供的是相同的架构和接口，使得软件可以方便的跨不同厂家的硬件平台迁移。如果某个厂家提供的是私有架构/接口的硬件平台，那么用户就会对平台形成强依赖关系，并且如果选择的个性化平台越多，使得用户自己的数据中心变成割裂的各自不同的资源池碎片，这样云的整个运营管理变得非常的复杂和困难。
（正文完）
#撩妹不如撩车# 【超大直瀑格栅，气势不输新幻影，全新红旗L5谍照曝光】日前，有网友曝光了一组全新红旗L5的测试谍照，在外形设计的细节上进一步完善，据悉有望于2022年正式发布。前脸采用了垂直高度更大的直瀑式格栅，造型也变得更加方正规整。并且融入了全新家族设计语言之后，两侧的头灯也从之前的镀铬圆形变成了更为严肃大气的方形设计，并且与前格栅融为一体。侧面可以看到整体的车身高度进一步提升，多了几分CA7600阅兵车的体量感。同时前后轮圈的造型也更加大气，并且有可能会加入亮面镀铬的处理，这一点和全新幻影颇为相似。此外，从B柱宽度可以看出，全新L5还将加入加长版本，并且加长的方式也是这种比较老派的风格，说明红旗L5的接待商务用途要比私人使用更加优先。动力方面，目前所搭载的6.0L V12发动机显然是落后于时代了，除了要搭载一汽集团潜心研发多年的4.0T V8发动机之外，V12发动机也有可能会迎来全面的更新升级。
聪车智路，5G加持，光靠车企玩不转无人驾驶
“无人驾驶还有多远？”，这在汽车化领域算得上是“第一问题”，每一年我们都能听到各种各样有进展的答案，今年也不例外。
“5G融合，智联万物”，2019年11月25日，以此为主题的第四届i-VISTA智能网联汽车国际研讨会在渝举行，近300位最具影响力的专家学者和企业家齐聚一堂，思想的碰撞涉及人工智能、大数据、智能网联汽车等相关领域，笔者亦有新的感悟。
1、响应需求变革
就产销量而言，业内很多人士曾经乐观地预测中国汽车市场每年5000万辆才是巅峰，但近年来市场实际表现证明3000万辆已然是顶，并且呈逐年微跌态势，加之成本上升、车价下滑，汽车产业面临很大的压力和不确定性。
在第四届i-VISTA智能网联汽车国际研讨会论坛上，同济大学朱西产教授认为智能化将是提振汽车产业的突破点，好比从蓝屏按键手机到智能手机，智能汽车是响应汽车用户需求变革的抓手，还将极大提升产业附加值。
近年来外资、合资、自主汽车品牌都在紧跟风口，总揽行业L1-L2辅助驾驶已经大规模量产，但是高度自动驾驶还只能在特定场景下。正在举办的广州车展上，厂家在做车型宣传时都无一例外会强调智能化这个点，对消费者而言，如果新车没有几块大屏，没有语音互动，那都不好意思拿出手。
智能化是响应需求变革的新引擎！
2、聪明的车、智慧的路中国方案
没有国家不会意识到，发展智能网联汽车可以改善汽车所带来的能源、环保、安全、拥堵等社会问题，并能融合“传统工业经济+数字经济+智能经济”等产业，产业价值以万亿计，对提升国家竞争力极具战略意义。
美、欧、日等国家基于各自特点都有自己的发展路线，美国在立法、研发领域动作较大；欧洲注重网联化，自动化；日本侧重车路协同和智能驾驶。
中国的优势是政策力度大，汽车工业有一定基础，IT、通信产业、交通设施等国际领先，从单车智能到车联网、再到智慧交通、物联网，行业的趋于共识的解决方案是“智能网联汽车”，用会议上中国信科集团副总裁陈山枝的话来说，“聪明的车需要智慧的路来配合，5G LTE-V2X助力智能网联汽车快速发展”。
从技术成熟度来看，这无疑是非常靠谱的解决方案，无人驾驶汽车涉及面太广，技术难点多，特别是当前智能硬件成本过高，裸车价15万，配上激光雷达、摄像头、毫米波雷达、智能芯片、执行器等总车价上百万，对于消费市场而言是无法接受的，成本分摊、技术分摊不仅可行性强，解决方案更优质，来自博世、法雷奥、华为，中国电信等公司的专家分享了各自的方案和观点。
清华大学李克强教授表示，“自动驾驶时代，本地属性要求更加强烈，将来的自动驾驶产品一定有每个国家工况的自动驾驶产品。可以认为既会有日本本地属性的自动驾驶产品，当然也会有属于中国本地属性的自动驾驶产品，所以我们对适应中国本地属性的产品取了一个名字叫“中国方案的自动驾驶”。
这是因为无论是自动驾驶中用到的信息基础设施，地图、定位、通信还是联网运行平台，都必须符合本地国情，未来中国要真正推动自动驾驶，一定会包括云控基础平台、高精度动态地图基础平台、车载终端基础平台、计算基础平台、信息安全基础平台。
笔者认为，这将改变汽车行业，特别是国外品牌惯有的产品、技术研发和产业链配套模式，有助于提升中国汽车产业上中下游整体竞争力！
3、协同创新格局初现
相对于过去一百多年形成的发动机、行驶、传动、转向、制动、电气、车身外型技术体系，智能网联汽车新构建了人、车、路一体化的技术链，整体术解决方案技术瓶颈很多，很多技术跨专业、跨行业、需要产业各参与主体协同创新才能实现。
清华大学李克强教授介绍到，中国从国家层面制定了三横两纵的技术体系，并强调“我国应加速构建适应中国方案的智能网联汽车产业生态，在核心零部件产业、整车制造、商业模式、产业布局等方面提升竞争力。”
现实的情况是，国内各汽车品牌当前智能网联汽车技术研发水平参差不齐，需要更强的整体投入力度及产品迭代优化节奏，借助第三方技术服务是条捷径。
中国汽研副总经理周舟在会议现场分享了i-VISTA智能汽车指数中心在测试评价、技术研发方面的成果及服务能力，i-VISTA于2016年在中国汽研礼嘉园区正式启用，已建成5G封闭试验区、5G可控全网联模拟城市乡村高速试验示范区和覆盖全国85%以上道路环境的复杂开放道路，为标准法规研究、前沿技术测试验证、关键技术融合应用、多场景产业化示范探索等提供丰富的测试环境，助力智能网联汽车和智慧交通产业的健康发展
4年多的时间里，i-VISTA开创了全球首个直面C端的智能汽车测评体系-中国智能汽车指数，面向全社会发布了30款国内外主流智能车型的测评结果，亦具备提供测试评价综合解决方案，开发测试评价软硬件工具，策划智慧交通综合解决方案的能力，为40多家国内外企业提供技术咨询服务。
会议期间，i-VISTA蒲科长还展示了测试评价软硬件工具，包括已开发的出场景构建工具、仿真测试工具、实车测试工具等。
会议现场还有来自国内外各主机厂、零部件公司、TI通信公司、科研院所专家的技术分享，笔者的直观感受是产业协同创新的格局已然形成，这也是国际大趋势。
4、中国特色智能网联汽车生态体系
未来30年的复合型朝阳产业，智能网联汽车巨大的社会、经济、科技前景让各工业强国都意识到这是一场不能输的战役，清华大学李克强教授在会上表示，“国际上正在在加速完善智能网联汽车的政策法规，包括美国发布的自动驾驶的3.0版，包括欧洲以及发展的出行战略以及技术路线图，以及日本发布了自动驾驶的安全技术指南，以及自动驾驶相关制度的大纲。”
我国政府先后出台了《中国制造2025》、《智能汽车创新发展战略》、2017年《汽车产业中长期发展规划》、2017年《国家车联网产业标准体系建设指南（总体要求）》、2018年《车联网（智能网联汽车）产业发展行动计划》等支撑性的政策，但跨行业的顶层设计仍需完善。
作为智能网联汽车创新中心首席科学家，清华大学李克强教授会议现场重点分享了家智能网联汽车创新中心牵头，联合国内10多家顶级高校、部委科研院所、汽车、IT、通信公司编写的《智能网联汽车信息物理系统参考架构1.0》，构建了支持车路云协同控制、面向业务可灵活定制、技术中立可持续演进的设计方法和参考框架，从产业、功能、物理和通信四个视图描述架构，形成基于参考架构的模型／模型库、设计工具。
《智能网联汽车信息物理系统参考架构1.0》的问世，将推动中国特色的智能网联汽车生态体系的构建，将智能网联汽车产业拔到新高度，世界范围内只此一家。
5、商业化挑战
从落地情况来看，我国从2015年就推动在全国范围内推进智能网联汽车示范区的建设，至2019年初包括北京、河北、上海、重庆、浙江、长春、武汉、无锡等城市在内，至少已有20个，覆盖半封闭、开放道路等形态。
但面向私人消费者领域，市场需求爆发点仍不足，从各汽车品牌新车计划看，预计5年内，越来越多的A级、B级家用车将部署L2~L3配置，但笔者认为单车智能走到这一步将会陷入商业化瓶颈期，L3/L4/L5 高等级智能网联汽车要彻底面向私人消费市场，需要“聪明的车+智慧的路”，这其中面临多重挑战。
多位与会嘉宾分享时对这点都有清晰的共识，总结下来，挑战主要存在以下几个方面：相关标准和法规需尽快完善；包括芯片、操作系统、计算平台，高性能传感器、线控底盘、汽车AI等产业链技术体系需进一步强化；路网等基础设施的建设、管理、投资回报商业模式不清晰；跨产业生态协同机制不健全；社会接受度需要时间检验等。
这些挑战当然也存在于其它国家，有道是“重赏之下必有勇夫”，希望明年这些挑战能找到部分答案。
在会上我们还看到了中国汽车产业圈的很多老朋友，像中国汽研董事长李开国、中国汽车工业协会副秘书长叶盛基等，都在为产业发展谏言献策。
很多人认为，智能网联化和电动化一样，都是中国汽车产业弯道超车的机遇，笔者倒认为智能网联化更像是直道赛跑，纯粹就是比谁更快！
汽车质量家：www.autoqa.cn
上海沐睿科技服务有限公司是一家创新型的汽车工程技术服务公司，具备Reach、VOC、ELV环保法规评估一站式解决方案，为客户提供从初步想法到最终产品的全程支持，包括：项目的确定、设计、开发，直到材料、组件和系统的测试。此外，还包括项目管理和人员调配等服务。近十年来，整合汽车行业咨询，从车身、底盘、电子电器、智能化、动力系统、内外饰、环保法规等多方面纵向数据积累，并成功通过以品质创新，加强技术合作，孵化多家二方及三方实验室能力提升，与学术界和政府多方面协作的创新中心，促进自主创新和开放合作。
“无人驾驶还有多远？”，这在汽车化领域算得上是“第一问题”，每一年我们都能听到各种各样有进展的答案，今年也不例外。
“5G融合，智联万物”，2019年11月25日，以此为主题的第四届i-VISTA智能网联汽车国际研讨会在渝举行，近300位最具影响力的专家学者和企业家齐聚一堂，思想的碰撞涉及人工智能、大数据、智能网联汽车等相关领域，笔者亦有新的感悟。
1、响应需求变革
就产销量而言，业内很多人士曾经乐观地预测中国汽车市场每年5000万辆才是巅峰，但近年来市场实际表现证明3000万辆已然是顶，并且呈逐年微跌态势，加之成本上升、车价下滑，汽车产业面临很大的压力和不确定性。
在第四届i-VISTA智能网联汽车国际研讨会论坛上，同济大学朱西产教授认为智能化将是提振汽车产业的突破点，好比从蓝屏按键手机到智能手机，智能汽车是响应汽车用户需求变革的抓手，还将极大提升产业附加值。
近年来外资、合资、自主汽车品牌都在紧跟风口，总揽行业L1-L2辅助驾驶已经大规模量产，但是高度自动驾驶还只能在特定场景下。正在举办的广州车展上，厂家在做车型宣传时都无一例外会强调智能化这个点，对消费者而言，如果新车没有几块大屏，没有语音互动，那都不好意思拿出手。
智能化是响应需求变革的新引擎！
2、聪明的车、智慧的路中国方案
没有国家不会意识到，发展智能网联汽车可以改善汽车所带来的能源、环保、安全、拥堵等社会问题，并能融合“传统工业经济+数字经济+智能经济”等产业，产业价值以万亿计，对提升国家竞争力极具战略意义。
美、欧、日等国家基于各自特点都有自己的发展路线，美国在立法、研发领域动作较大；欧洲注重网联化，自动化；日本侧重车路协同和智能驾驶。
中国的优势是政策力度大，汽车工业有一定基础，IT、通信产业、交通设施等国际领先，从单车智能到车联网、再到智慧交通、物联网，行业的趋于共识的解决方案是“智能网联汽车”，用会议上中国信科集团副总裁陈山枝的话来说，“聪明的车需要智慧的路来配合，5G LTE-V2X助力智能网联汽车快速发展”。
从技术成熟度来看，这无疑是非常靠谱的解决方案，无人驾驶汽车涉及面太广，技术难点多，特别是当前智能硬件成本过高，裸车价15万，配上激光雷达、摄像头、毫米波雷达、智能芯片、执行器等总车价上百万，对于消费市场而言是无法接受的，成本分摊、技术分摊不仅可行性强，解决方案更优质，来自博世、法雷奥、华为，中国电信等公司的专家分享了各自的方案和观点。
清华大学李克强教授表示，“自动驾驶时代，本地属性要求更加强烈，将来的自动驾驶产品一定有每个国家工况的自动驾驶产品。可以认为既会有日本本地属性的自动驾驶产品，当然也会有属于中国本地属性的自动驾驶产品，所以我们对适应中国本地属性的产品取了一个名字叫“中国方案的自动驾驶”。
这是因为无论是自动驾驶中用到的信息基础设施，地图、定位、通信还是联网运行平台，都必须符合本地国情，未来中国要真正推动自动驾驶，一定会包括云控基础平台、高精度动态地图基础平台、车载终端基础平台、计算基础平台、信息安全基础平台。
笔者认为，这将改变汽车行业，特别是国外品牌惯有的产品、技术研发和产业链配套模式，有助于提升中国汽车产业上中下游整体竞争力！
3、协同创新格局初现
相对于过去一百多年形成的发动机、行驶、传动、转向、制动、电气、车身外型技术体系，智能网联汽车新构建了人、车、路一体化的技术链，整体术解决方案技术瓶颈很多，很多技术跨专业、跨行业、需要产业各参与主体协同创新才能实现。
清华大学李克强教授介绍到，中国从国家层面制定了三横两纵的技术体系，并强调“我国应加速构建适应中国方案的智能网联汽车产业生态，在核心零部件产业、整车制造、商业模式、产业布局等方面提升竞争力。”
现实的情况是，国内各汽车品牌当前智能网联汽车技术研发水平参差不齐，需要更强的整体投入力度及产品迭代优化节奏，借助第三方技术服务是条捷径。
中国汽研副总经理周舟在会议现场分享了i-VISTA智能汽车指数中心在测试评价、技术研发方面的成果及服务能力，i-VISTA于2016年在中国汽研礼嘉园区正式启用，已建成5G封闭试验区、5G可控全网联模拟城市乡村高速试验示范区和覆盖全国85%以上道路环境的复杂开放道路，为标准法规研究、前沿技术测试验证、关键技术融合应用、多场景产业化示范探索等提供丰富的测试环境，助力智能网联汽车和智慧交通产业的健康发展
4年多的时间里，i-VISTA开创了全球首个直面C端的智能汽车测评体系-中国智能汽车指数，面向全社会发布了30款国内外主流智能车型的测评结果，亦具备提供测试评价综合解决方案，开发测试评价软硬件工具，策划智慧交通综合解决方案的能力，为40多家国内外企业提供技术咨询服务。
会议期间，i-VISTA蒲科长还展示了测试评价软硬件工具，包括已开发的出场景构建工具、仿真测试工具、实车测试工具等。
会议现场还有来自国内外各主机厂、零部件公司、TI通信公司、科研院所专家的技术分享，笔者的直观感受是产业协同创新的格局已然形成，这也是国际大趋势。
4、中国特色智能网联汽车生态体系
未来30年的复合型朝阳产业，智能网联汽车巨大的社会、经济、科技前景让各工业强国都意识到这是一场不能输的战役，清华大学李克强教授在会上表示，“国际上正在在加速完善智能网联汽车的政策法规，包括美国发布的自动驾驶的3.0版，包括欧洲以及发展的出行战略以及技术路线图，以及日本发布了自动驾驶的安全技术指南，以及自动驾驶相关制度的大纲。”
我国政府先后出台了《中国制造2025》、《智能汽车创新发展战略》、2017年《汽车产业中长期发展规划》、2017年《国家车联网产业标准体系建设指南（总体要求）》、2018年《车联网（智能网联汽车）产业发展行动计划》等支撑性的政策，但跨行业的顶层设计仍需完善。
作为智能网联汽车创新中心首席科学家，清华大学李克强教授会议现场重点分享了家智能网联汽车创新中心牵头，联合国内10多家顶级高校、部委科研院所、汽车、IT、通信公司编写的《智能网联汽车信息物理系统参考架构1.0》，构建了支持车路云协同控制、面向业务可灵活定制、技术中立可持续演进的设计方法和参考框架，从产业、功能、物理和通信四个视图描述架构，形成基于参考架构的模型／模型库、设计工具。
《智能网联汽车信息物理系统参考架构1.0》的问世，将推动中国特色的智能网联汽车生态体系的构建，将智能网联汽车产业拔到新高度，世界范围内只此一家。
5、商业化挑战
从落地情况来看，我国从2015年就推动在全国范围内推进智能网联汽车示范区的建设，至2019年初包括北京、河北、上海、重庆、浙江、长春、武汉、无锡等城市在内，至少已有20个，覆盖半封闭、开放道路等形态。
但面向私人消费者领域，市场需求爆发点仍不足，从各汽车品牌新车计划看，预计5年内，越来越多的A级、B级家用车将部署L2~L3配置，但笔者认为单车智能走到这一步将会陷入商业化瓶颈期，L3/L4/L5 高等级智能网联汽车要彻底面向私人消费市场，需要“聪明的车+智慧的路”，这其中面临多重挑战。
多位与会嘉宾分享时对这点都有清晰的共识，总结下来，挑战主要存在以下几个方面：相关标准和法规需尽快完善；包括芯片、操作系统、计算平台，高性能传感器、线控底盘、汽车AI等产业链技术体系需进一步强化；路网等基础设施的建设、管理、投资回报商业模式不清晰；跨产业生态协同机制不健全；社会接受度需要时间检验等。
这些挑战当然也存在于其它国家，有道是“重赏之下必有勇夫”，希望明年这些挑战能找到部分答案。
在会上我们还看到了中国汽车产业圈的很多老朋友，像中国汽研董事长李开国、中国汽车工业协会副秘书长叶盛基等，都在为产业发展谏言献策。
很多人认为，智能网联化和电动化一样，都是中国汽车产业弯道超车的机遇，笔者倒认为智能网联化更像是直道赛跑，纯粹就是比谁更快！
汽车质量家：www.autoqa.cn
上海沐睿科技服务有限公司是一家创新型的汽车工程技术服务公司，具备Reach、VOC、ELV环保法规评估一站式解决方案，为客户提供从初步想法到最终产品的全程支持，包括：项目的确定、设计、开发，直到材料、组件和系统的测试。此外，还包括项目管理和人员调配等服务。近十年来，整合汽车行业咨询，从车身、底盘、电子电器、智能化、动力系统、内外饰、环保法规等多方面纵向数据积累，并成功通过以品质创新，加强技术合作，孵化多家二方及三方实验室能力提升，与学术界和政府多方面协作的创新中心，促进自主创新和开放合作。
✋热门推荐