离开高性能的芯片，“软件定义汽车”就是空中楼阁
发布时间：2020-09-29 08:20:53来源：建约车评
当前，在汽车圈谈“软件定义汽车”，已经跟普通中国人之间问“你吃了吗”一样高频了。而软件功能的实现，则需要以性能强大的芯片为载体。关注“软件定义汽车”，就不能不重视芯片。
具体到自动驾驶领域，特斯拉的FSD芯片是目前已搭载在量产车上的自动驾驶芯片中性能最强的一款。这款芯片，也成为国内AI芯片公司地平线“对标”的对象。在明年年初，该公司将推出一款算力超出FSD芯片1/3、并且满足功能安全标准、可支持中央计算架构的高级自动驾驶芯片。
当然，自动驾驶芯片很难一步到位直接达到L4所需的标准。在9月26日的北京车展上，这家芯片公司发布的是其第三代自动驾驶芯片。在结合算法优化后，其第三代自动驾驶芯片的计算性能等效于1/2个英伟达Xavier，超过德州仪器TDA4的2倍。
而根据该公司的产品Roadmap，其对标FSD芯片的下一代高级自动驾驶芯片，将在2022年Q2-Q3应用到量产车上。
一．智能汽车时代，ADAS系统需要性能更强大的芯片
我们先提一个问题：为什么很多Tier1提供给传统车企的ADAS方案中，不用英伟达或Mobileye的芯片，而是由瑞萨、安霸等公司生产的算力很低的非AI芯片？
一个很关键的原因在于，在传统车企使用的分布式电子电子架构中，不同的功能算法对应不同的传感器，甚至是芯片和算法直接集成在传感器里面。这意味着，每颗ADAS芯片只能（也只需）支持一种传感器、甚至是只支持一颗传感器（芯片直接嵌入传感器里面），低算力的普通芯片已经“够用了”。
但这同时也意味着，为控制ADAS方案的总成本，车企及供应商需要严格限制传感器的数量。因此，我们看到，很多低阶的ADAS中，通常只有1颗摄像头+1颗毫米波雷达。
哪怕有的车企对成本不敏感，愿意多加些传感器，他们也会面临一个问题：在分布式架构下，各ECU的算力不能协同，不仅造成极大的算力浪费（自己用不完了，还不能给别的ECU用），还给散热系统带来极大的负担。
但在智能汽车时代，为了解决上述问题，自动驾驶开始出现集中式计算平台，在这种架构下，域控制器或中央计算单元需要承担原先需要由多个ECU来分别完成的工作，这一变化，便对ADAS处理器的算力提出了很高要求。
如在吉利最新发布的纯电动跑车ZEROconcept中，视觉感知、规划的算法都在Mobileye的EyeQ®5H芯片上来跑。
奥迪A8的域控制器zFAS,是全球首款用于量产车的自动驾驶域控制器，遗憾的是，在zFAS开始规划的时候，Mobileye的芯片还停留在EyeQ3的阶段，而英伟达和英特尔也没有出现强大的ADAS芯片。于是，zFAS不得不将各家的芯片拼凑在一起做成了个“大杂烩”。
在这个大杂烩中，算力仅0.256TOPS的EyeQ3主要负责前方车道、交通标示及物体和行人的识别；算力仅0.36TFLOPS的英伟达TegraK1负责处理车辆的环视影像、驾驶员监控系统数据；英特尔FPGACycloneV负责毫米波雷达与激光雷达的数据融合；英飞凌的AurixTC297主要负责板级控制、整车通讯、安全运行监督等。
谷俊丽博士在2019年底发布的《自动驾驶，系统架构领航功能演进，P7案例分析》一文中将奥迪A8的自动驾驶架构作为“坏架构”的典型：“一个坏的架构，传感能力和计算能力不能平衡，最后导致功能出不来。”
比如，AudiA8的L3自动驾驶据内幕人说就是传感有缺陷，然后计算能力也不足。
某自动驾驶公司CEO说：“zFAS架构中，多个芯片一起使用的协同难度肯定比单个SoC芯片高的多，总结一下就是效率低功耗还高。”
相比之下，得到更强AI算力支持的车型，如搭载EyeQ4的理想One及搭载地平线征程2的奇瑞蚂蚁、之后的一汽红旗系列量产车、广汽新能源量产车，其自动驾驶域控制器都不会像奥迪A8的zFAS这么复杂。
在域控制器时代，使用一款性能强大的AI芯片来代替多颗低算力的ADAS芯片，不仅会避免浪费，而且，硬件架构更简单也会大幅度减少产品集成的工作量，降低散热难度，并提高产品的安全系数。
况且，在对ADAS芯片的选择上“重质量轻数量”后，车企需要接触的芯片供应商数量也会大幅度减少，总沟通成本极大地降低。
二．从L2向L3演进，数据处理对算力的需求呈数量级上升
不过，芯片厂商们并不能躺在舒适区里高枕无忧。随着消费者及车企对ADAS功能的要求越来越高，ADAS系统的传感器数量越来越多、数据量越来越大，相应地，对AI芯片性能的要求也越来越高。
今年6月初，谷俊丽博士在《一万字解答ADAS系统的今天和未来》一文中对ADAS产品的演进做了清晰的梳理，简单摘要如下表：
（此表版权归谷俊丽博士所有）
从上表可见，在自动驾驶等级从L2向L2+、L3-逐步演进的过程中，系统对芯片算力的需求呈“数量级上升”。
国内芯片厂商地平线的产品Roadmap，也在跟着ADAS的演进Roadmap走。
早在2019年11月份，征程3就已经流片了。2020年第一季度，笔者得到“征程3流片成功”的消息，目前，征程3已通过车规（AEC-Q100）认证，满足量产要求。
如果只是简单地看表面参数，征程3（5TOPS）相比于征程2（4TOPS）算力只提升了25%。但这25%只是BPUAI加速算力的提升，不包括其他算力；如把SoC中的通用计算算进来，算力其实提升了一倍。
地平线算法副总裁黄畅解释说，相比征程2，征程3能支持更好的浮点模型转换。“在征程2上，我们使用原生的量化训练工具去训练模型，才能得到良好的结果；但是在征程3上的话，可以把各种浮点模型直接转换成BPU可运行的量化模型，同时在常见浮点模型上保持很低的精度损失（量化模型精度>0.99*浮点模型精度）。“
再看实际性能，提升效果也很明显。
如征程2可支持2路前视摄像头+疲劳检测摄像头，而征程3则可以支持6路摄像头的4K@30fps图像处理；支持3D降噪、畸变矫正。
针对中国市场特有的机会（国内有大量的车型配备单目的前视摄像头加四目的鱼眼环视摄像头），再结合地平线自研算法，征程3既可以实现高速公路上的辅助驾驶，还可以支持环视自主泊车。结合主机厂的需求，征程3还可实现智能座舱、众包高精地图定位的功能。
在车展期间，笔者问地平线算法副总裁黄畅：征程3相比征程2在制程上已有明显提升（从28nm到16nm），但为何能效（依然是2TOPS/W）没提升呢？黄畅是这样解释的：
征程3增加了更多的CPU核，还有Cortex-R、ISP、H.264/H.265codec，这些新增加的单元，使征程3能够支持更高像素的视频处理，实现多通道AI计算和多通道数字视频录像，从而应对更多的NCAP要求；同时还提供USB3等更丰富的接口，适用更广泛的场景。
在支持自动驾驶的感知算法之余，在整车电子电气架构允许的情况下，征程3还可同时支持智能座舱——包括属于“座舱域”的摄像头。
黄畅博士在媒体群访环节中说：“目前，市场上常见的做法是在车窗底下有一个单独的盒子做前视感知，还有另外的域控制器去做环视，而我能通过征程3帮助Tier1主机厂把这两个域控制器整合成一个域控制器，这可以为客户节省至少人民币几百元的成本。”
"征程3是否支持多传感器融合"，地平线关于征程3的官方信息里并没有提到“多传感器融合”，因此，在媒体群访环节，有记者提出了这个问题。
对此，地平线副总裁、自动驾驶业务总经理张玉峰的回答是：确实也有一些客户希望能在我们的产品中实现融合算法，我们也可以做到。通常的说法是，我们开放工具链，让客户们去做这个融合算法。
在此次地平线展台上，我们也看到了地平线合作伙伴基于征程芯片开发的视觉与激光雷达前融合的参考算法。
地平线将在2021年初发布全面对标特斯拉FSD芯片、面向中央计算架构设计的征程5。征程5的AI算力可达96TOPS，典型功耗为20W，可支持16路摄像头；而征程5的高阶版征程5P则可以在35W的功耗下达到128TOPS的算力。
从设计之初，征程5便对标特斯拉FSD芯片。特斯拉FSD芯片并未通过功能安全验证，尽管Hardware3.0总共使用了两片FSD芯片，但实际上，这两款FSD芯片只是互为冗余，并不能同时发挥作用。也就是说，Hardware3.0的实际算力"只有"72TOPs。相比之下，地平线规划中的征程5优势就更明显了。
此外，在支持感知算法的同时，征程5也可以支持决策算法。
征程5按照ASILB(D)打造，应用满足汽车行业最高安全级别ASILD要求。目前，征程5已拿到几个前装量产订单。据余凯透露，到2022年Q2-Q3，将有搭载征程5的量产车上市。
余凯说：“地平线还计划推出性能更为强劲的车规级AI芯片征程6，算力超过400TOPS，满足ASILC级功能安全。”
三．高性能ADAS芯片的“理论算力”和有效算力
随着自动驾驶数据处理对算力的要求越来越高，自动驾驶芯片厂商们展开了一场理论算力“攀比战”。
2018年下半年，在已经量产的自动驾驶芯片中，算力最高的是英伟达的Xavier（30TOPS）；到了2019年上半年，特斯拉FSD芯片以72TOPS的算力夺冠。
然而，据笔者近日在华为的北京车展展台上了解到的信息，目前，已量产的自动驾驶芯片中，算力最高的其实是华为的昇腾610——单芯片AI算力高达160TOPS。华为这次发布的MDC610便搭载了一颗昇腾610芯片。为应对美国封锁，昇腾610已有备货。
华为昇腾210的AI算力也高达48TOPS（这次发布的MDC210上便搭载了一颗昇腾210芯片，已经有备货），在量产芯片中仅次于华为自己的昇腾610和特斯拉的FSD，但高于英伟达的Xavier，也高于MobileyeEyeQ5（24TOPS）。
但对自家最牛逼的产品在算力值上只能“勉强排第五”，Mobileye显然是不服气的。
在新智驾于9月25日发的《吉利科技转型：牵手Mobileye打算力之战，发力完全自动驾驶》一文中，Mobileye产品及策略执行副总裁ErezDaganErezDagan在回答记者关于“你的算力不如别人”的问题时说道：
“仅用一个数字来衡量芯片的做法不可取，SoC芯片的负载能力也很重要。与其说TOPS是一个真正意义上的技术指标，不如说它是一个用于制造营销噱头的单位。”
刚刚跟Mobileye成为“亲密战友”的吉利汽车研究总院院长胡峥楠也力挺Mobileye的观点：
“芯片本身不仅仅是算力的体现，更重要的是它更底层的算法和库文件。因此，我们更愿意相信在这方面有长期积累的平台。随着半导体技术的提升，算力在未来并不是一个瓶颈，TOPS这个参数要如何为用户带来真正的价值才是关键。“
当然，这其实并不是一个新鲜的话题了。之前已经有不少人在表达类似的观点了。
5月下旬，当英伟达正式推出算力200TOPS（要到2022年才能量产）的Orin及在此基础上搭建的算力2000TOPS的计算平台时，佐思产研发了一篇文章《自动驾驶的算力（TOPS）谎言》，这篇文章的核心观点如下：
“高TOPS都是运算单元（PE）的理论值，而非整个硬件系统的真实值。真实值和理论值差异极大。最糟糕的情况下，真实值是理论值的1/10算力甚至更低。例如谷歌第一代TPU，理论值为90TOPS算力，最差真实值只有10TOPS；如英伟达TeslaT4的理论算力是130TOPS，而实际只有27.4TOPS。“
可以说，峰值算力只反映AI芯片理论上的最大计算能力，而非在实际AI应用场景中的处理能力，具有很大的局限性。
地平线算法副总裁黄畅博士认为，“AI芯片面临的一大挑战，是算法演进速度远超硬件改进速度，致使评估芯片AI性能的方法与算法发展之间存在脱节的现象。”
针对这一产业界普遍存在的问题，在8月8日的2020全球人工智能和机器人峰会AI芯片专场发表演讲时，黄畅博士提出重新定义芯片AI性能的方法——MAPS。
MAPS的全称是MeanAccuracy-guaranteedProcessingSpeed，即针对应用场景的特点，在精度有保障的前提下，评估芯片对数据的平均处理速度。
黄畅博士认为，“评估芯片AI性能，本质上应该关注做AI任务的速度和精度，即‘多快’和‘多准’。而MAPS评测方法关注真实的用户价值，将每颗芯片在‘快’和‘准’这两个关键维度上的取舍变化直观地展现出来，并在合理的精度范围内，评估芯片的平均处理速度。这个方法具有可视化和可量化的特点。”
为了方便客户对征程3的实际性能进行快速评估，地平线特意推出了征程3芯片开发板——征程3DVB。
注：FPS,即每秒能处理多少帧的视频数据
从上面的对比可以看出，征程3每TOPS的AI能力输出可达Xavier的3倍、接近TDA4的4倍。
四．通过算法优化来解决“算力赤字”问题
在体现芯片的真实AI性能的同时，MAPS评测方法还留有最大的优化空间。这里的“优化空间”，意思是指即便是一颗芯片出来以后，它实际上的MAPS值仍有可能提升，因为算法在往前演进，而随着算法不断往前演进，算法的精度或者速度也能够有所提升。这样的话，就使得这个芯片的MAPS值得到持续提升。
MAPS值的提升，也与芯片计算单元利用率的提升有直接关联。
简单地说，计算单元的利用率能达到什么水平，跟算法、芯片的架构、编译器有关了，而芯片架构和编译器做得如何，则都取决于算法能力。因此，芯片团队对算法的理解越深刻，越有可能把芯片架构做好，进而提高算力的利用率。
反过来说，算法能力越强，解决相同问题所需的算力就越少。
这很好理解，好的算法就相当于一个好的数学公式，只要有一个好公式，哪怕智商（算力）没那么高的人，也能用这个好公式很快得出答案；而差的算法则相当于公式不好，那么，哪怕是很聪明的人，解这道题也需要付出更多的时间才能得出答案。
更何况，深度学习模型没有人脑那么灵活，而是依靠“蛮力”计算。如果算法不好，比人类用差的公式去做数学题更加低效。
8月中旬，苏宁金融研究院研究员王元在《从算力、数据、算法、工程化等维度看AI的未来》中提出，从过去十年的AI发展轨迹来看，芯片算力的增长速度已经赶不上数据处理对算力的实际需求，因此，迫切需要通过优化算法来减少“算力赤字”。
深度学习模型与算力发展对比图
文章引用OpenAI最新的测算说：“训练一个大型AI模型所需要的算力，从2012年开始已经翻了30万倍，即年平均增长11.5倍，而芯片算力的增速，即摩尔定律，只能达到年平均增速1.4倍。尽管算法效率的进步，年平均节省约1.7倍的算力，但每年仍有约8.4倍的‘算力赤字”’，令人担忧。”
据文章引用MIT的一项最新研究数据测算，“人工智能算法在图像分类任务（ImageNet）如果要将错误率控制在1%以内，所需成本1亿万亿（10的20次方）美元，这是不可接受的“。
最后，作者认为，鉴于单纯靠算力来解决问题的代价实在太高，人工智能技术发展的核心驱动力未来将主要依靠算法层面的突破与创新。
靠算法突破来解决“算力赤字”问题，这个提法堪称“击中要害”。实际上，AI产业一直在这么做，只不过公开说的人很少而已。
在自动驾驶产业，最典型的代表是特斯拉的FSD芯片。据Fortune报道,JimKeller在特斯拉期间的芯片设计思路是：1.深刻理解特斯拉Autopilot的算法运行机理；2.缩减或砍去通用芯片（例如，英伟达芯片）中与特斯拉软件无关的模块。
正因为对算法吃得很透，JimKeller才能把FSD芯片做得很高效。可以说，对算法的理解，才是AI芯片设计工作真正的壁垒。
而地平线作为一家算法基因很浓的芯片公司，从征程1开始就考虑神经网络的模型，并基于这个模型设计芯片的整体架构，从而达到很高的算力利用效率。通常，GPU在跑深度神经网络算法的时候，算力利用率不超过50%，而地平线的征程2和征程3则将算力利用率做到了90%以上。
远高于行业平均水平的算力利用率，再加上芯片算力本身从1TOPS向4TOPS、5TOPS、96TOPS、128TOPS、400TOPS持续升级，地平线的软硬一体化方案将足以为自动驾驶技术处于各个不同发展阶段的客户提供适合其需要的AI计算能力支持。
五．追求”算法自主“的主机厂，可能也需要个”算法顾问“
既然芯片的算力利用率跟算法好坏高度相关，那么，今后车企在选择自动驾驶芯片供应商的时候，便需要认真考虑一个问题：芯片厂商的算法能力如何？或者，如果是我自己写算法，是否需要对方的帮助？
最近，互联网背景的几大造车新势力密集打响了“算法自主”的枪声。
今年上半年，搭载英伟达Xavier的小鹏P7已量产上市。小鹏之所以选择英伟达做自动驾驶芯片供应商，就是因为后者的商业模式比较开放，允许车企自己写算法。因此，早在跟英伟达签约那一刻，小鹏就向市场释放出了“算法自主”的信号。
在7月的成都车展上，蔚来CEO李斌在接受媒体采访时表示：“从长期来讲，ADAS是围绕四个方面来提升能力：芯片、系统、算法和数据，我们现在肯定要建立全栈能力。”
到了8月份，技术大牛、前Momenta研发总监任少卿加盟蔚来，及蔚来在启动17亿美元的融资时强调资金用途包括“自动驾驶技术研发”；而据汽车之心在9月25日报道，蔚来在8月份已经和高通签署合作，目前正在对高通的自动驾驶计算平台SnapdragonRide进行测试。
SnapdragonRide的商业模式比较开放，车企可自己写算法。这意味着蔚来的“自研自动驾驶技术”已经从计划转化为行动，并且，动作正在加快。
理想，在9月22日跟英伟达正式签约，决定在2022年上市的新车型上搭载英伟达的Orin，跟Orin“搭班”的，将是理想自研的自动驾驶算法。
两年前，笔者曾向某造车新势力的自动驾驶负责人抛出这样一个问题：“既然很多车企的自动驾驶技术用的都是Mobileye的软硬一体化方案，算法不能改，那这些车企自己的算法团队扮演的是什么样的角色呢？”
当时，对方兴奋地答道：“非常好的问题！分这两种情况：研发能力不强的车企，内部算法团队主要是做Demo，理解一下这个算法是怎么回事；而造车新势力，虽然目前用的是Mobileye的算法，但从长期看，我们是打算自己掌握算法能力的。“
在将摄像头的数据跟其他传感器的数据做融合之余，造车新势力内部算法团队的主要工作内容是“评估Mobileye的算法，规避一下他们做得不好的地方，以后自己研发的时候注意”。
当时，这位自动驾驶负责人还说：“据我所知，我们公司和XX,都有自己的感知算法团队，但不能让Mobileye知道，至少是不能公开说。“
而今，这一隐藏已久的“秘密”终于被广而告之了。
甩开“软硬一体化”的Mobileye，选择跟一家在商业模式上更开放的芯片供应商合作，已成为车企在追求“算法自主”时迈出的具有里程碑意义的一步。
有意思的是，在理想跟英伟达签约的两天后，即9月24日，传统车企的领头羊吉利便跟Mobileye宣布在前一日发布的领克品牌纯电跑车ZeroConcept上将搭载Mobileye的EyeQ5H高算力AI芯片。
吉利还跟Mobileye签订了一项长期合作协议，打算今后在多个车型上都采用Mobileye的芯片。
Mobileye曾在2018年的CES上宣布从EyeQ5开始启动“改革开放”，即允许车企自己写算法。在当年10月，Mobileye再次强掉了这一计划。
但具体会开放到何种程度，Mobileye并没有明说，因此，很多人都将信将疑。另一个疑虑是：改变商业模式很容易，但要改变人的思维很难，长期封闭惯了的Mobileye，能在文化上就一下子变得“开放”吗？
在过去的两年时间里，Mobileye再没有提“开放”。而9月24日的官方新闻稿里面也没有提及。
更值得玩味的是，据新智驾在9月25日发的《吉利科技转型：牵手Mobileye打算力之战，发力完全自动驾驶》一文报道，Mobileye产品及策略执行副总裁ErezDagan在谈及当前汽车产业“软硬件解耦”趋势时是这样回应的：
“这样做通常是无效的，它不会是最优的解决方案。一个紧密结合的系统必然会更有效率，性能也会越来越好。”
看来，Mobileye此前宣布过的“改革开放”可能难以落实了。倘若果真如此，则跟Mobileye合作的车企们的“算法自主”之路可能会遥遥无期。
既然跟Mobileye合作难以实现“算法自主”，那吉利为何不选择英伟达呢？以及，华为、高通等都可以为主机厂自研算法提供工具链支持，为什么不选择他们呢？
因为自研算法真正操作起来非常难。
特斯拉在2016年下半年跟Mobileye分手后，新换的英伟达DrivePX2上搭载的就是自研的算法，然而，刚开始的几个月里，AEB功能“严重降级”，用户体验极差。特斯拉费了好大的劲才克服。
亲眼见证了特斯拉那段艰难时期的谷俊丽后来回忆说：这是世界上最激进最危险的研发任务，堪称疯狂至极。一堆参数要调，搞不好要死人的，反正我是不敢做这个功能模块开发。
小鹏P7在使用自研算法后，也遇到了困难。而理想在决定切换成自主算法时，也对AEB的体验下降做好了心理准备，理想方面在接受媒体采访时说：“采用博世的第五代毫米波雷达，可以部分解决一些问题”。
互联网背景的造车新势力们尚且如此，AI积累更少的传统车企就更难指望一步到位了。
当然了，这个问题也并非无解。比如，找个“算法顾问”作为过渡就是一种方案。找谁呢？标准应该是：这个顾问一定要既懂芯片又懂算法，并且，要又为主机厂做算法顾问的意愿。
几个月前刚刚在WaymoCVPR2020自动驾驶公开数据集挑战赛上拿到4项第一名、1项第二名的地平线显然是最好的选择。该公司的自我评价正是“算法公司中最懂芯片的”及“芯片公司中最懂算法的”。
地平线在这方面的定位是做“主机厂的算法顾问”。
此前，地平线已经跟长安、上汽等主机厂成立人工智能联合实验室，并与一汽、中汽创智、长城等主机厂就自动驾驶及智能座舱等业务达成战略合作。
地平线的商业模式比较开放，主机厂可以选择用地平线提供的软硬一体化方案，也可以用自己开发的算法。而在这个“人工智能联合实验室“里，地平线的角色是”主机厂的算法顾问“，即指导主机厂开发自己的算法。
在26日的发布会上，广汽研究院、广汽资本便与地平线签署战略合作协议，并联合发布了“广汽定制版”征程3。该版征程3根据广汽集团采用的深度学习网络进行深度的软硬件联合优化，同时针对广汽量产车型的开发需求进行功能模块调优，使征程3的性能实现最大化的同时，达到系统成本最优化。
不难看出，在跟广汽研究院的合作中，地平线扮演的角色正是“算法顾问”。
在发布会上，广汽资本总经理袁锋还宣布广汽资本通过旗下福沃德基金战略投资地平线。
当前，尽管英伟达、高通有理论算力更强大的自动驾驶芯片，但在离开地平线的展台前，笔者无意间“窃听”到了一位主机厂的自动驾驶负责人跟一位中信证券研究员的对话，其中有一句是：“自己比较强势、要求掌握话语权的主机厂普遍会对’强势的供应商‘心存顾忌。”
对地平线来说，这意味着更大的机会，因为初创公司在跟大客户合作天然地“姿态更低”。
参考资料：
谷俊丽：自动驾驶，系统架构领航功能演进，P7案例分析
https://zhuanlan.zhihu.com/p/90195693
谷俊丽：一万字解答ADAS系统的今天和未来
https://zhuanlan.zhihu.com/p/147225746
自动驾驶的算力（TOPS）谎言(佐思产研)
https://www.sohu.com/a/397739421_391994
从算力、数据、算法、工程化等维度看AI的未来
https://www.tmtpost.com/4638579.html
吉利科技转型：牵手Mobileye打算力之战，发力完全自动驾驶
北京车展前夜：封闭还是开放？自动驾驶芯片的新机遇
如果您对这个话题有不同的理解,或有其他关于无人驾驶的经验可分享的,欢迎加作者微信(charitableman)交流。
《建约车评》出品
正在售卖
本报告核心描述动力电池、自动驾驶、车联网等汽车科技，在1年、4年和10年等维度的发展进程，及其对汽车产品、市场、供应链和商业模式的影响。
为大汽车科技产业从业者的战略、产品、投资等决策提供参考。
报告简介请点击：
招聘
1.人品好，三观正；
2.极强的进取心；
3.文字好，以写作为信仰；
4.心态极度open；
5.英语好。
简历请发2691378@qq.com，附上任意自己满意的作品。
《建约车评》同时在招聘实习生
要求：有基本文字功底、一周至少四天在岗。
建约车评只做有价值的汽车科技报道
