在AI領域，Mobileye 獨辟蹊徑，植根于系統設計、現實世界驗證與規模化。這一理念體現在我們的“復合人工智能（Compound AI）”架構中：融合靈活的端到端學習與專用算法，實現安全、可擴展的部署。它不單是架構體系，更是一套指導框架，為當前的高級輔助駕駛系統和更高等級駕駛自動化解決方案提供核心驅動力。

本文將解析 Mobileye 復合人工智能架構的內涵及其如何奠定可擴展駕駛自動化的基石。

何為面向高等級駕駛自動化的復合人工智能架構？

復合人工智能架構是指集成多個專用化、定制化的AI模型協同工作，以解決那些單一模型難以高效應對的復雜任務。與依賴單一通用型模型的方式不同，復合人工智能采用模塊化、分層的架構。每個模塊都針對特定子任務進行優化，系統通過協調各模塊的輸出，生成具連貫性且智能化的結果。

目前，許多高等級駕駛自動化系統仍依賴于單一的端到端模型，將駕駛自動化視為一個龐大的學習任務。這種方法試圖通過視覺輸入學習全部內容，從而構建駕駛策略，即所謂的“從光子到控制”。

然而，越來越多的尖端AI成果出自復合系統。此類架構由多個專用模塊構成，各司其職。正如伯克利人工智能研究所（BAIR）所稱：“當前最先進的AI成果，正日益由多模塊復合系統實現。”

Mobileye 的復合人工智能架構也遵循相同的理念，將駕駛自動化明確解耦為感知（sensing）、規劃（planning）、執行（acting）等模塊，每個模塊對應一個或多個專用的 AI 模型。

Mobileye 如何實踐復合人工智能？

如 Mobileye《高等級駕駛自動化系統安全架構》所述，實現可擴展駕駛自動化系統所需的安全性與可靠性需要堅實的技術基礎。而Mobileye的技術基礎在于模塊化設計、多源獨立感知模態以及多層冗余。

這是 Mobileye 在開發現實世界 AI 系統時所采取的策略，融合多種技術與專業能力，共同構建現實世界中可擴展部署的關鍵路徑。每一部分在復合人工智能的決策應用中都扮演著至關重要的角色。

• 模塊化：感知、規劃、執行等各層均可以獨立開發和優化。工程師能夠專注于特定駕駛功能，從而實現更高效、靈活的開發和部署。

• 冗余：為了確保在不可預測的環境中依然保持出色表現，Mobileye 集成了多感知模態（攝像頭、雷達、激光雷達）、REM?智能路網信息、多樣化AI方法及重疊算法層，可保障不確定環境下的性能。這些獨立的路徑相互強化，提升系統魯棒性，不僅在常規駕駛條件下表現優異，也能應對邊緣情況和復雜場景。

• 抽象化：Mobileye 在關鍵環節融入結構化邏輯。RSS?模型開發了無需學習的核心安全原則，REM?則通過智能路網和駕駛智能層，增強實時感知能力。這些抽象層降低了系統的方差，同時保持系統的穩定性和可解釋性。

軟硬件協同

Mobileye復合人工智能架構的內部設計體現了靈活性與效率之間的精妙平衡。Mobileye專為高等級駕駛自動化系統設計的EyeQ?6 High芯片，內置五個專用模塊；每個模塊都在靈活性與專用性之間實現了不同的平衡：雙CPU（MPC和MIPS）提供靈活算力，XNN加速器實現高效目標性能；VMP與PMA加速器彌合靈活性與專用性之間的差距，使系統能夠動態適配多元運行需求。

EyeQ?6?High 芯片算力為34 TOPS (INT8)，但單純的TOPS指標并不足以衡量其性能，實際應用場景和效率更為重要。在實際駕駛負載下，該芯片能夠以超過每秒1000幀的速度處理像素標注神經網絡，充分展示了智能架構在實際中的強大表現。

為道路而生

復合人工智能作為一種架構體系，也承載著我們持續構建以安全、效率與可擴展性為核心的解決方案的使命。它構成了從高級駕駛輔助系統（ADAS）到高等級駕駛自動化平臺（如Mobileye Chauffeur?和Mobileye Drive?）的技術基礎，這些平臺支持視覺脫離乃至完全自動駕駛的出行方式。

隨著AI持續重塑出行，駕駛自動化的可行性已不是問題所在。行業焦點已轉向如何使其具備可擴展性、安全性和現實可行性。一種基于實際性能、分層化、模塊化且嚴謹的方法論 - 復合人工智能架構，就是Mobileye交出的答卷。

?