AI算力加剧车载传感器老化，自动驾驶面临安全考验

汽车行业正加速将边缘人工智能技术融入自动驾驶与驾驶辅助系统。但在高强度算力负载、复杂严苛的道路环境下，这套系统长期老化演变规律尚不明确；不同地区、不同用户的用车场景差异巨大，进一步增加不确定性。

车载安全关键系统设计使用寿命普遍长达十年甚至更久，而实际算力负荷取决于车辆行驶频率、驾驶风格、行驶区域，以及运行途中遇到的各类极端工况与突发压力。车企及其供应链企业已投入数百亿美元布局自动驾驶业务，但仍存在诸多待解问题：为系统提供核心数据的车载传感器会以何种节奏、在何时出现性能衰减；如何依靠AI模型有效应对器件老化（尤其伴随着软件升级、AI持续自学习的场景）；怎样搭建整套系统，满足AI业务规模快速扩张带来的长期需求。

AI必须在安全关键系统中实现无差错运行，已有数据证实AI有助于规避交通事故。美国公路安全保险协会（IIHS）最新发布报告显示，Waymo L4级自动驾驶车辆可上报事故数量相比人类驾驶员降低68%，追尾事故发生率下降91%。不过这项技术尚属新兴领域，目前没有可靠数据能够说明，十年周期内上述安全指标会发生怎样的变化。

AI对传感器健康状态与老化的影响

人工智能在乘用车、商用车上普及，正从根本上重塑车载系统的性能要求。数据密集型AI算力负载进一步加剧硬件压力，加速传感器与其他电子元器件老化。

Rambus市场副总裁（硅IP业务）Paul Karazuba表示：“AI长期持续运行，会加速车载系统硬件性能衰减。传统车载电子设备间歇工作，而现代软件定义汽车需要持续运行AI推理任务，用于环境感知、传感器融合、驾驶员监测以及自动驾驶功能。摄像头、雷达、激光雷达等传感器，以及处理传感数据的芯片在车辆行驶期间持续工作。由此带来多重负面影响器件寿命的因素：持续算力负载推升平均工作温度；晶体管长期承受电气应力；处理器与传感器极少空闲，缺少温度恢复周期；模拟元器件与传感器校准参数发生长期漂移。”

这就催生了对全新架构AI芯片的需求。Karazuba补充道：“如今AI贯穿车辆全生命周期，会加速系统老化，软硬件设计都必须具备长效服役能力。因此芯片厂商正在调整车载硬件设计方案，使其能够承受AI算力负荷，同时适应恶劣的物理运行环境。”

随着车辆自动驾驶等级持续提升，车载AI算力需求只会越来越高。开发车载AI模型的工程师难以预判模型对硬件造成的长期影响，模型迭代、自主学习进一步增加变量。

Imagination Technologies产品管理高级总监Rob Fisher称：“自动驾驶运算的复杂度大幅提升。近三五年大语言模型、Transformer架构普及，将大模型算力需求推至新高。这项挑战很难预判，在需求明确前，无法无限制在SoC中预留冗余算力，否则成本将难以承受。行业需要找到平衡：预判未来应用发展方向，确定所需算力规模，再评估投入冗余算力的可行性。”

很难精准预测新型算力负载会如何造成单一传感器老化，因此系统设计必须能够应对各类传感器性能衰减问题。

是德科技AES人工智能解决方案中心负责人Lukas Klose指出：“每一款、每一只传感器的老化表现都存在差异，不存在老化进程完全一致的传感器。我们当前面临的核心难题：无法为每一台车辆单独训练专属AI模型；同一软件版本的车队共用一套AI模型，这套模型必须适配多种多样的传感器衰减模式。这带来一大挑战：需要建立广泛认知，在设计阶段覆盖全部极端工况。”

即便传感器出现轻微性能衰减，也会大幅改变车载核心AI系统的输出结果。

Klose解释：“现阶段AI输出结果具备概率属性，无法给出绝对精确数值，只能尽可能逼近真实情况。误差区间始终存在，而我们需要界定合理误差范围。难点在于，输入信号微小变化，就可能引发截然不同的运算结果。例如摄像头画面单个像素出现异常，就有可能将30英里 / 小时限速标识识别为80英里 / 小时。一切工作的起点，是摸清传感器各类失效模式。”

传感器健康状态监测

一方面AI加速元器件老化，另一方面AI也将成为传感器健康监测的核心手段。

Karazuba表示：“AI可持续分析遥测数据，包含振动、温度、输出信号波动，识别微小异常，在传感器彻底失效前预警性能衰减。传统方案普遍采用片上老化监测单元，例如环形振荡器，追踪电路时序随使用周期的漂移。软件定义汽车在此基础上拓展更多监测手段，评估传感器校准参数、输出信号随时间的漂移并进行补偿。展望未来，AI有望建立传感器标准性能模型，匹配预期老化曲线，依托早期故障特征建立健康指标与剩余使用寿命评估体系。”

搭建可量化传感器健康度的系统难度极大，但相关技术突破有望大幅削弱元器件老化带来的负面影响。

西门子EDA Tessent良率学习产品营销总监Lee Harrison提到：“器件衰减在传感器读数上不一定呈线性变化，衰减特征会随测量对象、电路位置产生巨大差异。想要输出精准健康评分，例如预判器件距离失效还剩余多少工作时长，需要搭建极为复杂的数学模型。AI在此领域大有可为：可以依托数十万台设备的运行数据，自主建立硅器件全生命周期精准模型。这些数据还能优化算力调度策略。举例而言，不必统一淘汰健康度降至25%的芯片，而是调度衰减中的硬件不再承担高负载安全任务，分配轻量业务，进一步延长硬件服役周期。”

误差容错空间极小，需要综合考量多重因素，系统采集的传感器健康数据越丰富越好。

西门子EDA Tessent良率学习产品管理总监Marc Hutner表示：“传感器可以直接采集电路工作状态判断老化程度，或是搭建仿真器件复现老化效应。采集更多数据维度至关重要，便于区分故障影响范围是局部还是整体。老化诱因繁多，包括温度波动、高功耗、高开关频率等。各类监测传感器能够保障终端系统稳定运行，减少用户侧停机故障。”

边缘AI拓展了车载硬件内置的数据采集能力。Hutner称：“人工智能带来全新的数据联动思路。过去行业只能读取单一传感器数据，开展少量直观分析；如今可以联动多类传感器深度挖掘信息，完整掌握整车运行状态，监测范围既可以覆盖芯片内部多传感模组，也能够拓展至全车。现阶段行业优先联动近距离传感器，集中算力做局部分析，但未来具备更大的数据分析潜力。”

保障传感数据安全

无论系统采集多少监测数据，高级驾驶辅助系统必须具备识别异常输入数据的能力，错误决策将引发重大事故。

Rambus的Karazuba表示：“安全系统性能上限取决于输入数据质量。当前软件定义汽车依靠高精度传感器支撑安全决策。传感器提前老化，会向车载驾驶与安全系统传输失真数据，造成目标识别偏差、传感器融合出错、车辆行驶行为异常。漂移的传感器，可能诱发AI做出具备安全隐患的错误判断。”

在安全关键系统开发阶段，就必须将传感器衰减纳入AI系统建模。

Keysight的Klose提出：“我们必须模拟器件长期衰减过程，纳入安全分析，围绕该边界条件划定运行设计域。需要明确：部分像素失效会产生什么后果？传感器参数衰减将带来哪些影响？能否完成仿真建模、生成数据集用于系统训练？能否评估其对整车安全的冲击？最重要的是，器件衰减会如何改变系统可信运行周期？是否存在无法解释的异常现象？”

当不确定性出现时，传感器老化问题就不再只是维护难题，而是安全隐患。一旦AI系统无法识别输入信号漂移，所有决策的基础都将不再可靠。但保障硬件全生命周期稳定运行，需要付出相应成本。

Imagination的Fisher说道：“安全方案成本高昂，车载安全系统研发投入远高于消费级产品。AI持续高负载运行加速车载传感器老化，故障会更早出现，因此需要更高效的故障检测方案与冗余系统设计，拉高SoC内部功能安全模块需求。与此同时，电动化推动车载架构集中化，更少硬件承载全部运算，单一部件故障即可引发整车风险。设计理念也随之改变：不能简单认为CPU、NPU承担功能安全任务，GPU无需参与。SoC越来越多模块需要取得功能安全认证，最高达到ASIL-D等级，甚至更高标准。”

另一重难点：尽管行业不断推动可解释AI技术发展，AI安全推理流程依旧存在黑箱特性。

Klose分析：“传统算法路径清晰、逻辑可追溯；如今AI运算高度抽象，如同黑盒。正因如此，我们需要大量安全论证、统计分析，尽可能摸清这套黑盒的运行规律，评估系统真实安全水平。”

想要破解AI黑盒难题，需要跨生态、多学科协同研究。“半导体厂商、软件企业、AI研发团队需要互通模型衰减相关研究成果。”Klose表示，“基于相关模型开展风险与威胁分析，把结论运用到AI训练与测试流程，保障系统在器件衰减场景下依旧安全。即便只针对环境感知任务，也需要整个行业持续攻关。”

适配AI持续迭代需求

仅依靠前期规划远远不够，工程团队设计系统时，必须预留持续迭代升级能力。

Arm物理AI市场推广总监Robert Day指出：“车载领域的挑战不再仅限于硅器件在车辆生命周期内如何老化，还要兼顾同期AI模型、软件、算力负载的持续演变。硬件设计需要支持车辆出厂后长期的软件与AI模型更新。随着AI模型能力提升、算力需求上涨，车辆需要弹性算力平台，适配全新业务负载，无需更换硬件。通用CPU承担稳定运行底座，既可以直接承载AI任务，也能作为专用AI加速器的故障备用方案。”

车企还需要收集、评估终端用户遥测数据，确保传感器老化过程中AI持续达标运行。

新思科技战略项目总监Reed Hinkel谈到：“查阅特斯拉相关协议细则可以发现，企业会收集大量遥测数据（不含个人身份信息），依托数据迭代算法，模式类似谷歌地图、Waze。数据用于挖掘运行趋势，直接反哺模型优化。”

想要利用采集的数据优化AI系统，车载硬件架构需要具备更高灵活性。

Imagination的Fisher表示：“众多客户追求高灵活、可编程的算力架构，GPU凭借大规模并行运算能力成为优选方案。不少客户在大规模NPU之外，新增GPU分担AI运算、信号处理任务，即便无法精准预判未来算力需求，也能保障充足性能。”

相关领域仍有大量课题待攻克。英飞凌汽车业务首席销售官Peter Schaefer在近期演讲中提到：“技术前景广阔，但信任需要逐步建立。一方面要持续优化传感器与感知AI算法，精准判断车辆位置与行驶策略；另一方面持续推进创新，当前车型距离理想中的自动驾驶汽车仍有差距。”

系统需要稳定输出预期性能，随着集成度不断提升，故障快速恢复能力愈发关键。电池系统看似和AI传感器无关，但电动汽车依靠火药式保险丝切断高压回路，一旦触发会带来安全隐患。燃油车不存在类似问题，而纯电、插混车型电池管理系统故障可能直接整车断电，致使安全关键系统瘫痪。

Schaefer解释：“传统车型电池保护方案采用火药式保险丝。一旦熔断，车主必须前往维修店更换。因此行业正在尝试用断路器替代保险丝，在实现保护功能的同时避免器件永久损毁。”

AI与传感器老化对车载安全的影响

在软件定义汽车中，传感器性能衰减同样引发信息安全层面的担忧。

新思科技安全IP与解决方案产品管理高级总监Dana Neustadter称：“AI带来非确定性老化现象，传感器精度衰减不只是性能损失，还可能演变为安全漏洞。对于AI系统，设计阶段静态评估远远不够，必须支持车辆全生命周期动态适配。不仅要保证模型初始运行正常，还需要长期维持稳定表现。AI催生全新安全议题，需要搭建跨层级信任关联机制。”

消费车辆大规模搭载高级驾驶辅助与自动驾驶系统，研发人员必须同时警惕数字攻击与感知攻击。

“从数字端恶意篡改模拟信号，能够放大异常带来的负面影响。”Neustadter说道，“能否研发新型感知、传感器融合机制，除冗余校验之外，主动预判潜在对抗攻击？模拟域安全十分复杂。以往网络安全聚焦数字侧网络攻击，而模拟领域主要面临感知欺骗攻击。恶意篡改模拟信号后，下游数字运算会持续放大错误。模拟端安全防护，需要行业投入更多研究。”

车载系统安全防护，同样离不开跨企业协作。

Hinkel表示：“未来行业会出现更多经过权威验证的基准数据集，甚至企业间共享。基准数据集作为评判标尺，和运行模型比对，有助于识别虚假数据注入，捕捉影响车辆运行的信号漂移。”

和传感器衰减应对方案一致，车载安全体系建设，需要长期规划与快速自适应能力相结合。

Neustadter提出：“如果能够持续监测AI模型漂移、训练基础假设、推理堆栈老化情况，就可以开展模型更新；搭配签名升级、安全启动、代码审计、漏洞管理机制。相关技术仍有完善空间，需要持续核验，确认模型不存在异常漂移；训练数据层面，亟待完善手段追踪数据来源，保障数据全生命周期安全。现有方案距离长期车载场景需求，尚有差距。”

结语

边缘AI不断拓展车载技术边界，工程团队必须引入先进测试与建模手段，保障技术安全落地。前进路径要求车企、芯片厂商、AI研发企业将硬件老化、系统自适应、信息安全视为相互关联的设计难题。也就是说，系统验证不能只评估新车出厂状态，还要确保车辆在整个服役周期内，持续安全运行。