主要观点总结
本文主要介绍了奔驰使用神经形态计算技术提升汽车能效和智能驾驶能力的相关内容。文章首先介绍了奔驰VISION EQXX概念车的能效表现，然后解释了神经形态计算的概念和原理，以及与冯·诺依曼架构的区别。接着，文章详细阐述了神经形态计算在智能驾驶领域的应用及其优势，包括降低能耗、提高处理速度和安全性能。最后，文章总结了神经形态计算的特点，并介绍了奔驰与合作伙伴在神经形态计算领域的研究和合作情况。
关键观点总结
关键观点1: 奔驰VISION EQXX概念车的能效表现
实现了1次充电行驶超过1200公里的续航成绩，以及百公里能耗仅7.4度电的新纪录。
关键观点2: 神经形态计算的概念和原理
是一种模仿人脑机制的计算方式，长于模式识别、感知、学习、自适应，并且能耗很低。
关键观点3: 神经形态计算与冯·诺依曼架构的区别
冯·诺依曼架构注重精确和通用计算，但效率低功耗大；而神经形态计算针对自动驾驶场景，更高效节能。
关键观点4: 神经形态计算在智能驾驶领域的应用及其优势
可以降低自动驾驶系统的能耗，提高处理速度和安全性能。例如，与滑铁卢大学的合作研究表明，神经形态计算有望将自动驾驶数据处理所需的能耗降低90%。
关键观点5: 奔驰在神经形态计算领域的研究和合作情况
奔驰与滑铁卢大学、卡尔斯鲁厄应用技术大学等合作伙伴共同开展神经形态计算领域的研究，评估如何利用神经形态计算优化自动驾驶系统中雷达和摄像头数据的处理。
正文
更早之前的影视从业者也不会制作 8K 视频，因为从拍摄设备，到解码芯片还有播放设备都没有准备好。
还是以大型餐厅举例，因为处理流程长，工序复杂，客户需求多样，就需要储备各种食材，聘请名厨，培训服务员，做各种工作，成本高昂，人员复杂，上班时间还很久，最终消费者消费的价格也不便宜。
这就是冯·诺依曼架构的短板，最明显的，就是它的计算效率偏低（仓库太远，冰箱满了，厨师请假，服务员偷懒，后厨门太窄了等等都会影响上菜效率）和运行能耗偏高（人多，管理难，投入成本高）。
当然，冯·诺依曼架构的长处在于精确和通用计算，就像好的餐厅能做的菜花样百出，并且样样好吃。
但是，如果有个顾客特别爱吃扬州炒饭，并且只吃扬州炒饭，那么他自然也可以每一顿去上面的大餐厅，不过对于顾客来说，这个花费就太高了。
这个「扬州炒饭」可以是当下的 AI 计算，或者更细致一些，是汽车辅助驾驶和自动驾驶的计算。
根据奔驰给出的数据，如果是继续使用冯·诺依曼架构做智能驾驶的计算，当前 L2 级别的辅助驾驶，能耗在 70-100W 之间，这对于动辄几十度上百度的新能源电池来说负担不算大，运行一天也就 1 度电而已。
但是到了 L4 高级自动驾驶阶段，这个能耗就可能达到 1000W——3000W 的程度，这将大大降低汽车的续航里程。
当然，我们可以寄希望于半导体制程工艺的进步，电池技术的进步等等，但是我们需要明白的是，从 L2 到 L4 智能驾驶等级之间能耗递增是十倍数十倍的增加，而半导体工艺带来的能耗降低，往往是个位数两位数百分比的速度。
所以，业界就希望有新的计算形态来专门针对自动驾驶这个场景，这就是前面提到的「神经形态计算」。
前面说了，冯·诺依曼架构的长处在于重逻辑的精确和通用计算，但效率低功耗大，那么「神经形态计算」就是长于模式识别、感知、学习、自适应，并且能耗很低。
在智能驾驶技术进入到了端到端时代，依靠大模型，尤其需要视觉语言大模型参与进来的时候，模式识别、感知、学习和自适应的需求也越来越大，因而，「神经形态计算」就逐渐被奔驰和业界所重视，成为实现高等级自动驾驶的希望技术。
具体到奔驰，他们是和加州人工智能企业 BrainChip 合作，开发出基于 BrainChip 公司 Akida 神经形态系统级芯片的硬件和软件系统，并集成在了 VISION EQXX 概念车里。
