最近，自动驾驶领域一片看不见的刀光血影。

但这一次的主角，不再是知名车企或创业项目，而是在芯片行业呼风唤雨的英特尔、英伟达。

先是英特尔大手笔并购Mobileye，留下一阵惊愕之声；紧接着，英伟达与博世共同推出基于Xavier芯片的自动驾驶平台，不留下一片云彩。

继续讨论之前，一个显而易见的疑问是，为什么推动自动驾驶的这一轮力量换成了汽车配件供应商？

为什么是配件供应商？

如同波音不生产飞机的所有零件一样，大型车企并不生产汽车的所有零件。

苹果不生产任何零件却能主宰整个手机市场，整车厂商的做法也类似。它们不会去一股脑地生产方向盘、轮胎、座椅、车窗、仪表、导航等各种零部件，而是把它们交给效率更高的供应商来做，自己则专注于把控整车与整个产业链的效率。

事实上，仅靠最核心的动力总成（发动机、变速器）技术，它们就可以赚得盆满钵满。而经销商们通过维修燃油发动机、滤油器以及更换机油，也能够大赚特赚。

若非近年来后起之秀特斯拉的步步紧逼，它们对电动汽车、自动驾驶实在是感冒不来。毕竟，丢掉燃油发动机，就相当于掀翻它们正在享受的满汉全席，而改喂残羹冷炙——换作是你，你也不肯乖乖入瓮的。

而配件供应商则不会有这样的后顾之忧，它们的轮胎、座椅、车窗、空调、音响等设备还是一样能赚钱。这就说到了自动驾驶相关的传感器、导航、自动巡航等技术，这里面实打实的技术累积，很大程度上是属于相关的配件供应商的。比如，Mobileye的自动辅助驾驶，博世的导航系统，等等。

自动驾驶上路，则意味着这些配件供应商将拥有新汽车上最为核心、最有影响力的技术。而有着数百零部件的燃油发动机，因其无法被芯片控制且维护上过于繁杂，几乎不可能在自动驾驶汽车上风光下去。换句话说，在自动驾驶的催化下，当前由燃油发动机所主导的汽车行业将要重新洗牌，而勤勤恳恳在支撑整个产业链的供应商们，肯定最先感受到风向的变动。

而由人工智能所控制的汽车，其零部件上必定要嵌入可以被编程的芯片才能被可靠地控制，特别是电动机和电池。虽说当前的关键是跟自动驾驶密切相关的各式传感器、导航芯片、车载计算机，但随着整个汽车产业链的升级，其他零部件的芯片化程度只会越来越高，最完美的就是达到电子星上的“柱子哥”那水平。

这样一来，芯片行业失落的老大——英特尔，即便是错过了整个智能手机时代、甚至当前的机器学习硬件，依然还有机会重返巅峰。前提自然是它能进入自动驾驶行业，并且能站稳脚跟，而大手笔买下一个现成的配件供应商，自然会立竿见影：正如高通花470亿美元拿下NXP，英特尔用160亿美元买来Mobileye。

但这里的巨资仍无法保证自动驾驶所承诺的未来，不过是确保这两大芯片巨头的正式入场而已。

技术链条能告诉我们什么？

用MobileyeCTO的话说，自动驾驶汽车需要整个技术链条的所有玩家来通力合作，而仅自动驾驶系统就需要传感器感知技术、高精度地图定位，以及人工智能的自动驾驶策略这三大领域的支撑。

传感器

具体的感知技术，就是摄像头、超声波传感器、毫米波雷达、激光雷达……用以帮助车辆理解其周遭环境的一切传感器。接下来，让我们一一来说。

摄像头最容易理解。众所周知，采用Mobileye技术的特斯拉Autopilot一代硬件，仅有一个前视摄像头。在争议极大的佛罗里达车祸中，Autopilot在侧面感知上的固有盲区，差点葬送了行将起步的自动驾驶技术。

好在Autopilot二代硬件的改进足够大，仅前视摄像头就增至3个，分别用于远近视角，最远可达250米；另外，两侧前、后方各一对，正后方还有一个后视摄像头，实现360度无死角覆盖；所感知到的视觉信息，将被渲染成实时路况的3D影像，用于决定驾驶策略。

超声波传感器可用于补充视觉信息。如Autopilot二代用了12个超声波传感器来监测车辆周围的软、硬物体，从而更好地区分行人和车辆。

毫米波雷达是传统配件供应商的强项。但Autopilot二代仅配备了一台长距离雷达用于感知前方路况，而新款奥迪A4则是采用1台长距离雷达+4台短距离雷达来实现全功能自动辅助驾驶。

激光雷达是传统无人驾驶技术的核心，它的3D建模与同步绘图能力，原本是用给军方的高精度导弹的。Google无人汽车所用的激光雷达，是Velodyne的HDL-64E，单价约8万美元，相当于一辆特斯拉的ModelS。

而采用相控阵技术的固态激光雷达，Quanergy说它的S3产品售价可降至250美元，但其量产上市还需要一个过程。

定位技术

高精度定位技术的硬件，需要GPS结合惯性传感器共同来实现，除了具体的位置和速度，它们还能提供出车辆的加速度、姿态和方向等额外信息。这就需要专门的定位技术供应商。

定位相关的软件技术，就涉及到地图数据了。Mobileye的REM（RoadExperienceManagement）就是通过摄像头来捕捉路面上的标识进行辅助定位的，从而获取更多全新的地图信息，并持续更新云端的地图数据库。

目前，由于任何传感器都有其明显的局限性，任何自动驾驶的感知与定位功能均不可能由某个传感器或某种技术独立来完成。因而，用于处理所有这些行驶数据的计算平台，就显得额外重要了。

自动驾驶策略

如前面所说，Autopilot二代是把传感器搜集到的所有信息重新渲染成实时的3D模型，这里所用的计算平台就是英伟达的GPU，原因就是GPU架构在深度学习上的固有优势。要知道最新一代的GPU核心，英伟达甚至都没有用在一般显卡上，而是优先用于人工智能。

而Mobileye的EyeQ3平台，则是其基于ASIC架构自行开发的。不过，高性能芯片的研发，不是开一个高调的发布会就能做出来的。这应该就是Mobileye去年宣布跟意法半导体合作研发下一代EyeQ5芯片后，今年又倒向英特尔的一个重要原因。毕竟，芯片巨头的技术底蕴不是吹牛就能吹来的。

另一种基于FPGA的计算平台，则是奥迪无人车所用的方案，具体说来是Altera的产品CycloneV。然而，身为FPGA业界老大的Altera，早在2015年就被英特尔用167亿美元纳入麾下了。

仅自动驾驶系统本身的技术链条，就已经异常复杂了，这还没有说到车辆自身的各个控制系统。这里的复杂程度刚好印证了几天前吴恩达离开百度时所说的那句话：

“……我希望人工智能可以将人类从重复性脑力劳动，比如忙乱的交通驾驶中，解放出来。这项工作不是任何一家公司可以独立完成的，这是全世界的人工智能研究者和工程师的共同课题。”

“我们是一家数据公司”

收购Mobileye后，英特尔CEO科再奇向员工这么解释，

“为什么自动驾驶对英特尔的未来如此重要？答案是数据。”

自动驾驶的道路，是需要车辆对街道周边进行360度无间断的实时监控，这就意味着一个关于全球路网的实时的高精度3D地图数据库。有了它，L3级别的自动驾驶很快就能上路。

对于静态地图，直接使用当前地图供应商的现成数据，就能省下相应的研发时间。

对于高精度地图数据，Mobileye的想法是联合各方共同打造一个覆盖全球的地图体系，正在就相关的细节同各方积极沟通。

而英伟达CEO黄仁勋则认为，深度学习还能进一步挖掘现有传感器及高精度地图的潜力，并能在一定程度上打破L3级别自动驾驶对激光雷达的依赖。这与特斯拉的思路倒是一致的，这两家能走到一起也就不奇怪了。

据此，黄仁勋预计，今年底到明年，我们间就有可能实现L3级别的自动驾驶；明年底到2019年则能实现L4级别。

这一切都需要数据来驱动。

想一想Google，它只是把网页加以标识并挖掘其中的数据，其赚钱机器就能像印钞机般自动运行；而自动驾驶的结果，则是把实体世界扫描成实时数据，其中能挖掘出什么样的机会，如今还没人能给出确定的答案，但规模上远超Google想必是没什么悬念。

而仅采用Google街景的数据，李飞飞教授通过深度学习测算出了相应地区人口的特征与构成，这一成果写在她最新的一篇论文中。而相比于Google街景所拍的照片，自动驾驶数据的及时性、精细程度则能好上几个数量级，其效果往往意味着某些质的变化。

对于自动驾驶数据，英特尔预计，到2020年，一天就能生成4000GB新数据。

“我们聚焦的业务、我们解决方案的提供方向，都在于创造、使用和分析海量的数据。”

正是这一点把芯片之争带进了汽车行业。

从比特回到原子，自动驾驶的意义要远超出汽车本身：交通系统转化成数据的必然影响，是社会物资的自行流动，其效果将类似于互联网令信息自由流动所促成的社会效率升级。

所以，相关的各巨头均能从中看到对自己有利的机会，这样的机会在行业内部表现为竞争，比如这两大芯片巨头：

相比于英伟达，英特尔现在有能力提供出自动驾驶技术链条上的所有技术。

相比于英特尔，英伟达则是当前人工智能计算平台事实上的领导者。

但成就自动驾驶，根本离不开芯片、汽车及相关行业的通力合作，如同ARPANET转变到Internet过程的那种技术合作。当时，为组建和铺设网络，各大巨头和机构也是拉帮结派、磨刀霍霍。但最后，连接成统一协议的Internet明显对各方更有好处。

同互联网的影响一样，自动驾驶的未来，可能也是几个相互关联的行业——几个规模更大的十万亿美元行业。相形之下，当前这些巨头的体量，绝对不足以主导如此庞大的行业。

所以，不是芯片巨头改变汽车行业，而是除了改变和进化，它们都别无他路。