“市场掌握在少数人手中”
目前，自动驾驶乘用车的公司大致可以分为三类。第一类是类似于苹果（NASDAQ：AAPL）的闭环系统。芯片、算法等关键部件都是自己做的。特斯拉（纳斯达克股票代码：TSLA）就是这样做的。一些新能源车企也希望逐步走上这条道路。 这条路。第二类是类似Android的开放系统。有的厂商做智能平台，有的厂商做汽车。例如，华为和百度（纳斯达克股票代码：BIDU）就有这方面的意图。第三类是机器人（无人驾驶出租车），比如Waymo等公司。
本文将主要从技术和业务发展的角度分析这三种路线的可行性，并讨论一些新势力汽车制造商或自动驾驶公司的未来。不要低估技术。对于自动驾驶来说，技术就是生命，关键技术路径就是战略路径。 所以这篇文章也是对自动驾驶策略的不同路径进行探讨。
在智能汽车领域，尤其是自动驾驶领域，采用苹果的闭环模型可以让厂商更容易优化性能、提升性能。快速响应消费者需求。
我先说说性能。性能对于自动驾驶至关重要。超级计算机之父西摩·克雷曾经说过一句很有意思的话：“任何人都可以制造出快速的CPU，关键在于构建一个快速的系统。”
随着摩尔定律的逐渐失效，单纯通过增加单位面积晶体管数量来提升性能已经行不通了。而且由于面积和能耗的限制，芯片的规模也受到限制。当然，目前的特斯拉FSD HW3.0（FSD全称为Full Self-Driving）也只有14nm工艺，还有提升的空间。
目前，大多数数字芯片都基于冯·诺依曼结构设计，将内存和计算器分离，从而构成了计算机（包括智能手机）的整个体系。从软件到操作系统再到芯片，都深受其影响。然而，冯·诺依曼结构并不完全适用于自动驾驶所依赖的深度学习，需要改进甚至突破。
例如，存在“内存墙”，即计算器的运行速度超过内存，这会导致性能问题。类脑芯片的设计在架构上确实取得了突破，但跨越过远的跨越可能不会很快得到应用。此外，图像卷积网络可以转化为矩阵运算，这可能并不真正适合类脑芯片。
因此，由于摩尔定律和冯·诺依曼架构都遭遇瓶颈，未来的性能提升主要需要通过领域特定架构（DSA，可以指专用处理器）来实现。DSA是由图灵奖得主John Hennessy和David Patterson提出的，这是一个并不算太超前的创新，是一个可以立即付诸实践的想法。
我们可以从宏观的角度理解DSA的思路。一般来说，目前的高端芯片都有数十亿到数百亿个晶体管。这些庞大数量的晶体管如何分布、连接、组合，对具体应用的性能影响很大。未来需要从软硬件统筹的角度构建“快系统”，依靠架构的优化和调整。
“安卓模式”在智能汽车领域并不是一个好的解决方案。
很多人认为，自动驾驶时代，智能手机领域同样有苹果（闭环）和安卓（开放），也会出现谷歌这样的重核软件提供商。 我的答案很简单。 Android路线在自动驾驶上不会行得通，因为它不符合未来智能汽车技术发展的方向。
“安卓模式”在智能汽车领域并不是一个好的解决方案。
很多人认为，自动驾驶时代，智能手机领域同样有苹果（闭环）和安卓（开放），也会出现谷歌这样的重核软件提供商。 我的答案很简单。 Android路线在自动驾驶上是行不通的，因为它不符合智能手机和智能汽车的架构不同。 智能手机的重点是生态。 生态系统是指提供基于ARM和IOS或Android操作系统的各种应用程序。因此，Android智能手机可以理解为一堆通用标准件的组合。 芯片标准是ARM，芯片之上是Android操作系统，然后就是网上的各种App。 由于其标准化，无论是芯片、Android系统还是App，都可以轻松成为业务独立的未来智能汽车技术发展的方向。
智能汽车的重点是算法以及支撑算法的数据和硬件。 无论是在云端训练，还是在终端推断，算法都需要极高的性能。 智能汽车的硬件需要针对特定的专业应用和算法进行大量的性能优化。 因此，仅算法或仅芯片或仅操作系统长期来看将面临性能优化困境。 只有每个组件都是自己开发的，才能轻松优化。 软件和硬件的分离会导致性能无法优化。
我们可以这样比较，NVIDIA Xavier有90亿个晶体管，Tesla FSD HW 3.0有60亿个晶体管，但Xavier的算力指标不如HW3.0。 据称，下一代FSD HW的性能较现款提升了7倍。 所以，是因为特斯拉芯片设计师彼得·班农和他的团队比英伟达的设计师更强，或者是因为特斯拉软硬件结合的方法论更好。我们认为软硬件结合的方法论也一定是芯片性能提升的重要原因。将算法和数据分开并不是一个好主意。不利于快速反馈消费者需求和快速迭代。
因此，在自动驾驶领域，将算法或芯片拆解出来单独出售，从长远来看并不是一门好生意。