200Tops 也敢吹端到端？谁在用云端算力掩盖减配？

上一篇文章有人在评论区提出了非常荒谬的论调：某品牌的车端算力只有 200 TOPS，却宣称因为他们有强大的云端算力集群，所以智驾能力依然处于第一梯队。

这就好比在说：“虽然我脑容量只有核桃大，但我爸是爱因斯坦，所以我考试肯定能拿满分。

我必须说，云端算力再强，那是云端的事；车端算力不够，智慧就装不进智驾芯片那个小脑瓜里。

首先要厘清智驾模型的两个阶段：训练 和 推理

云端是训练的地方。车企确实需要成千上万张卡来训练模型，学习海量的驾驶数据。这里的算力当然是越大越好，它决定了你的模型理论上限有多高。

车端这是推理的地方。当模型训练好之后，必须被压缩并下发到你的车上。你在路上遇到的每一个红绿灯、每一次鬼探头，都是一场即时考试。

关键点来了考试是闭卷的， 无论云端的模型有多聪明，真正控制刹车和方向盘的，只能是车里那块小小的芯片。

首先是物理上的限制。在高速公路上，车辆每秒移动超过30米。当遇到鬼探头或前车急刹时，留给系统的反应窗口往往只有几百毫秒。如果依赖云端，数据要经历上传-云端推理-下发指令的漫长链路，哪怕Ping值稍微高了一点，车子已经盲开出去好几米了。

其次是通信盲区，如果智驾系统的逻辑在云端，意味着只要信号一断，你的车就会瞬间脑死亡或者原地急刹。谁会把两吨重的钢铁巨兽的控制权，交给看不见摸不着的手机信号？

蒸馏与量化：云端的博士生，上车被迫变小学生

有人会问：我在云端训练一个超级牛的大模型，直接塞进车里不行吗？

不行。物理定律不允许。

云端的端到端大模型，参数量可能是几百亿甚至上千亿级别，它需要几千瓦的功率和巨大的显存来运行。而车端的芯片，功耗限制极其严格，算力资源极其有限。

为了让模型跑在车端的芯片上，工程师必须进行剪枝/量化等操作降低算力需求。

算力就是容器。 200 TOPS 的杯子，绝对装不下 1000 TOPS 的水。 当算力捉襟见肘时，模型规模被迫大幅缩水。云端那个能理解万物、逻辑缜密的博士生，在被塞进车端芯片的那一刻，就被切除了前额叶，变成了一个只能在大人的指导下模仿动作的小学生。

算力贫穷的代价：要么笨，要么野蛮

低算力模型最典型的特征就是没有博弈能力，只会横冲直撞。

在复杂的路口博弈（比如无保护左转，或者汇入拥堵车流）时，高算力支持的大模型可以运行复杂的交互预测网络。简单说，它能在大脑里预演未来几秒钟的几百种可能性：“如果我加速，那辆出租车会减速吗？如果我让行，后面的车会加塞吗？”

这需要巨大的实时算力支撑。

当车端只有 200 TOPS 时，它算不动了。 为了不让系统卡死，工程师只能阉割掉这些复杂的思考过程，退回到简单的逻辑：

• 要么极度保守：遇到不确定的就刹停，哪怕后面堵了一公里。然而这样的问题是，用户的体感很差，不得不一直介入。

• 要么极度激进：不管三七二十一，按着预定轨迹冲过去，赌别人会让你。这也是某些领先的车的智驾逻辑。

此外对于只有200 TOPS左右的平台，目前的通用做法通常还是规则兜底： 端到端模型可能只是个皮肤，骨子里还是一堆 if-else 的规则代码。打个比方就是在一锅传统的规则代码清汤寡水里，滴了一滴神经网络的香油，然后就敢挂着招牌卖端到端浓汤。

虽然闻着有点味儿，但喝下去本质上还是那碗解渴但没营养的白开水。

或许这才是横冲直撞的根本技术原因——它本质上根本就没在思考。

结论

云端算力决定了智驾系统的迭代速度； 但车端算力决定了智驾系统的智商。

随着端到端和世界模型上车的趋势，模型参数量正在爆炸式增长。200 TOPS 在前两年可能还凑合，但在大模型时代，这就是功能机和智能机的区别。