防撞梁只是一个小插曲，后期自然会有人跟进。

李毅当下最重要的事情，是自动驾驶芯片的选择。

自动驾驶这个概念刚刚出现，多传感器方案就成了天选之子，后来直接延伸出来了端到端的概念。

端到端的第一端，简单来说就是感知端，像车辆的摄像头、激光雷达以及给各种车辆输入环境信息的传感器都属于感知端。

第二端则是形式轨迹，简单来讲也就是控制端，车辆在收集到第一端的环境信息后，最重要的是做出决策，对车辆进行行驶轨迹控制，从而让车辆根据环境进行加减速、避让等。

但无论怎么改变，自动驾驶的底层操作逻辑始终不会改变。

但是在过去这种模式里，自动驾驶架构被物理隔离，分为了环境感知、决策规划、控制执行三个模块。

第一个只能用激光雷达传感器等去感知。

第二个只能在收集到感知信息后做选择、决策。

第三个则是要在决策指令下进行控制车辆。

三者相对独立，只能依靠固定的语言和格式进行传达信息，在信息处理上就显得有些死板。

特别是在决策层方面，其各种决策依靠的就是工程师提前设想和写下来的规则，如果出现没有提前写下来的规则，决策层可能就会出现决策错误，这样的方式相当死板，而且说实话也没啥技术含量，毕竟依靠的都是外部硬件。

在这种应用里，激光雷达的概念被炒的最为火热，因为它是感知的最主要手段之一。

动辄上万元的激光雷达，一辆车上有时候都不止一颗，而是好几颗，这也成为了车企一个高昂的负担。

另外，虽说现在信息传输非常快，但信息在三个模块之间传输始终是有延迟，并且有可能在信息传输的过程中导致数据缺失，从而带来一些安全隐患。

所以他还不是完全的自动驾驶，只能称之为ADAS，即高级驾驶辅助系统。

但随着神经网络算法的提出，新的“端到端”概念，成为自动驾驶的最新趋势。

这个新的端到端就是通过大模型将感知、规划和控制三个模块集成起来，消除三者之间的界限，让它们成为一体。

在将三者整合之后，工程师不再需要写规则告诉系统什么是车道线、红绿灯、交通规则，反而可以直接抛弃规则，运用大模型技术在大量的驾驶数据中学习人怎么开车，寻找驾驶的规律。

这种方法相比之前工程师写下的规则，大模型学习之后能够更加迅速并且找到更加符合场景的应对策略，让车辆开起来更加像人开。

简单来说，激光雷达只是最初阶段小朋友学走路用的学步车，当孩子的两条腿和平衡性发育完整后，就会脱离学步车这个辅助工具，开始依靠大脑指挥自己的四肢自如行走。

这样带来的结果就是，李毅重生之前，全球智驾系统顶级研发商Mobileye，宣布了正式放弃激光雷达项目。

其他主流汽车厂玩家，也开始把资源全部投入到神经网络算法以及算力的持续提升方面。

这样一来，激光雷达作为“作弊器”的角色正在被弱化，因为汽车主机厂用脚投票把它投了出去。

当然你现在还没有那么苦恼，因为现在市面上不单单没有那么牛逼的神经网络算法芯片，就连激光雷达都没什么好的选择。

所以目前在智能驾驶选择方案里，特斯拉最开始使用的MobileyeEyeQ芯片，在李毅这里也就成了必选品。

EyeQ是SoC，集成了多种功能模块，其中就包括了视觉处理单元VPU，就是专门用来处理视觉传感器的数据，比如基于视觉的车辆识别、行人识别、道路标志识别、车道线分割识别、突发事件识别等等。

当然现在要用的是MobileyeEyeQ2，采用的是90纳米工艺，算力达到了0.026TOPS，仅仅是2023年EyeQ6算力的一千五百分之一。

但是即便这样，单枚EyeQ2芯片的价格，都高达12000美元，还是爱买不买。

“这么一枚芯片，7万6？”

老爹看着装在透明盒子里的EyeQ2芯片，惊讶的张大了嘴巴。

这是从马斯克送给李毅的那辆特斯拉里面拆出来的。

“对方给的报价就是这样，如果量大的话可能还能再谈。”李毅也有点牙疼。

一辆FF未来SU7，采用95-135度三元锂电池方案，电池成本按照三元锂电池对外销售价格计算，电池的成本大概在22万到33万之间。

一台车上配备两台电机，因为电机的原材料很多都是进口，加上其他研发成本平摊，这一块的成本攀升到了3万元左右。

当然这也是哪家电机对外销售的价格。

然后整车的车体、