為什麼Google、蘋果不約而同選擇用這款車進行自動駕駛測試?
為什麼Google、蘋果不約而同選擇用這款車進行自動駕駛測試?
2017.05.07 | 蘋果

幾年前,豐田怎麼也不會想到,自己的雷克薩斯RX450h被Google這樣的網路公司買去改造,最終變成一輛自動駕駛汽車,並且成為談論此類技術的眾多文章裡的配圖。

前幾天,有人在美國抓拍到了蘋果的自動駕駛測試車,巧合的是,他們所用到的車輛也是老款雷克薩斯RX450h,而且還是三台。

165621630810.jpg
圖/ 虎嗅網

那麼問題來了:為什麼Google、蘋果不約而同的選擇了 RX450h?科技公司測試自己的自動駕駛技術時,對於測試車的選擇又都有哪些講究?

最容易想到的一個原因:看到RX450h是一輛SUV,很多人會覺得SUV空間大,有足夠的空間來安放無人駕駛系統的電腦系統。

Google無人駕駛項目最早使用的是豐田普銳斯,當時後備箱裡是這樣的:

165621569168.jpg
圖/ 虎嗅網

不過隨著時間的發展,Google無人車發生了這樣的變化(注:上圖是Google 2010年的普銳斯,下圖是2012年RX450h):

165621196453.jpg
圖/ 虎嗅網

前段時間,我去試乘了德爾福改裝的奧迪SQ5自動駕駛汽車,幾乎看不出是一輛改裝後的車,後備箱很平整,電腦被藏在備胎位置。

其實,不同公司的無人駕駛系統「原始程度」也不太一樣,比如福特Fusion無人車的後備箱裡是這樣的:

165621569168.jpg
圖/ 虎嗅網

另外需要提出的是,無人駕駛系統的傳感器、升級後的傳動機構,也需要一定空間。所以一輛用於測試的無人車,還是對「空間」、「尺寸」有一定要求的。

空間是很重要的一個因素,但不能說明全部問題。

熟悉雷克薩斯車系的同學會發現,RX450h是一輛混合動力車,難道是Google、蘋果為了省油?答案當然是no。由於Google、蘋果做的是更為高階的無人駕駛,使用了大量傳感器和高性能電腦,所以,耗電量是很大的。

Navigant公司分析師Sam Abuelsamid說,「燃油車的12V系統最大輸出功率是2.5kw,現在大部分汽車都是如此。Level 4及以上的無人駕駛系統,則至少需要48V系統才能正常工作。」

看到這位分析師所言,我特意查了查Velodyne HDL-64E S3激光雷達的功率,結果只有60瓦。由此可以看出,在一套無人駕駛系統中,傳感器倒不是用電大戶,電腦系統才是。

所以,「電」對無人駕駛測試車來說,也非常重要。混合動力車、電動車能提供相比燃油車更高的電壓等級。如果要改裝一輛燃油車,則需要額外再加一台發電機用於給無人駕駛系統供電,增加了改裝難度。

除了RX450h之外,很多公司的測試車都選擇了混動車型,比如福特、Uber使用了福特Fusion(即中國的混動版蒙迪歐,Ford Mondeo),NVIDIA使用了混動版林肯MKZ(其實這兩輛車是同平台打造的,電子和機械系統相似度很高)。

還有一件事能證明「電」和「空間」很重要:豐田研究院在2個月前發布了首款Level 4級別的自動駕駛汽車,車型是雷克薩斯LS600hL(一輛旗艦級混動車型)。

當然,也有一些比較「另類」的公司,選擇小車作為無人駕駛技術測試車,比如日產用的是Leaf。

作為一款電動車,自帶高壓電,給無人駕駛系統供電不成問題,但兩廂車後備箱小了點。從下面這張圖中可以看到,改裝後的Leaf的後備箱被塞的滿滿滿。

165622088863.jpg
圖/ 虎嗅網

和日產類似的例子,還有中國百度和奇瑞合作改裝的奇瑞eQ,新加坡nuTonomy公司改裝的雷諾Zoe,都是兩廂電動車。

技術層面,對車的「熟悉程度」是另外一個因素,因為如果不和車企合作改裝的話,需要「hack(侵入)」某些控制系統。

舉例來說,過去很多人熱衷於把一輛普銳斯改裝成一輛插電版普銳斯。或許是由於「易改裝」的特性,讓Google最早選擇了普銳斯作為測試車。如今,那些尚未和車企達成合作的,「私自改裝」的自動駕駛公司,在選擇某款車測試車時,這是必須要考慮的一點。

聊了這麼多「選車」的問題,必須要指出的一點就是,車企做自動駕駛測試一定會用自己的車,比如前面提到的豐田用了雷克薩斯LS600hL,通用選擇了雪佛蘭Bolt、沃爾沃用了XC90等等。

在未來幾年,我們依然會看到各式各樣的測試車滿大街跑。不過最終技術成熟時,這些車也會完成自己的使命,最終形態的無人駕駛汽車出現,比如Google的呆萌小車就是個例子:

本文授權轉載自:虎嗅網

關鍵字: #自動駕駛
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓