英特尔整车方案帮助汽车制造商降低成本、优化能效,提供用户渴望的下一代体验
本文作者:

Jack Weast
英特尔院士,英特尔公司副总裁、汽车事业部总经理
从商业模式、供应链,到打造全新车载体验(包括AI),几乎汽车行业的方方面面都在经历着重大的转型。对于汽车制造商来说,这些变化往往都伴随着成本的提升,尤其是来自于高性能AI SoC和电动汽车愈发庞大且昂贵的电池的高昂成本。
汽车行业必须降本,然而在无法阻挡的技术浪潮的推动下,汽车制造商应该如何在为消费者提供他们所渴望的下一代体验的同时,又能兼顾盈利呢?
答案是:采用系统方案。
新方案:采用全面的系统极策略
千头万绪的成本问题很难通过逐个处理固定功能模块来解决。为了真正解决成本问题,英特尔提出了一种全面的、系统级的策略。
区别于只着眼于构建更好的单个组件,英特尔将各个点连接起来,从而让整个系统受益。英特尔专注于三大核心要素的集成:软件定义车载计算、智能能源管理和类数据中心的工作负载管理。这些先进方案的结合带来了倍增效应,效果远远优于试图对车辆每个方面的成本进行优化的方法。
英特尔的方案将车辆系统视为一个 “整体”,并让工作负载可以在软件定义中央计算系统和软件定义域计算子系统之间无缝移动,确保了极大的灵活性、出色的成本和性能,以及显著的能效优势。

打破架构孤岛
目前的车辆架构是孤立的,这也是效率低下的原因。例如,很多电动汽车即使处于未启动状态,也仍然会监控外部的摄像头,从而防止安全威胁、或者识别靠近的驾驶员。通常情况下,这一功能由车辆的车载计算子系统提供支持。由于它的高能耗,即使车辆处于未启动状态,也会给电池带来不必要的消耗。
这一工作负载并不一定要处于软件定义中央计算系统中。如果大家使用英特尔软件定义域控制器来控制摄像头工作,就可以使用数据中心应用编排概念,将工作负载转移到能耗更低的设备(在这个案例中是指域控制器)上,只有在需要时才唤醒中央计算系统。通过这样的方式,我们就可以节约能源、提升效率、并且通过将工作负载动态整合到软件定义域控制器中,来减少车辆中的ECU(电子控制单元)总数。
此外,整合智能电源策略与控制系统,也可以降低整车的能耗。比如,在汽车充电时关闭ADAS ECU或者根据环境状况调整汽车电源使用,可以显著节约能源。在现实生活中,我们可以在冬天的底特律关闭空调ECU,在夏天的凤凰城关闭座椅加热器和雨刮 ECU。
这些看起来只是简单的例子,但却为系统视角对车辆架构的作用带来了深刻的改变。
当我们将这一概念应用于整车,通过集中式电源管理控制器控制每个 ECU,就能在节能方面开启无限可能。无论是燃油汽车还是电动汽车,都会实现更好的能源效率。
这些策略其实并不是全新的。它们已经改变了PC行业,通过高级配置与电源接口(ACPI)规范等标准带来更长的电池寿命。ACPI可以发现并对 PC平台上的所有耗电设备进行确定性控制。这在很大程度上解释了,PC行业如何从最初的笔记本电脑难以维持一小时续航时间,转变为如今我们所享受的全天候电池续航能力。这种思维方式已经通过全新SAE车辆平台电源管理标准(J3311)被应用到汽车行业,该标准致力于将这些经过验证的PC概念应用到车辆中。
植根数据中心的集成架构理念
更优的软件定义设计是一种架构思维,将计算、内存和I/O创建资源池并进行共享,不受干扰地动态分配给手头的任一工作负载。这种方式的采用也改变了我们对汽车电子/电气架构的看法,不再是从应用到芯片1:1映射的固定功能模块,而是转变为跨越多个固定功能模块的资源池。它适用全新的系统级方法,为消费者带来所需的体验。
简而言之,这是一种数据中心的方案,而不是手机/平板的方案。英特尔已经多次采用了这种方案,这也让英特尔积累了足够的经验,来帮助汽车行业完成这一关键转型。
变革的车轮正在转动
向软件定义、可持续和可扩展的汽车过渡并非易事。但是,如果汽车制造商试图通过逐个更新固定功能模块来演进汽车架构,那就更难了。
采用全面的系统级视角,配合合适的芯片和功能设计,将为汽车制造商开辟新的盈利途径。英特尔则正是引领这一方案的佼佼者。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。