“跑分”这一词听起来些许久远了。
更多流行在智能手机早期。靠跑特定的程序，来测试和评估手机在CPU、显卡、内存、存储等方面的性能。因为对于普通消费者来说，不太容易弄懂繁琐的参数和芯片名称，所以“跑分越高=性能越好=买！”
但如今，你的车开始“跑分”了。
最近，一款跑分软件测试了数十款车机芯片，给出排名第一的接近70万分。车机芯片是什么？简单来说，车机芯片决定了智能座舱中的体验，比如车载娱乐，导航，语音助手等功能的响应和运行。
围绕高性能芯片，中控大屏，人机交互，全车语音识别等等做营销的智能座舱，的确跟手机厂商早年宣传路数很像。
那么对于消费者来说，是不是能像挑手机一样，“直接入手”芯片好的，跑分高的？在智能汽车的时代下，这些全新参数意味着什么？
一、油车靠马力，电车靠算力？
第一步，先要搞清楚，智能汽车的算力（跑分）升级能带来哪些体验上的改善。
如今的汽车像手机一样，淘汰了键盘与按键，进入到了大屏时代，和更加自动化、智能化的时代。但早期，这些功能刚出现时，并不被买账。很多人更乐意花9.9来买车用手机支架，用手机导航。或者用手机投射的方式，使用大屏，就是不用主机厂花重金打造的车载系统——原因就是车载系统太卡，且联网体验很差。
比如车机的开机启动、语音响应、应用启动，操作跟手速度等等。行驶路上，导航或仪表盘卡了或慢了，影响可不是一星半点，甚至会酿成大祸。
人们对于乘坐舒适度和智能化（传感器变多，触控代替实体，语音交互等等）的要求越来越高，车机芯片的性能也就变得越来越重要。以两款热门的车机芯片为例子，从骁龙820A到骁龙8155，后者CPU核心数从4核增加到8核，采用“1大3中4小”设计，超大核负责大型游戏运转及其他大型车内应用；中核负责汽车日常运转；小核处理微型软件，多核分开工作，就能保证打开多个应用程序不卡顿。
在智能汽车里，除了车机芯片，还有承担另外一处功能的芯片——智能驾驶芯片。
从保持车道内稳定行驶，到能识别前车速度，自动跟车行驶；从“开高速”，到自主完成变道超车和上下匝道；
如今车企们又着手攻克复杂的城市驾驶场景——道路环境复杂意味着，车感知和识别，规划决策，控制执行也越难。
当一辆自动驾驶车辆每天可以产生数TB，甚至数十TB数据需要处理，自然需要算力支撑。
所以我们看到了近十年，智能驾驶芯片算力近乎疯狂的增长。
2014年，特斯拉用上Mobileye发布的驾驶辅助芯片EyeQ3，算力只有0.256TOPS（TOPS，指每秒可以运算多少万亿次操作）；到2019年，特斯拉自研144TOPS的自动驾驶芯片发布；再到2021年，蔚来Adam超算平台实现超过1000 TOPS算力；2022年，英伟达又刷新纪录，Thor一颗单片算力达到2000TOPS。
算力（芯片跑分）划定了驾驶和乘坐体验的“天花板”，它决定了是不是能预埋更多摄像头给未来智能驾驶升级；车内“大彩电”是想看2K还是4K的屏幕；想不想拥有“全车多音区识别功能”……这些都需要更高级别的芯片支撑，压榨低级别的芯片算力很难实现。甚至还出现了增加NPU（神经网络处理单元）的芯片——专门负责车AI计算部分的任务，以腾出CPU处理其他任务。
“大力出奇迹”固然好，但芯片算力还是拗不过“木桶理论”。
二、钱花在刀刃上？硬件上？软件上？
上千TOPS能怎么样？车企发布会上说得“天花乱坠”的，但这只是一个“最大值”。它跟汽车实际运行时的表现，并不能完全画等号。从算力强到表现好，这里面还差了一步。
地平线（AI芯片公司）曾呼吁行业“不该拼算力”，而要看真实性能，并推出了一种MAPS测试方法：即在精度有保障范围内的平均处理速度。
以特斯拉为例：特斯拉FSD芯片的单片算力72TOPS，只有英伟达Drive PX2（24 TOPS）的三倍；但在MAPS测试下，FSD每秒可准确识别2300帧图像，而PX2只能识别110帧图像，两者相差21倍。
这是因为车端芯片性能表现，不仅取决于算力，还受制于存储与带宽。特斯拉高效运用算力的方法是：在芯片内封装了32MB的SRAM（静态随机存储器），缓存带宽达到2TB/s，数据传输的延迟更低（高速缓存通常由SRAM组成，位于CPU和主内存之间，存取速度比主内存快，将经常使用的数据存储在高速缓存中，CPU能更快访问），这样将每秒能处理的图像大幅提升。
芯片性能的充分发挥，还得靠软件算法。
就像早年间游戏领域里一个著名的故事：乔布斯在雅达利时期，找来沃兹尼亚克优化游戏电路板。原本一款游戏要用100多个晶体管来负责运算，通过重新设计游戏的运算逻辑减少晶体管使用，沃兹最终只用了44枚晶体管，开发了打砖块游戏“鼻祖”。
就是这个游戏，《Breakout》丨wikipedia
汽车同理——算力是被算法“浪费”着用，还是“精打细算”用，差别很大。拿用了骁龙 820A芯片的车机系统来说，在不同车上表现也不尽相同。所以，都是芯片的“锅”吗？软件要“压榨”芯片，让软件和硬件匹配度更高，针对想要提供的用户体验做独有的优化。软件做好，把硬件潜力发挥出来，体验也能做到超越芯片层面的优秀。
同样，对于智能驾驶芯片，软件算法能力更为凸显。
比如过去传统的软件编写，是由人敲的逻辑代码（if-then规则），辅以机器学习，识别道路车辆和物体，用在规则清晰的“高速场景”下。
但在“城市场景”下，因为交通状况更为复杂，corner case（特殊场景）的数据集规模增加了上百倍。还以特斯拉为例，他们将原始图像直接输入名为“HydraNets（九头蛇）”的纯视觉神经网络算法中，这些车身摄像头从不同角度拍下的照片，进行一系列数据处理，最终汇总成（汽车的空间位置、周围交通状况）给机器的决策依据，“接下来该怎么开”。
越来越多车企使用“以神经网络训练形式”编写的软件，构建其自动驾驶策略。通过“制造算法的算法”，机器能无休止地“学习”。
如今“值得把所有行业重做一遍的大模型”也“上车”了。我们看到很多车企纷纷构建，云算力平台。在云端训练一个大模型，进行驾驶策略的训练；进行（代替人）数据自动标注；生成虚拟仿真数据，反复训练 corner case，弥补真实数据采集不足等一系列工作；最后把大模型“蒸馏”，把能力迁移到小模型上，再塞到车内。
说了这么多，判断一台车智能体验的好坏，取决于很多方面：软件研发能力，车企 OTA，工程技术的落地……这些做好了，智能汽车才不是“一锤子买卖”，车才会“常开常新”，体验越来越好。
这不是硬件数据或一两个参数就能下结论的——盲目地追求算力，消费者花了冤枉钱，车企们“白卷了”，行业呢，止步不前。
本文来自微信公众号：果壳 （ID：Guokr42），作者：陆泰，编辑：沈知涵