作者：Arm 物理 AI 事業部產品和解決方案副總裁 Suraj Gajendra

隨著人工智能 (AI) 正在重構人與汽車的互動模式，那些曾被視作遙遠藍圖的構想，如今已在汽車中成為現實。AI 驅動的諸多變革，往往不易被察覺。例如，在紅燈等候時，導航系統會提前生成停車提示；日常通勤途中，語音助手可精準調取用戶偏好路線。這些不易察覺的應用場景，恰恰印證了 AI 已深度融入汽車座艙，以潤物無聲的技術優化，持續升級駕乘體驗。

根據Arm 發布的《人工智能就緒指數報告》中的數據顯示，全球 82% 的企業領導者表示，其所在企業正在使用 AI 應用，然而僅 39% 的企業制定了清晰、全面的 AI 策略。這一技術落地與策略規劃的斷層，如今也在汽車領域顯現。當技術儲備已趨于成熟，行業亟待解答的核心問題是：如何推動 AI 實現安全、高效且規模化的全場景應用？

汽車行業絕非 AI 革新的旁觀者。AI 重塑世界的力量有目共睹，而在汽車這一關鍵場景中，這場技術變革的落地速度，早已超出了普遍預期。

車載智能新紀元

長久以來，自動駕駛技術的美好前景一直主導著汽車 AI 領域的行業敘事。但真正的技術突破與商業化落地正在我們熟悉的汽車中發生，而駕駛者仍然保持完全的操控權。

新一代多模態座艙智能副駕，正融合語音、視覺與手勢交互技術，構建自然流暢的對話式人機界面。此類系統均基于 Arm 架構的專用計算單元，實現端側運行。這一技術轉型，不僅有效降低了數據傳輸延遲、守護用戶隱私安全，還讓體驗更自然、更貼近直覺，而非冰冷的技術感。下一階段的核心發展方向，是體驗的連續性。用戶可將家中智能助手的交互體驗無縫延續至汽車座艙內，真正實現跨場景的對話銜接。

AI 同樣在重塑駕乘者的座艙體感。即便是傳統用車流程中的常規操作，也正朝著智能化方向迭代升級。例如，厚重的紙質車主手冊已全面完成數字化轉型。如今，駕駛者無需翻找深藏在手套箱內的紙質手冊，只需直接向車輛發出問詢 ——“這個指示燈代表什么意思？今日標準胎壓應為多少？” 座艙內置的 AI 模型，便能即時給出貼合當下場景的清晰解答。

當 AI 馳騁于道路之上

若說座艙之內的 AI，正以人性化交互重塑駕乘體驗，那么在車外的廣闊世界里，它則面臨著更為復雜的技術挑戰 —— 先進駕駛輔助系統 (ADAS) 與自動駕駛技術持續迭代演進，技術路線也呈現出多元化發展態勢。

傳統 ADAS 軟件仍將智駕的實現拆解為多個獨立模塊：一套系統負責識別障礙物，另一套系統判定應對策略，第三套系統執行具體操控動作。而依托數十億數據樣本訓練而成的新一代端到端 AI 模型，正逐步打破這種分層，將上述功能整合為單一神經網絡，可直接將傳感器采集的原始數據，轉化為安全可靠的駕駛操作指令。

如今，兩種技術路線的共存已然成為行業現實。在諸多高端車型中，AI 模型可實時解讀雷達、激光雷達與攝像頭采集的數據，實現脫手變道、自適應高速巡航等功能。不同技術路線，對算力、帶寬與安全驗證的權衡各不相同，二者協同發展，正重新定義汽車運行的軟件棧。

我們無法在一夜之間摒棄歷經數百萬英里路測驗證的模塊化技術積淀。未來一段時間內，模塊化與端到端 AI，仍將處于并行共存的發展階段。

閱讀《Arm Zena CSS 為 AI 定義的時代打造可擴展自動駕駛技術之路》，了解如何借助 Zena CSS，實現自動駕駛技術的規模化部署。

云端與座艙的無縫協同

駕乘體驗的便捷性背后，依托的是一套更為復雜的底層技術 ——云車協同一致性。AI 訓練工作負載將持續在云端完成，而支撐實時決策的推理運算，則將落地于車端。

隨著未來車載 AI 的應用中，云車協同一致性的重要性將愈發凸顯。當兩者在架構與工具層面的契合度越高，技術從研發到落地的轉化效率才能越可觀。

這種深度協同的價值不言而喻：開發者可于云端完成模型的構建與測試，無需重寫代碼、也不必犧牲性能，即可直接在車載系統運行。得益于 Arm 計算平臺在數據中心與邊緣側（含汽車）的廣泛部署，工程師能夠實現從仿真測試到硬件落地的無縫銜接，進而提升系統性能與運行效率、簡化移植流程，同時保障推理結果的一致性。

筑牢車載智能的信任基石

現代汽車正日益由 AI 定義，需同時處理數十項并行任務。這些任務既包括通過操控轉向、制動及避障功能保障乘客安全，也涵蓋借助音樂流媒體、疲勞監測及城市交通導航功能優化駕乘體驗。各類工作負載并行運轉，且每項任務均需滿足差異化的優先級、功能安全及防護標準。因此，當開發者著手開發時，必須明確自身應用在混合關鍵任務層級中的定位，以及其所需支撐的核心需求。

而架構的獨特性，正是破解這一難題的關鍵所在。Arm 的汽車增強 (AE) 處理器在設計之初便內置功能安全機制，確保即便車輛其他系統處于多任務并行狀態，執行保證生命安全關鍵操作的核心系統仍能保持穩定可靠。

與此同時，Arm 機密計算架構 (CCA) 可構建起硬件隔離的安全數字域，將敏感工作負載與通用應用進行隔離。例如，駕駛員監測算法能夠對攝像頭采集的數據進行分析，且全程不會將數據暴露至車載信息娛樂系統。這意味著，即便車輛算力負載持續攀升，安全防護與隱私保障仍能得到充分保證。

當下行業面臨的核心挑戰，絕非單純提升算力性能，而是如何在汽車智能化程度不斷提升的過程中，持續筑牢用戶對車載智能系統的信任根基。

共性技術底座的賦能之力

汽車 AI 的下一次飛躍，核心在于實現全棧技術的協同整合，而非單純研發新型硬件。每一款車載平臺均搭載專屬的芯片、中間件及操作系統，若無統一的共性技術底座作為支撐，開發者就需要為每一款新車型重復編寫代碼。

而這正是技術協同的價值所在。面向嵌入式邊緣的可擴展開放架構 (SOAFEE) 為車載底層基礎軟件制定了標準，能夠實現啟動流程、電源管理及底層固件的標準化統一。這一舉措可幫助開發者將精力聚焦于高價值環節，打造差異化的用戶體驗與 AI 功能。

SOAFEE 的核心目標，是對無需差異化開發的軟件層級進行標準化規范，從而為開發者提供一套一致性技術底座，支持其在不同 Arm 架構平臺上高效開展研發工作。

規模化 AI 硬件的底層藍圖

在硬件底層，規模化能力通過 Arm Zena 計算子系統 (Compute Subsystem, CSS) 得以具象落地。這是一套面向下一代汽車系統級芯片 (SoC) 的預先集成、預先驗證計算平臺，將 CPU 集群、安全島、安全隔離區、系統 IP 及調試工具整合為一套高度協同的一體化平臺。

更強的算力能夠賦能更豐富的 AI 功能，但同時也會帶來更高的能耗。因此，基于子系統的視角，可讓這些性能與能耗的取舍權衡變得清晰可見。這種清晰的視角，能夠幫助工程師做出更科學的設計決策，在算力、安全性與成本之間實現精準平衡，且可適配不同級別車型的規模化部署需求。

Arm 于 2024 年推出的虛擬平臺現已拓展至 Arm Zena CSS，助力軟件團隊提前啟動軟件開發與部署工作。在芯片推出前，開發者即可借助硬件數字孿生模型構建并測試代碼，進而完成性能優化。這意味著，當芯片就緒時，配套軟件也能同步實現就緒狀態。

駛向 AI 定義的未來

邁向 AI 定義汽車的征程，不僅需要工程上的嚴謹，更需要大膽的創意與技術創新。如今，AI 已實現駕乘體驗與車載及云端計算的深度聯動，在保障高性能與高能效的同時，還需帶來無縫的開發體驗。

云技術將始終占據一席之地，但必須確保云到車的連接既堅固可靠，又流暢無阻。

隨著汽車 AI 技術走向成熟，其發展成敗將取決于 Arm 數十年來始終堅守的核心平衡法則：以高性能與高能效賦能技術創新，以卓越的規模化能力，讓更多人共享前沿技術變革帶來的全新體驗。