如果在资源充足的情况下大家做成一件事情并不难，但现在综合因素之下，智驾降本量产之路显得尤为艰难，每个智能驾驶项目的开发几乎都需要线性倍增的资源投入，传感器配置的不断变更、摄像头安装位置的调整、多软件模块的集成合作，以及多车型策略下的市场销量不确定性等等，都对项目的时间、费用和人力资源提出了更高要求。
这也意味着，在今天整个行业面临竞争、融资和资源压力情况下，高阶智驾的研发存在非常大的挑战，需要整个行业共同解决。
02.
算力要求持续增长
城市NOA成必争之地
汽车行业存在摩尔定律，即在不断满足用户/客户需求提升的同时，成本不断下降。那么在智能化时代，如何真正跨越规模边界，用更小的投入实现更快数量级的增长，是我们必须要思考的问题。
从产品体验上看，2023年开始在消费者品牌认知度里，更先进的智能驾驶功能已经超越了智能座舱，成为了中国高端新能源汽车品牌受消费者青睐的主要原因，并且中国消费者为城区NOA付费意愿上升明显，城市NOA成为必争之地。
从智能驾驶路线演进上看，从2020年以前基础的1V1R方案到高速NOA、到城区NOA记忆行车到接近L3的智驾能力，对计算能力不断要求增长。
03.
FSD可扩展能力门槛极高
国内企业还有差距
而目前业内要解决的问题就是，怎么把城区NOA的体验做上来，真正让用户订阅，既能够帮助车企卖车，也能让其变成企业另一种盈利途径。
而对于这些要求，特斯拉FSD做出了尝试。特斯拉FSD拥有门槛极高的可扩展能力，这体现在训练资源、算力、自研芯片和数据量方面。
特斯拉Model 3/Y近五年销量超过460万辆，但特斯拉传感器系统的变化上非常保守、克制，而特斯拉的训练资源超过了100+ExaFlops，工信部在2022年项目规划是300+ExaFlops，产业环境方面，特斯拉接近最先进的AI产业源头，人才和算力不受限制。
和特斯拉相比，国内企业高阶智驾单一车型销量相差1到2数量级，传感器系统快速迭代，两年一变，单一车企训练资源相差100倍，此外，虽然国内产业环境蓬勃发展，但是受到的制约因素非常多。
从可扩展能力角度来说，在智能芯片、数据训练和算法方面，国内企业和特斯拉还存在一定差距，但是我们也不能完全照搬。
04.
芯片算法系统协同设计
实现可持续的自我增益闭环
站在供应商的角度，车企的降本量产交付和自建能力两方面的需求，供应商都要完整支持，而要达到该目标，可以从芯片、算法、系统协同设计角度实现可持续的自我增益闭环。
简单打个比方，中国工程师创新执行能力可以降低20%的成本，路线选择上采用传感器、轻地图路线也可以降低20%的成本。而如果算法模式能够演进满足中国市场多车型的需求，那就也可以实现降本。此外，如果能在芯片架构和算力平台架构上进行创新，最终成本也可以大幅降低。
