汽車作為人類最主要的出行工具之一，漸進式地通過各種駕駛輔助功能將用車者從駕駛行為中解放出來，車機系統的智能性越發成為人們評價一個車型的核心標準。
車企的產品規劃以智能化為重要導向
近期，研究報告《現實+仿真：超大算力賦能自動駕駛》發布並指出，AI技術自誕生至今，取得了長足的發展，賦能各行各業的智能化進程。自動駕駛是AI技術在汽車行業落地的重要形式，自2020年2月國家頒布《智能汽車創新發展戰略》，即被正式提升至國家級戰略的高度。
國內外的眾多科技公司爭相布局智能汽車領域，投入了巨大的研發成本，以期先於市場獲得足夠的技術積累。各大車企也在產品規劃中以智能化為重要導向，向自動駕駛領域大力傾斜，從而在汽車市場白熱化的競爭中爭奪差異化的競爭優勢。
傳統汽車行業集人類工業文明發展之大成，以機械部件的可靠性、座艙內部的舒適性、駕駛過程的操控性、外觀設計的美觀性作為評價車型的主要標準。然而，隨著智能化終端對人類生活的滲透，人們越發信任並習慣於科技發展所帶來的便捷。汽車作為人類最主要的出行工具之一，也在漸進式地通過各種駕駛輔助功能將用車者從駕駛行為中解放出來，車機系統的智能性正越發成為人們評價一個車型的核心標準。
自動駕駛以海量場景數據的積累為前提
2022年第一季度，如今市場上的L2級自動駕駛乘用車中，有21.4%通過主控晶片對駕駛輔助域實現集中控制，或者在整車中實現集中度更高的控制。自動駕駛是駕駛輔助功能的最終形態。早期的各種駕駛輔助功能控制邏輯較為直接，體現為控制車上單一維度的功能對數量有限的環境變量做出回應。進一步向自動駕駛的發展，需要車機系統對車輛周圍的環境信息做出整體統籌，並規劃出安全、舒適、高效的線路。這需要車輛即時對周圍運動單元的潛在軌跡做出判斷，但不同情形排列組合可能產生的條件數量遠大於有限的程序所能承載的範圍，因而需要人工智慧的介入對車機進行長期的訓練。
自動駕駛系統具有高度的複雜性，訓練的過程需要以海量場景數據的積累為前提。在訓練的過程中，機器需要在有限的時間內對大量的圖像信息完成處理，因而需要以巨大的算力作為支撐，造成了訓練自動駕駛系統的高成本。
與此同時，自動駕駛系統在真實世界中可能遭遇的場景難以窮盡，因而需要系統對駕駛行為進行持續不斷的學習，拉長了自動駕駛系統訓練的周期。大型車企或一級供應商往往選擇建立自有算力資源。
但是，人工智慧計算中心的搭建具有較高的技術門檻，運營與維護過程也需要較高水平的經驗積累，因而需要與技術成熟的解決方案供應商開展合作。蔚來AI平台負責人白宇利表示：「量產車面臨的複雜場景是蔚來自動駕駛能力的試金石，同時，量產車產生的海量數據也是未來自動駕駛能力的護城河。」