想到一个评价自驾系统算力的度量方法，记录一下

我把这把尺子叫做单位算力处理能力，它是需要处理的总信息量与总算力的比值

总的信息量=所有传感器分辨率x帧率

我们以特斯拉为例，它使用了8颗摄像头，其分辨率都是1.2M，帧率为36fps，所以它的总信息量为

1.2Mx8x36=345.6M/s

而HW3.0平台的算力为144TOPS/s，所以单位算力为

345.6M/s/144TOPS/s=2.4M，它的含义是，1s内1TOPS算力处理的总像素个数为2.4M

特斯拉的传感器架构最精简，但是对于其它包含毫米波和激光雷达的车又怎么样呢？

对于激光雷达，点云密度为10万上下(0.1M)，但是考虑点云包括（x,y,z,r）4个分量，每个分量精度为fp32（而CIS像素为1个分量，精度为int8），我们需要乘以4x4=16倍。但是激光雷达的帧率一般只有10fps。所以一个10万分辨率的点云，它的信息总量为0.1x16x10=16M/s。可见，点云和camera相比信息密度上还是低不少，大约为一个0.5M左右的CIS。

毫米波雷达的数据量就更小了，相比激光雷达小一个数量级，所以是可以忽略的。

我们再拿蔚来ET7对比下，ET7包含7个8M行车Camera + 4个3M泊车Camera + 1个激光雷达（6.7万点云，忽略）

（7x8M+4x3M）x30fps=2048M/s

而ET7号称的算力为1016TOPS，所以，单位算力处理能力为2048/1016=2M

看起来和特斯拉一个水平？不，这里有两大问题是这把尺子无法回答的。

第一，有效算力是多少？我们都知道GPU的计算效率要低于专用的NPU，但是我们并不清楚FSD SoC中NPU的效率有多高，只知道它是和算法团队联合打造的，算法针对性是极强的，另外特斯拉工程团队在算法部署上的能力也能更高效发挥NPU性能。

第二，不同算法差异大。算法的效率可能是数量级级别的，不同算法在平台上的效率也差别巨大。

第三，众多车企部署的传感器过于冗余，所谓硬件预埋，实际使用的分辨率比传感器分辨率低很多，据我了解，网络分辨率能到达2M/30fps已经是非常不易的水平，如果按照这个数值，ET7的单位处理能力为0.5M。当然，算力也可能没有用满。

所以，这把尺子只能作为一个相对量，主要是我们能快速计算出结果，并且容易理解记忆。