例如，高通前段时间推出的AI 软件栈，就是一个专门给 AI 开发者打造的 " 工具箱 "，不仅让汽车和手机之间开发的应用能互联互通，还推广到了其他设备如电脑、可穿戴设备上。
又例如，从成都车展上搭载骁龙座舱平台的车型来看，无论理想 L9、智己 L7 还是沙龙机甲龙等，厂商如何利用骁龙平台的 AI 能力，并在其智能座舱中推出具体的功能和配置，其最终使用场景、体验也存在明显差异。
以面部表情估计 AI 算法为例，有的车型智能座舱用它来检测司机疲劳驾驶、提升行车安全性；但也有车型用它来识别车主情绪，以此推荐相应的音乐、或是开窗透气等。
而智能座舱还只是 AI 创新时代，高通在智能车领域进行技术赋能的场景应用之一。
我们同样能在论文和研发布局中发现，高通对于智能车领域的 "AI 加持 " 远不止于此，还同样体现在智驾和车路协同上。
还有智驾和车路协同
相对智能座舱的技术 " 爆发 "，智能驾驶和车路协同更接近于AI 技术在汽车场景厚积薄发的过程。
这个过程除了需要时间积累模型经验和数据，也需要 AI 相关技术的持续创新，直到感知算法和软硬件达到某一标准，才可能落地并最终量产。
以智能驾驶场景为例，目前通过传感器数据提供冗余已成为应对智能驾驶安全性的解决方法之一。
如何在积累更多长尾场景数据的同时，尽可能充分利用传感器数据、提升融合准确率，来拔高智能驾驶模型面对突发情况的 " 适应能力 "，是决定智能驾驶技术能否落地的关键。
如在这次的成都车展上，中国首款搭载 Snapdragon Ride 平台的长城魏牌摩卡 DHT-PHEV 激光雷达版首次亮相。
这辆新车搭载 2 颗 125 线激光雷达、5 颗毫米波雷达、12 颗超声波雷达、12 颗高清摄像头等多达 31 个传感器，以确保行车安全性，然而 Snapdragon Ride 平台不仅 hold 住了这么多传感器所需的算力，而且通过领先的能效表现对这些数据进行处理。
而发表在 NeurIPS 上的一篇论文显示，高通的工程技术人员和学术机构针对传感器融合进行了研究，结合摄像头和激光雷达同时进行目标检测，在考虑到光照和天气条件等环境噪声的情况下，误差率降低 15% 左右。
至于车路协同，则需要进一步提升定位精度和信号传输能力，来提升汽车在道路上行驶的安全性、降低定位延迟并提升准确性。
例如在 ICC 上的一篇论文中，高通就提出了一种基于无监督学习提升环境定位的方法，能做到在 2D 环境图里的中值误差在 4cm、3D 环中保持在 15cm 以内的定位，以提升车辆在特定车路协同道路上行驶的准确性。
针对车路协同，早在 2020 年，一汽红旗就已经搭载了高通的骁龙汽车智联平台。
再加上骁龙车对云服务，上述四大板块组成的整个骁龙数字底盘，便是高通在智能汽车领域的整体架构布局，涵盖汽车智能化所需的座舱、车载网联、智能驾驶和云服务关键数字化板块，这其中的核心，仍然是其擅长的高性能、低功耗计算和无处不在的连接。
如今高通的 AI 技术外溢到汽车场景，并成为创新的驱动力之一，从幂集创新场景的维度，是否有内在的逻辑可以推测？
就场景需求而言，智能座舱和智能驾驶本就密不可分，如今在 AI 计算和 5G 连接等前沿技术的驱动下更是趋于融合。
硬件上，随着智能座舱芯片性能提升，可以将多余的算力提供给智能驾驶算法，从而进一步容纳算力需求更高、性能更优的模型；
