Worauf kommt es im KI-nativen Zeitalter beim autonomen Fahren wirklich an?

Mit der Verbreitung von AI-nativen Systemen entwickelt sich die automatische Fahrweise zu einem umfassenden Wettlauf um Rechenleistung, Software, Daten und Halbleiter.

Die Entwicklung der fortschrittlichen Fahrerassistenzsysteme (ADAS) und der automatischen Fahrweise (AD) in der Automobilbranche tritt in eine neue Phase ein, in der die generative Künstliche Intelligenz das Kernmerkmal darstellt.

Heute beschleunigt die generative Künstliche Intelligenz den Übergang der Branche zu einer AI-nativen End-to-End-Architektur (E2E), die in der Lage ist, Fahrverhalten direkt aus riesigen Datensätzen zu lernen. Im Vergleich zu herkömmlichen Systemen kann ein End-to-End-System fremdere Umgebungen effizienter anpassen, komplexere Fahrscenarien bewältigen und mit zunehmender Datenverarbeitungsmenge die Geschwindigkeit der Leistungsiteration deutlich erhöhen.

Diese technologischen Veränderungen verändern die Geschäftslogik von ADAS und automatischer Fahrweise. Der Wettbewerbsvorteil in der Branche liegt nicht mehr nur in der Herstellung von Kraftfahrzeugen mit besserer Leistung, sondern wird zunehmend auf Unternehmen verschoben, die über AI-Modelle, Halbleiter, Cloud-Infrastruktur, Massendatenakquisition sowie effiziente Validierungsfähigkeiten für Software- und Hardware-Integrationssysteme verfügen. Dieser Übergang findet statt, während die Aufmerksamkeit der Verbraucher wächst und die Investitionen in den Bereich der automatischen Fahrweise kontinuierlich steigen.

Ein klarer Trend zeigt, dass die automatische Fahrweise nicht nur ein Problem der Automobiltechnik ist, sondern zunehmend zu einer Herausforderung für die AI-Infrastruktur wird.

Verbraucherhaltung und Marktwachstumstrieb

Werden bis 2035 die meisten Autos vollkommen autonom fahren können? Die neuesten Untersuchungen von McKinsey zeigen, dass die meisten chinesischen Verbraucher dies für möglich halten, während etwa ein Viertel der westlichen Verbraucher dieser Vorstellung zustimmt. Tatsächlich rücken ADAS und die automatische Fahrweise rapide in die Allgemeinheit ein, und der Einfluss der ADAS-Funktionen auf die Kaufentscheidung wächst stetig, insbesondere auf dem Markt für gehobene Fahrzeuge.

Verbraucher sind auch bereit, sich in nicht eigene autonom fahrende Fahrzeuge zu setzen, was der schnell wachsende Markt für Fahrroboter (Robotaxi) beweist. Weltweit steigt die Akzeptanz von Verbrauchern gegenüber Dienstleistungen für automatisierte Fahrten kontinuierlich. Über 60 % der befragten Verbraucher geben an, Fahrroboter in Betracht zu ziehen, und etwa die Hälfte der Befragten erwartet, dass die Fahrkosten in den nächsten Jahren sinken werden.

Allerdings ist die Erwartung der Verbraucher an den Fortschritt der Technologie im Allgemeinen höher als die der Branchenexperten. Die meisten befragten Experten auf dem Gebiet der automatischen Fahrweise sind der Ansicht, dass L2+-Systeme bis 2035 den Massenmarkt dominieren werden, während L3- und höherwertige Systeme wahrscheinlich nur in bestimmten Szenarien und Regionen eingesetzt werden.

Die kontinuierliche Weiterentwicklung von L2+-Systemen und der stabile Fortschritt bei der L4-Automatischen Fahrweise werden das globale ADAS-Software- und Elektronikmarktwachstum vorantreiben. Es wird geschätzt, dass der Markt einen durchschnittlichen jährlichen Wachstumsrate von etwa 16 % haben wird und bis 2035 ein Volumen von etwa 160 Milliarden US-Dollar erreichen wird, wobei Software und Domänencontroller (DCU) den größten Marktanteil einnehmen werden.

Obwohl die Branche starkes Wachstumspotenzial hat, stehen der Masseneinführung der automatischen Fahrweise hohe Kosten und technische Probleme im Weg. Die Softwareentwicklung, die Sicherheitsvalidierung und die Massendatenakquisition sind die Hauptkostenfaktoren. Der Übergang zu einer End-to-End-AI-Architektur erhöht auch die Anforderungen an die Rechenleistungsinfrastruktur, die Simulationsfähigkeiten und die Hochleistungshalbleiter. Eine informelle Umfrage unter über 40 Branchenmanagern im November 2025 zeigte, dass die drei zentralen Herausforderungen für die Einführung von ADAS sind: Sicherheitsgewährleistung (23 %), hohe Rechenleistungserfordernisse für die Fahrzeug-Inferenz (14 %) und regulatorische und rechtliche Unsicherheiten (14 %).

Von regelgesteuerten zu End-to-End-Systemen

In den letzten zehn Jahren war die Entwicklung von ADAS und automatischer Fahrweise hauptsächlich auf regelgesteuerte Softwarearchitekturen gegründet – Ingenieure haben Tausende von expliziten Anweisungen geschrieben, um die Reaktionslogik des Fahrzeugs in bestimmten Szenarien zu definieren. Diese Architektur hat die meisten heutigen Sicherheits- und Komfortfunktionen (von der automatischen Notbremse bis zur adaptiven Geschwindigkeitsregelung) unterstützt und auch die Grundlage für eine höhere Stufe der automatischen Fahrweise gelegt. Gegenwärtig durchläuft die Branche eine tiefgreifende Architekturveränderung.

Zwei technologische und strategische Kräfte beschleunigen die Verbreitung der End-to-End-Architektur:

Erstens beschleunigt die generative Künstliche Intelligenz die Iterationsgeschwindigkeit von ADAS und automatischer Fahrweise erheblich. Herkömmliche Systeme verlassen sich auf explizite Programmierregeln oder wenden maschinelles Lernen nur in lokalen Szenarien an (z. B. bei der Verkehrsschilderkennung); die End-to-End-Architektur kann dagegen Fahrverhalten direkt aus großen Datensätzen lernen, hat eine bessere Generalisierungsfähigkeit für unbekannte Szenarien und ein Fahrverhalten, das dem menschlichen Fahrverhalten näher kommt.

Zweitens treibt die technologische Entwicklung der L4-Automatischen Fahrweise die interdisziplinäre Zusammenarbeit in der Ökosystem voran. Die Zusammenarbeit zwischen Halbleiterunternehmen, Automobilherstellern und Verkehrsbetreibern wird zunehmend normalisiert. Die meisten Projekte werden in Phasen durchgeführt: Zunächst sammeln Datenaufzeichnungsträger reale Testfahrtdaten, dann validieren sie das System in einem beaufsichtigten Modus in bestimmten Szenarien, und schließlich wird die vollständige automatische Fahrweise eingeführt. Diese Zusammenarbeit verändert das Wettbewerbsumfeld der Branche und beschleunigt die technologische Weiterentwicklung.

Drei Technologierouten für ADAS und automatische Fahrweise

Derzeit haben sich in der ADAS-Branche drei Hauptarchitekturen etabliert, die in der Regel eine multimodale visuelle Modellierung mit verstärktem Lernen/Imitationslernen kombinieren: Einige Lösungen verwenden ein einzelnes Modell, um Wahrnehmung, Planung und Steuerung gleichzeitig zu verarbeiten, während andere Lösungen mehrere Modelle gemeinsam trainieren.

Die folgenden beiden Architekturen stammen aus den traditionellen regelbasierten Systemen der ersten Generation der automatischen Fahrweise:

Die erste ist das traditionelle ADAS (Automatische Fahrweise 1.0): Basierend auf einer modularen Pipeline-Architektur werden Wahrnehmung, Planung und Steuerung in separate Softwareebenen aufgeteilt. Der Großteil des Codes wird manuell geschrieben, und durch explizite "if-then"-Regeln werden bestimmte Fahrscenarien abgedeckt (z. B. "Bremsen, wenn ein Fußgänger innerhalb von 10 Metern erkannt wird"). Maschinelles Lernen und andere AI-Techniken werden nur in begrenzter Weise innerhalb der Ebenen angewendet.

Die zweite ist die hybride Architektur, die End-to-End-Lernen mit regelbasierten Sicherheitsmechanismen kombiniert. In der Regel werden AI-Techniken wie das "Visuelle-Sprache-Aktion (VLA)"-Modell verwendet, um die Kernfahraufgaben zu bewältigen, während zusätzliche Regeln die Ausgangsergebnisse überwachen und die Sicherheitsgrenzen festlegen.

Die End-to-End-Architektur wird als zweite Generation der automatischen Fahrweise (Automatische Fahrweise 2.0) angesehen. Sie basiert auf dem Transformer-Modell und wird anhand von riesigen Datensätzen, die aus dem Internet und den Fahrzeugen stammen, trainiert, um komplexes Fahrverhalten zu lernen und sich an vielfältige Szenarien anzupassen.

Unternehmen, die sich auf die End-to-End-Automatische Fahrweise konzentrieren, haben sich nicht auf eine einheitliche Designkonzeption geeinigt. Es gibt hauptsächlich zwei Technologierouten:

Die erste ist das modulare End-to-End-Design. Es kombiniert die Leistungsvorteile des AI-Lernens mit der Interpretierbarkeit der modularen Technik. Verschiedene vortrainierte Modelle übernehmen die Funktionen der Wahrnehmung, Planung usw., werden aber im Rahmen eines End-to-End-Optimierungsrahmens gemeinsam trainiert. Der Vorteil dieser Architektur liegt darin, dass die Zwischenausgaben beobachtbar und unabhängig validierbar sind, was die Fehlersuche und die Sicherheitsanalyse erleichtert. Entwickler können auch die Effizienz durch die Anwendung von Closed-Loop-Simulationstechniken auf die Planungsebene verbessern. Die Schwäche besteht darin, dass es an den Schnittstellen zwischen den Modulen zu Informationsverlusten kommt und die Generalisierungsfähigkeit in komplexen realen Szenarien etwas schwächer ist.

Die zweite ist das einheitliche Architekturdesign. Ein einzelnes Modell führt die Aufgaben der Wahrnehmung und Planung gleichzeitig aus, und einige Lösungen umfassen sogar die Fahrzeugsteuerung. Befürworter dieser Lösung argumentieren, dass die Beseitigung der Modulschnittstellen Informationsverluste reduzieren und eine stärkere Generalisierungsfähigkeit ermöglichen, aber der Preis dafür ist eine erhebliche Erhöhung der technischen Komplexität. Ein einheitliches System erfordert riesige Trainingsdaten, enorme Rechenleistung und eine hoch entwickelte Simulationsumgebung, und der Entscheidungsvorgang des Modells ist normalerweise nicht direkt beobachtbar, was die Validierung erheblich erschwert.

Es hat sich in der Branche ein Konsens gebildet, dass die End-to-End-Architektur in einem hoch variablen Fahrumfeld besser als traditionelle Systeme abschneidet und in der Lage ist, Szenarien zu bewältigen, die von Ingenieuren nicht explizit definiert wurden. Diese Fähigkeit ist besonders wichtig in städtischen Umgebungen mit dynamischen Straßenverhältnissen und unklaren Szenarien.

Aber hinter diesen Vorteilen verbirgt sich auch ein zentrales Problem: Die Mangel an Interpretierbarkeit. Im Gegensatz zu modularen regelbasierten Systemen haben End-to-End-Modelle oft die Eigenschaft eines "Black Boxes". Ingenieure können das Systemverhalten beobachten, aber die Entscheidungslogik nicht vollständig erklären, was die Sicherheitsvalidierung, die Fehlersuche und die regulatorische Genehmigung behindert.

Diese Einschränkungen beeinflussen auch den Rhythmus der Masseneinführung der verschiedenen Stufen der automatischen Fahrweise. Die meisten Branchenakteure sind der Ansicht, dass die Masseneinführung von L2+-Systemen schneller erfolgen wird als die der vollständigen automatischen Fahrweise. In L2+-Szenarien trägt der menschliche Fahrer immer noch die Überwachungsverantwortung, was den Beweis der vollständigen Sicherheit des Systems erleichtert. Um die Masseneinführung von L3- und L4-Stufen auf der Grundlage reiner End-to-End-Algorithmen zu erreichen, sind technologische Durchbrüche in mehreren Bereichen erforderlich: effizientere AI-Modelle, die Fähigkeit zur Simulation von extremen Ausnahmefällen und eine breitere regulatorische Anerkennung. Ein hybrides Konzept, das auf der Grundlage des End-to-End-Algorithmus eine Sicherheitsüberwachungsebene hinzufügt, könnte die Einführung von End-to-End-Modellen in L3- und L4-Fahrzeugen beschleunigen.

Zur gleichen Zeit löst der Übergang zu einer AI-nativen End-to-End-Architektur einen exponentiellen Anstieg des Rechenleistungsbedarfs in der gesamten Branche aus. Halbleiter und Fahrzeugrechnerplattformen werden zum Kern des Wettbewerbs.

Eine neue Ära für die Anforderungen an Fahrzeug-Hardware und -Systeme

Der Automobil-Halbleitermarkt entwickelt sich schnell. Kerntrends sind die breite Anwendung von GPU und NPU für AI-Aufgaben, die stetig steigenden Anforderungen an die Rechenleistung für Fahrzeugunterhaltung und ADAS-Anwendungen sowie die Einführung von neuen Architekturen wie integrierten Systemen auf einem Chip (SoC) und Chiplets, die in der Lage sind, verschiedene Anwendungen mit unterschiedlichem Sicherheitsniveau (z. B. Fahrzeugunterhaltung und ADAS) effizient auf einem einzigen Chip auszuführen.

Es wird geschätzt, dass der Markt für ADAS/Automatische Fahrweise-Verarbeitungschips von etwa 5,6 Milliarden US-Dollar im Jahr 2025 auf über 46 Milliarden US-Dollar im Jahr 2035 wachsen wird, was einer durchschnittlichen jährlichen Wachstumsrate von etwa 24 % entspricht. Dies ist deutlich höher als der Wachstumsrate des gesamten Automobil-Halbleitermarkts. Der Anteil dieses Produkts am Automobil-Halbleitermarkt wird von weniger als 6 % im Jahr 2025 auf 22 % im Jahr 2035 steigen. Alle regionalen Märkte werden wachsen, wobei das Große China voraussichtlich 2035 der größte globale Markt sein wird.

Dieser rasante Wachstum widerspiegelt tiefgreifende Veränderungen in der Gestaltung und Implementierung von automatischen Fahrweisen. Mit dem Übergang der Branche von regelgesteuerten ADAS zu End-to-End-AI-Systemen steigt der Bedarf an Fahrzeugrechenleistung sprunghaft. Zukünftige Systeme müssen in Echtzeit riesige Datenströme von multimodalen Sensoren verarbeiten und gleichzeitig große Modelle unter strengen Zeit- und Sicherheitsbeschränkungen ausführen. Die reine Spitzenrechenleistung ist nicht mehr der einzige zentrale Indikator. NPU, Speicherbandbreite und fortschrittliche Packaging-Techniken werden zu entscheidenden strategischen Faktoren.

Drei strukturelle Trends bei NPU und Speicherbandbreite treiben die nächste Generation der Fahrzeugrechenleistung voran:

Erstens steigt der Bedarf an Rechenleistung stark an, wenn die Stufe der automatischen Fahrweise erhöht wird und Sensoren wie hochauflösende Kameras, Radare und Lidare breiter eingesetzt werden. Höhere Stufen der automatischen Fahrweise erfordern, dass das System in Millisekunden mehr Daten verarbeitet, komplexere Umgebungen interpretiert und präzisere Planungsalgorithmen ausführt.

Zweitens verändert die Verbreitung der End-to-End-Architektur grundlegend die interne Rechenleistungskonfiguration von Fahrzeug-SoC. In frühen ADAS-Architekturen war die GPU normalerweise die zentrale Beschleunigungseinheit für Wahrnehmungsaufgaben. In der End-to-End-Architektur wird dagegen der NPU, der für die AI-Inferenz optimiert ist, zur Hauptrechenleistungseinheit. Die CPU übernimmt weiterhin die sicherheitskritischen Funktionen und die Gesamtsteuerung des Systems, insbesondere in Systemen, die die Anforderungen der Automobil-Sicherheitsintegritätsstufe (ASIL) erfüllen. Die GPU und der digitale Signalprozessor (DSP) übernehmen unterstützende Rollen und sind für die Vor- und Nachverarbeitung, die Visualisierung und die Kompatibilität mit der AI-Trainingsumgebung verantwortlich.

Drittens entwickelt sich die Branche hin zu zentralisierten Rechenplattformen, die gleichzeitig ADAS