新闻

当「没有更多数据了」成为行业共识

很多人以为，汽车芯片的算力竞赛是线性增长的游戏——只要堆叠晶体管数量，就能持续突破性能边界。其实不然，在L4级自动驾驶场景中，单台测试车日均产生的原始数据量已突破10TB，而受限于数据标注成本、场景复现难度与隐私合规要求，真实可用数据池的扩容速度在2023年首次出现负增长。这直接导致，某头部车企的城区NOA功能开发周期被迫延长8个月。

数据饥渴症的底层逻辑：现代汽车芯片的神经网络模型训练，本质是「场景概率密度函数」的拟合过程。当训练集覆盖的极端场景（如暴雨中的无保护左转）不足0.01%时，模型在真实路况中的决策失误率会呈指数级上升。某新势力车企的测试数据显示，其2022年采集的1.2亿帧数据中，仅有37万帧包含「行人突然闯入车道」场景，占比0.31%，而这类场景在事故中的权重高达42%。

慕尼黑环线测试场的启示

听起来可能反直觉，但在德国慕尼黑环线测试场，一场关于数据效率的革命正在发生。该测试场构建了全球首个「场景拓扑矩阵」——将城市道路拆解为132个基础场景单元（如「T型路口-逆光-施工区域」），通过组合这些单元生成虚拟测试场景。其底层逻辑是：真实道路的场景分布服从幂律分布，80%的事故由20%的极端场景引发，因此只需精准覆盖这20%的「长尾场景」，即可将数据利用率提升300%。

某国际Tier1的实践印证了这一逻辑：其基于慕尼黑模型开发的ADAS芯片，在仅使用传统方案1/5训练数据的情况下，通过动态生成2.3万种组合场景，使AEB功能的误触发率从0.8次/千公里降至0.15次/千公里。更关键的是，这种「场景合成-芯片验证」的闭环，将芯片迭代周期从18个月压缩至9个月。

当行业还在争论「数据量」与「算力」谁更重要时，聪明的玩家已经转向「数据质量密度」的竞争。毕竟，在汽车芯片领域，1TB精心标注的结构化数据，远比100TB原始视频更有价值——这或许就是为什么，某头部芯片厂商的实验室里，现在堆满了激光雷达点云标注设备，而不是更多的硬盘阵列。