在自动驾驶方案中，感知层的车载光学与决策层的芯片、计算平台并非简单买卖关系，而是通过数据接口与算力匹配形成紧密的上下游协同。车载光学负责“看”，决策层芯片与计算平台负责“算”，二者在方案定义阶段就需同步选型：摄像头、激光雷达等光学设备输出的数据量，直接决定决策层需要匹配的算力与接口规格；而车企或方案商选择视觉路线还是多传感器冗余路线，又反过来决定光学硬件的配置组合。因此，产业链协同的核心，是感知硬件与决策芯片在方案层面的一体化设计。

产业链分工：上游元件、中游模组、下游方案

车载光学产业链呈现清晰的三段式分工。上游是光学元件环节，包括激光雷达的发射、接收模块等核心器件；中游是模组封装环节，将光学元件集成为摄像头、激光雷达等可交付的车载光学产品；下游则是整车与自动驾驶方案落地环节。

从主流企业智驾布局看，决策层通常单列芯片、计算平台、操作系统、感知算法、规划算法、控制算法等维度，感知层则单列摄像头、毫米波雷达、超声波雷达、激光雷达、高精地图、高精定位。这种分层结构说明，光学硬件属于感知输入，芯片与计算平台属于决策处理，两者通过数据接口衔接。车企若采用第三方方案商，等于变相采购了其配套的摄像头与雷达等光学硬件，产业链协同由此向上游传导。

两条技术路线的分野

不同车企在感知层选择上存在明显分野。特斯拉坚决走视觉路线，不采用激光雷达；国内车企除极氪外普遍配备激光雷达，一方面更舍得堆料，另一方面在算法层面仍需寻找安全冗余。行业观察中常被概括为“激光雷达看国内，摄像头看特斯拉”。

这种路线差异直接传导至决策层：视觉路线对摄像头的分辨率、帧率和数据吞吐要求更高，需要决策芯片具备相应处理能力；多传感器冗余路线则要求计算平台同时接入摄像头、激光雷达、毫米波雷达等多路数据，算力匹配与接口设计更为复杂。光学硬件的选型，本质上由决策层的技术路线与算力规划共同决定。

常见问题

车载光学与自动驾驶芯片是如何协同的？

车载光学作为感知层硬件，负责采集图像与点云数据，决策层芯片和计算平台负责处理这些数据并输出规划控制指令。二者通过数据接口与算力匹配衔接，光学设备的数量与数据量决定所需算力规格，需在方案定义阶段同步设计。

为什么国内车企普遍配备激光雷达？

国内车企在算法层面与特斯拉存在差距，不能像其一样激进地仅依赖视觉方案，因此追求安全冗余，在感知层能配尽配。这一选择也带动了国内激光雷达及其上游发射、接收模块产业链的发展。

产业链上下游如何分工？

上游为光学元件，如激光雷达的发射、接收模块；中游为模组封装，将元件集成为摄像头、激光雷达等产品；下游为整车与自动驾驶方案落地。车企采用第三方方案时，等于变相采购了配套的光学硬件。