### 跳脫鏡頭與光達的爭論，從半導體架構看懂自駕車的終局之戰
作者：Sinclair Huang
在硬體產業待了二十多年，我見過太多這樣的故事：
規格表上的數字漂亮極了。實際跑起來，不是過熱降頻，就是延遲爆表。
自駕車這場仗，也不例外。
我對車子的研究習慣，說起來跟對半導體是一樣的——先看架構，再問邊界在哪裡。曾經在集團裡參與電動車相關業務，那段時間讓我建立了一個早期直覺：電動化和自動化表面上是兩個故事，但底層的架構問題往往是同一批。算力、熱管理、功耗預算——換一個場景，同樣的限制又出現了。所以 EP4 這個題目，對我來說不只是產業觀察，更像是把兩條線最終接在一起的時刻。
### 大家都在看錯層次
純視覺 vs. 感測器融合。特斯拉 vs. Waymo vs. Mobileye。
媒體爭的是哪個更安全，分析師爭的是光達成本什麼時候降得下來。
但這些都是表面問題。
真正的瓶頸不在感測器的選擇。而是演算法的需求和晶片架構之間，到底匹不匹配。
### 先想像一件事
你坐在一輛有自動駕駛輔助的車上。
車身上 8 到 12 顆高畫質鏡頭，每一顆都在以每秒幾十幀的速度拍攝。這些影像同時灌進車載晶片，要求 AI 在幾十毫秒內完成物件辨識、距離估算、路徑規劃。
等一下——幾十毫秒是多快？
大概等於你同時串流 8 部 4K Netflix 電影，然後要求你的大腦在每一幀之間做出攸關生死的判斷。
這不只是算力問題。這是算力、記憶體、資料通道三者之間能否同步配合的問題。
### 純視覺的隱藏代價：記憶體頻寬的地獄
我在 SSRN 論文（SSRN: 6184459）裡把這個競爭分析拉到了微處理器層級。
純視覺的演算法——用深度學習把 2D 影像重建成 3D 空間——對晶片有一個被嚴重低估的要求：**記憶體頻寬**。
同時處理 8 顆以上鏡頭的海量影像，數據必須在運算單元和記憶體之間高速搬運。但晶片內部的數據通道有物理極限。搬運速度跟不上運算需求，就撞上「記憶體牆」。
撞牆之後怎樣？連鎖反應。晶片過熱降頻，功耗暴增，最致命的是——延遲。
時速 100 公里，50 毫秒的延遲等於 1.4 公尺的盲駛距離。
純視覺的終極硬體挑戰，不是算力不夠。是數據「塞車」，導致再強的算力也發揮不出來。
### 感測器融合的另一個痛點：快取容量之戰
那感測器融合是不是就輕鬆了？
沒有。只是痛點不一樣。
光達直接提供精準的 3D 點雲，記憶體頻寬的壓力確實小了。但問題移到了另一端：快取容量和異質運算的分配。
感測器融合的晶片必須同時處理格式完全不同的數據——影像、點雲、毫米波、超音波。取樣頻率不同，精度不同，卻要在幾毫秒內對齊、融合、送進 AI 模型做決策。
換個比喻：
想像你同時開著 10 個 Zoom 會議，每個會議用不同的語言，你必須即時切換、即時翻譯、即時回應——延遲不能超過 0.05 秒，否則出車禍。
這就是感測器融合晶片每天的工作。
### 演算法 × 架構：真正的終局之戰
我在硬體待了這麼多年，始終有一個確信：
**規格表上的 TOPS 是行銷。演算法和架構的匹配度才是工程。**
說實話，我剛開始研究這個題目的時候，直覺是「特斯拉純視覺的硬體挑戰主要在算力不足」。查了數據才發現，問題根本不在那裡。瓶頸是記憶體頻寬——算力再強，數據搬不動，一樣白搭。這個認知讓我重新看待整個競爭格局。
純視覺之所以對記憶體頻寬有極端需求，是因為它的演算法選擇了從 2D 重建 3D。感測器融合之所以考驗快取容量，是因為它的演算法要即時融合多模態數據。是演算法定義了硬體的需求，不是反過來。
所以這場仗真正比的，不是誰的晶片算力更高，而是誰能做到演算法和晶片架構的最深度整合——從感知演算法、到 AI 加速器設計、到記憶體子系統——三層完美契合。
評估自駕車晶片公司的時候，只看 TOPS 很危險。你應該問的問題是：演算法路線和硬體架構之間的匹配度如何？記憶體子系統能不能承受演算法的數據流需求？在真實路況的邊緣情境下，系統能維持即時反應嗎？
### 一個評估過、最終沒做的實驗
寫這篇論文的時候，我甚至認真評估過一個實驗：把第三方鏡頭感測器裝在自己的車上，跑「影子模式」——AI 在背景運算，不介入車輛控制，純粹量測真實路況下的延遲數據，看看能不能在現實環境裡驗證論文裡的 50 毫秒基準。
評估完發現：車的電子架構太舊，CAN bus 根本不是為這種運算負載設計的。加上在台灣道路上進行未經許可的感測器改裝，法律灰色地帶的風險也不小。最後沒做。
但這個評估過程本身，反而讓我更確定論文裡的核心論點——連一個非正式的影子模式實驗，都會立刻撞上記憶體頻寬和延遲的物理限制。不是理論問題，是真實的工程邊界。
### 這場戰爭，不只在公路上
最後還有一件事值得想一想。
把「自駕車」三個字換成「軍用自主無人機」或「AI 導引武器的即時目標識別」，底層的硬體問題完全一樣——即時處理多模態感測器數據，在毫秒內做出決策。
烏俄戰場上的 Physical AI 武器，本質上就是一輛不載人的自駕車。最近美伊衝突中展現的 AI 武器系統，更直接證明了這點。
記憶體頻寬與快取容量的軍備競賽，正在從公路延伸到戰場。
寫完這篇論文之後，我每次看特斯拉的 FSD 發布會，腦子裡想的都是「你的記憶體頻寬撐得住嗎？」職業病，沒辦法。
你押注純視覺還是感測器融合？還是你覺得最終會出現第三條路？
🔗 想看自駕車晶片的頻寬計算到底怎麼算？SSRN 論文全破譯：https://ssrn.com/abstract=6184459
### 作者簡介
Sinclair Huang 具跨產業背景，歷經藥廠、科技硬體與化工領域，長期關注技術浪潮下的價值重分配、資本週期與產業結構變化。現專注於研究 AI 對產業鏈與資本市場的結構性影響，相關研究發表於 SSRN。
### AI & Alpha 系列
本文為 AI & Alpha 系列的一部分，共五篇，從實證研究出發，探討 AI 如何重構基礎建設投資、供應鏈議價權、金融 Alpha、晶片架構與專利估值。
### 免責聲明
本文為個人研究與觀察分享，不構成投資或財務建議。所有觀點基於公開資料與作者研究，請自行判斷風險。
### 延伸閱讀（SSRN 論文）
- EP1 Infrastructure-Led Leading Indicators (Available at SSRN: https://ssrn.com/abstract=6285318)
- EP2 AI-Driven Value Redistribution (Available at SSRN: https://ssrn.com/abstract=6241778)
- EP3 AI & the Collapse of Shallow Alpha (Available at SSRN: https://ssrn.com/abstract=6195878)
- EP4 Architectural Trade-Offs in Autonomous Driving Chips (Available at SSRN: https://ssrn.com/abstract=6184459)
- EP5 Patent Quality vs. Quantity (Available at SSRN: https://ssrn.com/abstract=6157046)
#自動駕駛 #特斯拉 #晶片設計 #記憶體頻寬 #自駕車 #PhysicalAI #半導體
