3. 车端计算平台与硬件基础
自动驾驶智能体要在车上“实时思考”，首先必须有一块能在毫秒级完成感知、预测、规划的计算平台。车端计算平台不是简单的“把服务器搬上车”，而是在算力、功耗、散热、成本、功能安全与车规可靠性之间做系统级权衡。理解主流车载计算芯片的差异，是后续模型部署、算子优化与实时调度的硬件前提。
一、四类主流车载计算芯片
当前车端算力载体主要有 GPU、NPU、FPGA 和 ASIC 四类。它们并非互相替代，而是各自擅长不同的计算形态。
- GPU（图形处理器）：拥有大量并行计算核心，擅长矩阵乘、卷积等规则稠密计算，生态成熟（CUDA、TensorRT），适合训练后模型的高吞吐推理，但功耗较高、实时确定性一般。
- NPU（神经网络处理器）：为神经网络定制的加速单元，针对 INT8/FP16 量化算子做流水线优化，能效比高，是当前智驾域控的主力，但算子覆盖和灵活性弱于 GPU。
- FPGA（现场可编程门阵列）：硬件逻辑可重构，延迟低且确定性强，适合传感器预处理、多路视频同步、协议转换等固定流水线任务，开发门槛高、单位成本偏高。
- ASIC（专用集成电路）：为特定算法完全定制，能效与成本在大规模量产时最优，但一旦流片难以修改，适合算法已收敛的量产场景。
二、算力指标：不能只看 TOPS
厂商标称的算力常用 TOPS（每秒万亿次整数运算）表示，但它只是峰值理论值。真正决定实时推理能否达标的是有效算力，受制于内存带宽、算子支持率、数据搬运开销和调度效率。
| 指标 | 含义 | 对部署的影响 |
|---|---|---|
| TOPS / TFLOPS | 峰值整数/浮点算力 | 决定理论上限，非实际吞吐 |
| 内存带宽 | GB/s，数据搬运能力 | 带宽不足时算力“饿死” |
| 能效比 | TOPS/W | 决定功耗与散热可行性 |
| 算子支持率 | 模型算子被硬件覆盖比例 | 未覆盖算子回退 CPU，拖慢整体 |
| 推理延迟 | 单帧端到端耗时（ms） | 直接决定控制周期是否达标 |
例如某域控标称 200 TOPS，但若目标检测模型有 15% 的算子需回退 CPU，实际帧率可能只有理论值的一半。因此评估时必须用真实模型跑 benchmark，而不是看宣传页。
三、功耗与散热约束
车端功耗受整车电气架构、散热能力和可靠性要求三重限制。乘用车智驾域控常见功耗区间为 30～150 W，L4 级 Robotaxi 可达 300 W 以上。功耗带来的热量若不能及时导出，芯片会触发降频，算力骤降，实时性崩溃。
# 典型车端功耗与散热约束示例
域控总功耗预算: ≤ 120 W
芯片结温上限 Tj: ≤ 105 ℃
环境温度上限: ≤ 85 ℃（舱内/近发动机舱）
散热方式: 风冷 / 液冷 / 导热硅脂 + 金属壳体
降频阈值: 结温 > 95 ℃ 触发动态调频
散热设计通常遵循“热源—导热—散热—环境”路径：芯片通过导热界面材料把热传到散热器，再由风冷或液冷带走。液冷散热能力强但增加成本与管路复杂度，风冷结构简单但对高功耗芯片余量有限。工程上常用热仿真提前验证最坏工况。
四、部署场景与选型复盘
以一个 L2+ 行泊一体域控为例：前视 8MP 相机 + 5 路环视 + 1 路毫米波雷达，需要同时跑 BEV 感知、目标跟踪和泊车规划。选型时先估算模型总算力需求约 80 TOPS，再叠加 30% 余量，选择标称 120 TOPS 以上的 NPU 域控；同时确认内存带宽不低于 100 GB/s，并核对关键算子支持率高于 95%。散热按 100 W 设计液冷板，保证 85 ℃ 环境下不降频。
复盘要点：一是算力要留余量应对模型迭代；二是优先看有效算力与算子覆盖，而非峰值 TOPS；三是功耗与散热必须与整车同步设计，不能事后补救；四是异构芯片分工要清晰，CPU 负责调度与逻辑，NPU/GPU 负责稠密计算，FPGA 负责低延迟预处理。
综上，车端计算平台的核心不是追求单一芯片的峰值算力，而是让 GPU、NPU、FPGA、ASIC 在异构 SoC 中各司其职，并在功耗、散热与实时性约束下稳定输出有效算力。只有把芯片特性、算力指标与整车约束放在同一张图上权衡，才能为后续模型部署与实时推理打下可靠基础。