云能驾驶吗？跨5G和6G卸载自动驾驶的基础设施可行性

前沿自动驾驶模型——尤其是视觉-语言-动作（VLA）模型，其前向传播接近$\sim$60 TFLOPs——正超出经济高效的车载部署能力，因为峰值硬件在一天中的大部分时间处于闲置状态。云推理可以跨活跃车辆共享GPU，但车辆必须通过容量受限的上行链路进行上传，无需排队即可到达GPU，并在闭环预算内返回决策。本文提出疑问：云能驾驶吗？我们用一个分析框架来回答，该框架耦合了通信限制、roofline GPU服务模型、随机延迟和利用率感知成本，涵盖三类模型、三种卸载策略和三代通信，并应用于纽约市。将反应性100毫秒预算与300毫秒的深思熟虑层（假设有车载反应性后备）分开，我们发现了三个\emph{嵌套}的约束机制。通信首先在密集小区中成为瓶颈：5G早期失效，5G-Advanced是特征级卸载的实际阈值，6G增加了余量。计算在反应性预算下成为下一个瓶颈：近期的VLA在延迟上不可行，无论带宽如何，因为自回归FP16解码受内存带宽限制（2025年硬件上约114毫秒）。其下限在2027年左右低于100毫秒；6G随后在2028年左右允许特征级VLA，5G-Advanced仅在轻负载下而非密集走廊中允许，而深思熟虑层从2026年开始。成本最后成为瓶颈：一旦可行，利用率池化的云GPU在VLA上优于车载硬件，其基线（每车每年高达8,500美元）昂贵且闲置；特征级卸载（S2）是VLA成本交叉点集中的地方。延迟决定了哪种模型在哪一年可行；成本决定了它是否经济。