「跑分」這一詞聽起來些許久遠了。
更多流行在智慧型手機早期。靠跑特定的程序，來測試和評估手機在CPU、顯卡、內存、存儲等方面的性能。因為對於普通消費者來說，不太容易弄懂繁瑣的參數和晶片名稱，所以「跑分越高=性能越好=買！」
是不是啊，選車這麼容易的嗎？丨Giphy
但如今，你的車開始「跑分」了。
最近，一款跑分軟體測試了數十款車機晶片，給出排名第一的接近70萬分。車機晶片是什麼？簡單來說，車機晶片決定了智能座艙中的體驗，比如車載娛樂，導航，語音助手等功能的響應和運行。
圍繞高性能晶片，中控大屏，人機互動，全車語音識別等等做營銷的智能座艙，的確跟手機廠商早年宣傳路數很像。
那麼對於消費者來說，是不是能像挑手機一樣，「直接入手」晶片好的，跑分高的？在智能汽車的時代下，這些全新參數意味著什麼？
油車靠馬力，電車靠算力？
第一步，先要搞清楚，智能汽車的算力（跑分）升級能帶來哪些體驗上的改善。
如今的汽車像手機一樣，淘汰了鍵盤與按鍵，進入到了大屏時代，和更加自動化、智能化的時代。但早期，這些功能剛出現時，並不被買帳。很多人更樂意花9.9買來車用手機支架，用手機導航。或者用手機投射的方式，使用大屏，就是不用主機廠花重金打造的車載系統——原因就是車載系統太卡，且聯網體驗很差。
要把大彩電放車裡，總共分幾步丨Giphy
比如車機的開機啟動、語音響應、應用啟動，操作跟手速度等等。行駛路上，導航或儀錶盤卡了、慢了，影響可不是一星半點，甚至會釀成大禍。
人們對與乘坐舒適度和智能化（傳感器變多，觸控代替實體，語音交互等等）的要求越來越高，車機晶片的性能也就變得越來越重要。以兩款熱門的車機晶片為例子，從驍龍820A到驍龍8155，後者CPU核心數從4核增加到8核，採用「1大3中4小「設計，超大核負責大型遊戲運轉及其他大型車內應用；中核負責汽車日常運轉；小核處理微型軟體，多核分開工作，就能保證打開多個應用程式不卡頓。
在智能汽車裡，除了車機晶片，還有承擔另外一處功能的晶片——智能駕駛晶片。
從保持車道內穩定行駛，到能識別前車速度，自動跟車行駛；從「開高速」，到自主完成變道超車和上下匝道；
道路環境越複雜，車越難做決策丨Giphy
如今車企們又著手攻克複雜的城市駕駛場景——道路環境複雜意味著，車感知和識別，規劃決策，控制執行也越難。
遇上這路口，別說車了，連人都不太會走丨Giphy
當一輛自動駕駛車輛每天可以產生數TB、甚至數十TB數據需要處理，自然需要算力支撐。
所以我們看到了近十年，智能駕駛晶片算力近乎瘋狂的增長。
2014年，特斯拉用上Mobileye發布的駕駛輔助晶片EyeQ3，算力只有0.256TOPS（TOPS，指每秒可以運算多少萬億次操作）；到2019年，特斯拉自研144TOPS的自動駕駛晶片發布；再到2021年，蔚來Adam超算平台實現超過1000 TOPS算力；2022年，英偉達又刷新紀錄，Thor一顆單片算力達到2000TOPS。
自動駕駛發展史，也是智駕晶片算力暴漲史丨Giphy
算力（晶片跑分）劃定了駕駛和乘坐體驗的「天花板」，它決定了是不是能預埋更多攝像頭給未來智能駕駛升級；車內」大彩電「是想看2K還是4K的螢幕；想不想擁有「全車多音區識別功能」……這些都需要更高級別的晶片支撐，壓榨低級別的晶片算力很難實現。甚至還出現了增加NPU（神經網絡處理單元）的晶片——專門負責車AI計算部分的任務，以騰出CPU處理其他任務。
「大力出奇蹟「固然好，但晶片算力還是拗不過「木桶理論」。
錢花在刀刃上？硬體上？軟體上？
上千TOPS能怎麼樣？車企發布會上說得「天花亂墜」的，但這只是一個「最大值」。它跟汽車實際運行時的表現，並不能完全畫等號。從算力強到表現好，這裡面還差了一步。
地平線（AI晶片公司）曾呼籲行業「不該拼算力」，而要看真實性能，並推出了一種MAPS測試方法：即在精度有保障範圍內的平均處理速度。
以特斯拉為例：特斯拉FSD晶片的單片算力72TOPS，只有英偉達Drive PX2（24 TOPS）的三倍；但在MAPS測試下，FSD每秒可準確識別2300幀圖像，而PX2隻能識別110幀圖像，兩者相差21倍。
這是因為車端晶片性能表現，不僅取決於算力，還受制於存儲與帶寬。特斯拉高效運用算力的方法是：在晶片內封裝了32MB的SRAM（靜態隨機存儲器），緩存帶寬達到2TB/s，數據傳輸的延遲更低（高速緩存通常由SRAM組成，位於CPU和主內存之間，存取速度比主內存快，將經常使用的數據存儲在高速緩存中，CPU能更快訪問），這樣將每秒能處理的圖像大幅提升。
晶片性能的充分發揮，還得靠軟體算法。
就像早年間遊戲領域裡一個著名的故事：喬布斯在雅達利時期，找來沃茲尼亞克優化遊戲電路板。原本一款遊戲要用100多個電晶體來負責運算，通過重新設計遊戲的運算邏輯減少電晶體使用，沃茲最終只用了44枚電晶體，開發了打磚塊遊戲「鼻祖」。
就是這個遊戲，《Breakout》丨wikipedia
汽車同理——算力是被算法「浪費」著用，還是「精打細算」用，差別很大。拿用了驍龍 820A晶片的車機系統來說，在不同車上表現也不盡相同。所以，都是晶片的」鍋「嗎？軟體要「壓榨」晶片，讓軟體和硬體匹配度更高，針對想要提供的用戶體驗做獨有的優化。軟體做好，把硬體潛力發揮出來，體驗也能做到超越晶片層面的優秀。
同樣，對於智能駕駛晶片，軟體算法能力更為凸顯。
比如過去傳統的軟體編寫，是由人敲的邏輯代碼（if-then規則），輔以機器學習，識別道路車輛和物體，用在規則清晰的「高速場景」下。
但在「城市場景」下，因為交通狀況更為複雜，corner case（特殊場景）的數據集規模增加了上百倍。還以特斯拉為例，他們將原始圖像直接輸入名為「HydraNets（九頭蛇）」的純視覺神經網絡算法中，這些車身攝像頭從不同角度拍下的照片，進行一系列數據處理，最終匯總成（汽車的空間位置，周圍交通狀況）給機器的決策依據，「接下來該怎麼開」。
「ái？ái？ài！ài！ài！丨Giphy
越來越多車企使用「以神經網絡訓練形式」編寫的軟體，構建其自動駕駛策略。通過「製造算法的算法」，機器能無休止的「學習」。
算力強不等於表現好丨Giphy
如今「值得把所有行業重做一遍的大模型」也「上車」了。我們看到很多車企紛紛構建，雲算力平台。在雲端訓練一個大模型，進行駕駛策略的訓練；進行（代替人）數據自動標註；生成虛擬仿真數據，反覆訓練 corner case，彌補真實數據採集不足等一系列工作；最後把大模型「蒸餾」，把能力遷移到小模型上，再塞到車內。
說了這麼多，判斷一台車智能體驗的好壞，取決於很多方面：軟體研發能力，車企 OTA，工程技術的落地……這些做好了，智能汽車才不是「一錘子買賣」，車才會「常開常新」，體驗越來越好。
「走兩步，你說你行，就出來走兩步。「丨Giphy
這不是硬體數據或一兩個參數就能下結論的——盲目的追求算力，消費者花了冤枉錢，車企們「白卷了」，行業呢，止步不前。
作者：陸泰
編輯：沈知涵
如有需要請聯繫sns@guokr.com