運算與資料成本攀升 ADAS轉向模組化Agentic AI架構

半導體成本上揚與運算負擔增加，促使車廠重新評估自動駕駛系統的導入進程。在 AutoSens Europe 2026 專題座談中，越南電動車製造商 VinFast 全球副執行長 Duong-Van Nguyen 與以色列 AI 業者 Autobrains 創辦人暨執行長 Igal Raichelgauz 指出，單一整合式端對端深度學習模型在應對極端案例時模型體積與算力需求大幅攀升，易超出多數 OEM 硬體承受範圍。 為解決運算瓶頸，Autobrains 提出基於 Agentic AI 的架構，不再持續執行單一龐大神經網絡，而是將任務拆分成多個專屬軟體 Agent，依情境按需啟動，藉此降低運算資源消耗。Raichelgauz 表示，此架構分別訓練專用模型，可將訓練資料需求減少約 2 至 3 倍，有助於降低開發成本。 VinFast 的 Nguyen 則指出，AI 資料中心初期建置成本約需 7 億美元，後續每年資料維護成本亦相當龐大。此外，若要推進至具備雙晶片硬體冗餘的 Level 3 系統，晶片間的仲裁協同可能產生數百萬種測試情境，需耗時數年驗證。受限於財務壓力與法規要求，車廠預期未來兩至三年將以 Level 2+ 及 Level 2++ 系統為主要推進方向。

值得帶走的重點

• 端對端大型模型在應對極端駕駛情境時算力需求大增，推升硬體成本並形成量產瓶頸。
• 模組化 Agentic AI 將任務拆分為專屬 Agent 並按需啟動，據業者估計可減少 2 至 3 倍訓練資料需求並降低運算負擔。
• AI 資料庫建置成本高昂，且 Level 3 冗餘晶片系統的仲裁測試案例多達數百萬種，驗證週期漫長。
• 受限於成本與測試挑戰，業界預期未來兩至三年將以駕駛人監督的 Level 2+ 與 Level 2++ 系統為主要推進方向。