智驾算力弹性调控：从静态削减到动态复用的范式转移
从“离线裁剪”到“在线复用”：算力管理的根本性转变
在当前的自动驾驶技术浪潮中，驾驶世界模型以其端到端的感知与规划能力备受关注。然而，这些模型的计算需求呈指数级增长，这与车载计算平台有限的算力资源形成了鲜明对抗。传统的优化路径多集中在模型结构层面，如剪枝、量化或提前终止采样步骤。这些方法通常在模型部署前固化策略，试图在离线阶段就找到一个折中的计算预算。但这种做法的局限性显而易见：车路况的动态变化意味着每一帧数据的计算难度并非恒定，固定的预算设置往往导致在简单场景下算力浪费，在复杂场景下则突破实时性门槛，引发系统延迟。
面对这一挑战，研究者们开始关注运行时的算力余量。文中提到的核心观察非常关键：可接受的最大计算预算并非常数，它会随残余的运行时状态而系统性变化。而最近已经完成的推理所消耗的时间，恰恰是当前可利用的“算力剩余空间”最直接的信号。基于此洞察，SlackDrive 应运而生，它不再是简单的“剪减”，而是一种基于运行时状态的预算分配器。
SlackDrive 的技术逻辑：基于已完成推理的实时画像
SlackDrive 的核心创新在于其“预推理-在线决策-模型执行”的三段式工作流。不同于以往需要昂贵的在线基准测试，SlackDrive 首先通过离线手段，对一个离散的、有限的计算预算集合进行 profiling（概况）。这意味着系统已经提前知道在不同预算水平下，模型的规划效用和延迟表现大致如何。
当实际驾驶场景中每一帧到来时，SlackDrive 会利用前一帧模型执行结束后的“已完成 forwards”信号。这是一个非常巧妙的设计：因为前一帧的推理结果已经告一段落，其消耗的时间就成了判断当前硬件剩余算力的基准。系统基于这个基准，结合离线 profiled 的性能曲线，推算出本帧在当前状态下还能承受的最高预算。随后，它选择那个在预算与效用之间取得最佳平衡的方案，并据此启动本次的模型推理。
这种机制的巧妙之处在于，它既利用了已有的计算信息，又避免了对模型骨干结构的永久性改动。它像一个精明的“算力管家”，在每一次机会来临时，都根据当前的“账户余额”来决定能否进行“大额投入”。这种设计既保留了原驾驶模型的完整性和灵活性，又在关键的实时性约束下，实现了计算资源的精准调配。
实验验证与性能深度解析
在 NAVSIM v2 的测试环境下，以 DriveDreamer-Policy 为核心模型进行实验。结果揭示了 SlackDrive 与现有主流策略之间的本质差异。在严苛的延迟约束设定下，相比于最强的 baseline，SlackDrive 成功将延迟约束下的 EPDMS（一种规划效用指标）提升了 21.7%。这一数字在自动驾驶领域具有实际意义，它意味着在同样的实时性保证下，系统能够处理更复杂的规划任务，或者在相同的任务难度下，释放出更多的算力余量用于其他辅助功能。
值得注意的是，文中提到的“全预算模型”和“预设 token 剪枝 baseline”在运行时竞争中均超过了可接受的延迟阈值。这从侧面印证了传统静态策略的弱点：它们要么过于保守，导致算力利用率低；要么过于激进，在实际运行中因无法适应实时波动而失效。SlackDrive 的出现，本质上是对这种“二元对立”突破的尝试——它不再追求极致的预削减，而是追求在动态波动中寻找最优平衡点。
行业洞察：算力弹性是自动驾驶的关键一环
从行业角度来看，SlackDrive 的出现标志着自动驾驶算力管理理念的一次重要转型。长期以来，人们对自动驾驶算力的讨论多集中于“如何压榨模型的每一个参数”，而 SlackDrive 引入的思路则是“如何在有限的约束下，最大化现有模型的性能发挥”。
这种基于“运行时剩余算力”的动态调控策略，对于解决日益严峻的算力瓶颈具有深远意义。随着端到端模型体积的膨胀，单纯依靠硬件迭代已不再可持续。SlackDrive 展示了一条软件层面的柔性路径：通过实时感知系统状态，进行微观的资源调度。这种方法不仅适用于驾驶世界模型，在其他对实时性有严格要求的 AI 系统中，如机器人导航、工业视觉检测等，同样具有广泛的借鉴价值。它证明了，在不牺牲模型核心能力的前提下，通过更智能的调度，完全可以在现有算力硬件上获得显著的性能提升。
前瞻展望：从静态预算向动态状态的跃升
展望未来，SlackDrive 所代表的方向将可能成为自动驾驶系统标准配置的一部分。随着车载芯片算力的提升和对驾驶模型依赖的深度，这类“剩余算力复用”机制的精度和响应速度将是关键的竞争焦点。未来的研究或许可以进一步探索如何将这种调度逻辑与模型的微调或自适应结构重组相结合，构建更加闭环的智能调度系统。
综上所述，SlackDrive 不仅仅是一个算法的改进，更是一种对自动驾驶系统实时性底层逻辑的重新审视。它告诉我们，在算力日益昂贵和稀缺的今天，最好的优化方式或许不是刻意地“减法”，而是在正确的时机，利用好手中的“余数”。这项技术的成熟应用，将直接推动自动驾驶系统从“勉强实时”向“富余实时”转变，为更安全、更智能的道路出行奠定坚实基础。