--關注、星標、回復“26262”--
↓↓領取：ISO 26262↓↓
自動駕駛芯片概況
1.1、自動駕駛芯片簡介：車規級芯片要求更加嚴苛
芯片按應用場景可分為消費芯片、工業芯片、汽車芯片和軍工芯片等。汽車是芯片應用場景之一，汽車芯片需要具備車規級。車規級芯片對加工工藝要求不高，但對質量要求高。需要經過的認證過程，包括質量管理標準ISO/TS 16949、可靠性標準 AEC-Q100、功能安全標準ISO26262等。汽車內不同用途的芯片要求也不同，美國制定的汽車電子標準把其分為5級。汽車各系統對芯片要求由高到低依次是：動力安 全系統 > 車身控制系統 > 行駛控制系統 > 通信系統 > 娛樂系統。
車規級芯片特殊的技術和工藝要求擋住了企業進入的腳步。車規級芯片有著比消費級芯片更高的技術門檻，需滿足溫度、振 動、電磁干擾、長使用壽命等高要求，還要通過可靠性標準AEC-Q100、 質量管理標準ISO/TS16949、功能安全標準ISO26262 等嚴苛的認證流程，大部分芯片企業尚不具備轉型進入能力。目前，車規級芯片在傳統汽車中的成本約為 2270 元 / 車，在新能源汽車中的成本約為 4540 元 / 車。隨著汽車向電動化和智 能化發展，芯片的種類、數量和價格占比將進一步提高。
1.2、自動駕駛芯片產品趨勢：一體化
云和邊緣計算的數據中心，以及自動駕駛等超級終端領域，都是典型的復雜計算場景，這類場景的計算平臺都是典型的大算 力芯片。大芯片的發展趨勢已經越來越明顯的從GPU、DSA的分離趨勢走向DPU、超級終端的再融合，未來會進一步融合成超 異構計算宏系統芯片。BOSCH給出了汽車電氣架構演進示意圖。從模塊級的ECU到集中相關功能的域控制器，再到完全集中的車載計算機。每個階段 還分了兩個子階段，例如完全集中的車載計算機還包括了本地計算和云端協同兩種方式。
英偉達創始人黃仁勛在2022秋季GTC大會上發布了新自動駕駛芯片——Thor。Thor的特點：一是超高AI性能，擁有770億晶體 管，而上一代的Orin是170億晶體管。AI性能為2000 TFLOPS@FP8。如果是INT8格式，估計可以達到4000TOPS。二是支持FP8格 式，英偉達、英特爾和ARM三家聯合力推FP8格式標準，力圖打通訓練與推理之間的鴻溝。三是超高CPU性能，Thor的CPU可 能是ARM的服務器CPU架構V2或更先進的波塞冬平臺。四是統一座艙、自動駕駛和自動泊車，一顆芯片包打天下。
英偉達發布的一體化自動駕駛芯片Altan&Thor的設計思路是完全的“終局思維”，相比BOSCH給出的一步步的演進還要更近一 層，跨越集中式的車載計算機和云端協同的車載計算機，直接到云端融合的車載計算機。云端融合的意思是服務可以動態的、 自適應的運行在云或端，方便云端的資源動態調節。Altan&Thor采用的是跟云端完全一致的計算架構：Grace-next CPU、 Ampere-next GPU以及Bluefield DPU，硬件上可以做到云端融合。
自動駕駛芯片架構分析
2.1、主流架構方案對比：三種主流架構
當前主流的AI芯片主要分為三類，GPU、FPGA、ASIC。GPU、FPGA均是前期較為成熟的芯片架構，屬于通用型芯片。ASIC 屬于為AI特定場景定制的芯片。行業內已經確認CPU不適用于AI計算，但是在AI應用領域也是必不可少。CPU遵循的是馮·諾依曼架構，其核心是存儲程序/數據、串行順序執行。因此CPU的架構中需要大量的空間去放置存儲單 元（Cache）和控制單元（Control），相比之下計算單元（ALU）只占據了很小的一部分，所以CPU在進行大規模并行計 算方面受到限制，相對而言更擅長于處理邏輯控制。
GPU（GraphicsProcessing Unit），即圖形處理器，是一種由大量運算單元組成的大規模并行計算架構，早先由CPU中分出 來專門用于處理圖像并行計算數據，專為同時處理多重并行計算任務而設計。GPU中也包含基本的計算單元、控制單元 和存儲單元，但GPU的架構與CPU有很大不同，其架構圖如下所示。與CPU相比，CPU芯片空間的不到20%是ALU，而GPU芯片空間的80%以上是ALU。即GPU擁有更多的ALU用于數據并行處理。
CPU 由專為順序串行處理而優化的幾個核心組成，而 GPU 則擁有一個由數以千計的更小、更高效的核心組成的大規模并 行計算架構，這些更小的核心專為同時處理多重任務而設計。CPU和GPU之所以大不相同，是由于其設計目標的不同，它們分別針對了兩種不同的應用場景。CPU需要很強的通用性來 處理各種不同的數據類型，同時又要邏輯判斷又會引入大量的分支跳轉和中斷的處理。這些都使得CPU的內部結構異常復 雜。而GPU面對的則是類型高度統一的、相互無依賴的大規模數據和不需要被打斷的純凈的計算環境。
對于深度學習來說，目前硬件加速主要靠使用圖形處理單元。相比傳統的 CPU，GPU 的核心計算能力要多出幾個數量 級，也更容易進行并行計算。GPU 的眾核體系結構包含幾千個流處理器，可將運算并行化執行，大幅縮短模型的運算時間。隨著 NVIDIA、AMD 等公司 不斷推進其 GPU 的大規模并行架構支持，面向通用計算的 GPU已成為加速并行應用程序的重要手段。目前 GPU 已經發展到了較為成熟的階段。利用 GPU 來訓練深度神經網絡，可以充分發揮其數以千計計算核心的高效并行 計算能力，在使用海量訓練數據的場景下，所耗費的時間大幅縮短，占用的服務器也更少。如果針對適當的深度神經網 絡進行合理優化，一塊 GPU 卡可相當于數十甚至上百臺 CPU服務器的計算能力，因此 GPU 已經成為業界在深度學習模型 訓練方面的首選解決方案。
2.2、FPGA方案：FPGA芯片定義及結構
FPGA（Field-Programmable Gate Array），即現場可編程門陣列，它是在PAL、GAL、CPLD等可編程器件的基礎上進一步發 展的產物。它是作為專用集成電路領域中的一種半定制電路而出現的，既解決了定制電路的不足，又克服了原有可編程 器件門電路數有限的缺點。FPGA芯片主要由6部分完成，分別為：可編程輸入輸出單元、基本可編程邏輯單元、完整的時鐘管理、嵌入塊式RAM、豐 富的布線資源、內嵌的底層功能單元和內嵌專用硬件模塊。目前主流的FPGA仍是基于查找表技術的，已經遠遠超出了先 前版本的基本性能，并且整合了常用功能（如RAM、時鐘管理和DSP）的硬核（ASIC型）模塊。
由于FPGA需要被反復燒寫，它實現組合邏輯的基本結構不可能像ASIC那樣通過固定的與非門來完成，而只能采用一種易 于反復配置的結構。查找表可以很好地滿足這一要求，目前主流FPGA都采用了基于SRAM工藝的查找表結構，也有一些軍 品和宇航級FPGA采用Flash或者熔絲與反熔絲工藝的查找表結構。通過燒寫文件改變查找表內容的方法來實現對FPGA的重 復配置。查找表（Look-Up-Table）簡稱為LUT，LUT本質上就是一個RAM。目前FPGA中多使用4輸入的LUT，所以每一個LUT可以看成 一個有4位地址線的 的RAM。當用戶通過原理圖或HDL語言描述了一個邏輯電路以后，PLD/FPGA開發軟件會自動計算邏輯 電路的所有可能結果，并把真值表（即結果）事先寫入RAM，這樣，每輸入一個信號進行邏輯運算就等于輸入一個地址 進行查表，找出地址對應的內容，然后輸出即可。
2.3、ASIC方案：ASIC定義及特點
ASIC 芯片可根據終端功能不同分為 TPU 芯片、DPU 芯片和 NPU 芯片等。其中，TPU 為張量處理器，專用于機器學習。如 Google 于 2016 年 5 月研發針對 Tensorflow 平臺的可編程 AI 加速器，其內部指令集在 Tensorflow 程序變化或更新算法時 可運行。DPU 即 Data Processing Unit，可為數據中心等計算場景提供引擎。NPU 是神經網絡處理器，在電路層模擬人類神 經元和突觸，并用深度學習指令集直接處理大規模電子神經元和突觸數據。ASIC 有全定制和半定制兩種設計方式。全定制依靠巨大的人力時間成本投入以完全自主的方式完成整個集成電路的設計 流程，雖然比半定制的 ASIC 更為靈活性能更好，但它的開發效率與半定制相比甚為低下。
ASIC 芯片非常適合人工智能的應用場景。例如英偉達首款專門為深度學習從零開始設計的芯片 Tesla P100 數據處理速度 是其 2014 年推出GPU 系列的 12 倍。谷歌為機器學習定制的芯片 TPU 將硬件性能提升至相當于當前芯片按摩爾定律發展 7 年后的水平。正如 CPU 改變了當年龐大的計算機一樣，人工智能 ASIC 芯片也將大幅改變如今 AI 硬件設備的面貌。如大 名鼎鼎的 AlphaGo 使用了約 170 個圖形處理器（GPU）和 1200 個中央處理器（CPU），這些設備需要占用一個機房，還 要配備大功率的空調，以及多名專家進行系統維護。而如果全部使用專用芯片，極大可能只需要一個普通收納盒大小的 空間，且功耗也會大幅降低。
ASIC技術路線是有限開放，芯片公司需要面向與駕駛相關的主流網絡、模型、算子進行開發。在相同性能下，芯片的面 積更小、成本更低、功耗更低。ASIC技術路線未來的潛力會很大，選擇ASIC路線并不意味著要對不同車型開發不同的 ASIC，或進行不同的驗證。因為不同車型需要實現的功能大致相同，而且芯片面對模型和算子進行有限開放，算法快速 迭代不會影響到芯片對上層功能的支持。車廠與芯片設計公司合作，進行差異化定制，或是更好的選擇。因為即使是進 行差異化的定制，芯片內部50%的部分也是通用的。芯片設計公司可以在原有版本的基礎上進行差異化設計，實現部分 差異功能。
2.4、主流架構方案對比：三種主流架構
FPGA是在PAL、GAL等可編程器件的基礎上進一步發展的產物。它是作為專用集成電路領域中的一種半定制電路而出現 的，既解決了定制電路的不足，又克服了原有可編程器件門電路數有限的缺點。優點：可以無限次編程，延時性比較 低，同時擁有流水線并行和數據并行、實時性最強、靈活性最高。缺點：開發難度大、只適合定點運算、價格比較昂 貴。圖形處理器（GPU），又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設 備（如平板、手機等）上做圖像和圖形相關運算工作的微處理器。優點：提供了多核并行計算的基礎結構，且核心數非 常多，可以支撐大量數據的并行計算，擁有更高的浮點運算能力。缺點：管理控制能力（最弱），功耗（最高）。
ASIC，即專用集成電路，指應特定用戶要求和特定電子系統的需要而設計、制造的集成電路。目前用CPLD（復雜可編程 邏輯器件）和FPGA（現場可編程邏輯陣列）來進行ASIC設計是最為流行的方式之一。優點:它作為集成電路技術與特定用 戶的整機或系統技術緊密結合的產物，與通用集成電路相比具有體積更小、重量更輕、功耗更低、可靠性提高、性能提 高、保密性增強、成本降低等優點。缺點：靈活性不夠，成本比FPGA貴。
2.5、唯算力論的局限：TOPS算力不完全等于實際性能
隨著ADAS、自動駕駛技術的興起，以及軟件定義汽車的逐步深入，智能汽車對于計算能力和海量數據處理能力等的需求 暴增，傳統汽車的芯片“堆疊”方案已經無法滿足自動駕駛的算力需求。芯片最終是為車企的車載計算平臺服務的，在 “軟件定義汽車”的情況下，解決智能駕駛系統計算平臺的支撐問題，無法只通過芯片算力堆疊來實現。
芯片是軟件的舞臺，衡量芯片優劣的標準，要看芯片之上的軟件能否最大化地發揮作用，算力和軟件之間需要有效匹配。兩款相同算力的芯片比較，能讓軟件運行得更高效的芯片才是“好芯片”。決定算力真實值最主要因素是內存（ SRAM和 DRAM)帶寬，還有實際運行頻率（即供電電壓或溫度），以及算法的batch尺寸。單顆芯片算力TOPS是關鍵指標，但并非唯一，自動駕駛是一個復雜系統，需要車路云邊協同。所以它的較量除了芯還有 軟硬協同還有平臺以及工具鏈等等。芯片算力的無限膨脹和硬件預埋不會是未來的趨勢，硬件也需要匹配實際。高算力 背后是高功耗和低利用率的問題。
自動駕駛領域99%的視覺數據在AI處理中是無用的背景。例如檢測鬼探頭，變化的區域是很小一部分，但傳統的視覺處理 仍然要處理99%的沒有出現變化的背景區域，這不僅浪費了大量的算力，也浪費了時間。亦或者像在沙礫里有顆鉆石，AI 芯片和傳統相機需要識別每一顆沙粒，篩選出鉆石，但人類只需要看一眼就能檢測到鉆石，AI芯片和傳統相機耗費的時 間是人類的100倍或1000倍。除了冗余信息減少和幾乎沒有延遲的優點外，事件相機的優點還有由于低時延，在拍攝高速物體時，傳統相機由于會有 一段曝光時間會發生模糊，而事件相機則幾乎不會。此外事件相機擁有真正的高動態范圍，由于事件相機的特質，在光 強較強或較弱的環境下，傳統相機均會“失明”，但像素變化仍然存在，所以事件相機仍能看清眼前的東西。
自動駕駛芯片部分重點企業分析
3.1、英偉達：從游戲顯卡到自動駕駛芯片
英偉達擁有極具前瞻性且清晰的戰略能力。英偉達是全球最大的智能計算平臺型公司，公司從早期專注PC圖形計算，后來逐 步將重點擴展到AI領域，并在3D圖形的持續需求與游戲市場規模擴張推動下，利用GPU架構，創建VR、HPC（高性能計算）、 AI平臺。英偉達在獨立顯卡、GPU領域有超過70%的市場份額。除了優秀的硬件性能外，2006年英偉達開發了基于GPU的 “CUDA”開發平臺，讓只做3D渲染的GPU實現通用計算功能，GPU 的應用領域從游戲擴展至高性能計算、自動駕駛等多個領 域。2021年英偉達實現總收入269.1億美元，游戲業務仍是支柱業務，占比近半，汽車部門收入5.6億美金，占總收入比例2.08%。
3.2、英特爾Mobileye：EyeQ系列發展歷程
2004年4月，EyeQ1開始生產，隨后公司收獲多輪融資，將商業模式轉向汽車安全，陸續與大陸、意法半導體、麥格納、電裝、 德爾福等全球頂級零部件供應商簽署合作協議。2007年，寶馬、通用和沃爾沃成為首批配裝Mobileye芯片的車企，Mobileye 產品正式商用。2008年，Mobileye對外發布EyeQ2，公司進入穩定發展期。2013年，Mobileye累計賣出產品突破100萬臺，隨 后出貨量呈現爆發式增長。2017年3月，Mobileye被芯片巨頭英特爾以 153 億美元的價格收購。
Mobileye在2022年推出了新型EyeQ Ultra，它專為自動駕駛而生。據 Mobileye稱，EyeQ Ultra采用5nm工藝，將10個EyeQ5的處理 能力集成在一個封裝中。但是其芯片的計算能力似乎略遜色于英偉達，EyeQ Ultra芯片具有170 TOPS，包括12個RISC內核、256 gigaflops、許多GPU和加速器內核等等，功耗不到100W，可以“處理 4 級（L4）自動駕駛的所有需求和應用”，而無需將多個 系統集成在一起的計算能力和成本，解決兩個行業面臨的重大挑戰。EyeQ Ultra預計將在 2025 年全面投產。
3.3、特斯拉：自動駕駛芯片發展之路
Tesla經歷了外購主控芯片到自研的道路。2014年-2016年， Tesla配備的是基于Mobileye EyeQ3芯片的AutoPilot HW1.0計算平 臺，車上包含1個前攝像頭+1個毫米波雷達+12個超聲波雷達。2016年-2019年， Tesla采用基于英偉達的DRIVE PX 2 AI計算平臺 的AutoPilot HW2.0和后續的AutoPilot HW2.5，包含8個攝像頭+1個毫米波雷達+12超聲波雷達。2017年開始Tesla開始啟動自研主控芯片，尤其是主控芯片中的神經網絡算法和AI處理單元全部自己完成。2019年4月， AutoPilot HW3.0平臺搭載了Tesla FSD自研版本的主控芯片，這款自動駕駛主控芯片擁有高達60億的晶體管，每秒可完成144萬 億次的計算，能同時處理每秒2300幀的圖像。
3.4、地平線：車規級芯片發展歷程
自2015年創立以來，地平線僅用了5年的時間即實現了車規AI芯片的量產落地，開啟國產車規級AI芯片的前裝量產元年。與此 相比，Mobileye的車規芯片從研發到正式商用歷時8年；作為全球通用AI芯片龍頭的英偉達，在CUDA發布后9年才將K1芯片應 用于奧迪A8的車用系統。地平線首款芯片征程1發布于2017年12月；征程2發布于2019年8月，可提供超過4TOPS的等效算力；征程3算力為5TOPS，發布 于2020年9月；征程5發布于2021年7月，算力128TOPS。地平線的第三代車規級產品征程5兼具大算力和高性能，支持16路攝 像頭感知計算，能夠支持自動駕駛所需要的多傳感器融合、預測和規劃控制等需求。
征程5是地平線第三代車規級產品，也是國內首顆遵循 ISO 26262功能安全認證流程開發，并通過ASIL-B認證的車載智能芯片；基于最新的地平線BPU?貝葉斯架構設計，可提供高達128TOPS算力。2022年4月21日，比亞迪與地平線正式宣布達成定點合作，比亞迪將在其部分車型上搭載地平線高性能、大算力自動駕駛芯片 征程5，打造更具競爭力的行泊一體方案，實現高等級自動駕駛功能。按照計劃，搭載地平線征程5的比亞迪車型最早將于 2023年中上市。2022年9月30日，理想L8搭載征程5全球首發上市。從研發到正式量產上車，征程5芯片僅用了近三年的時間， 同樣刷新了高性能智能駕駛芯片的應用效率。除了比亞迪、理想L8之外，征程5也已獲得上汽集團、一汽紅旗、自游家汽車等 多家車企的量產定點合作，更多合作車型將陸續量產發布。
3.5、華為：MDC智能駕駛計算平臺
華為于2018年10月首次發布智能駕駛計算平臺，支持L3的MDC600、支持L4的MDC300；2020年9月發布支持L2+的MDC210、支 持L3-L4的MDC610。MDC610正在洽談搭載的車型有廣汽埃安AION LX、長城沙龍機甲龍、廣汽傳祺。2021年4月發布支持L4-L5 的MDC810，首搭于北汽極狐阿爾法S華為HI版，正在洽談搭載于2022年哪吒TA、廣汽埃安；并計劃2022年推出MDC100。
華為 MDC 所采用的Ascend系列芯片，主要有Ascend310和升級版Ascend910兩款芯片。Ascend包括訓練和推理芯片，用于訓練的Ascend910，半精度（FP16）算力達256TFLOPS，是業界的2倍。用于推理的 Ascend310，整型（INT8）算力16TOPS，功耗僅8W。作為一款 AI 芯片，Ascend310的一大亮點就是采用了達芬奇架構（Da Vinci）。達芬奇架構采用 3D Cube ，針對矩陣運算做加 速，大幅提升單位功耗下的 AI 算力，每個 AI Core 可以在一個時鐘周期內實現 4096 個 MAC 操作，相比傳統的 CPU 和 GPU 可 實現數量級的提升。
3.6、黑芝麻智能
黑芝麻系列芯片產品包括華山一號A500、華山二號A1000、A1000L、A1000Pro、A2000。2019年8月，黑芝麻智能發布了華山 一號自動駕駛芯片A500，算力5-10TOPS；2020年6月，黑芝麻智能發布華山二號A1000，算力在40-70TOPS，低配版A1000L在 16TOPS，高配版A1000Pro則在2021年4月發布，算力達到196TOPS。華山二號A2000是國內首個250T大算力芯片：頂尖7納米工 藝、國產自主知識產權核心IP、滿足ASIL B級別的安全認證標準。黑芝麻華山二號 A1000 系列芯片已完成所有車規級認證，已經與上汽通用五菱、江淮等內的多家車企達成量產合作。在黑芝 麻最強芯片華山二號 A1000 Pro 中，搭載了黑芝麻自研的圖像處理器和神經網絡加速器。其中，神經網絡加速器能夠讓 A1000 Pro 芯片的 INT8 算力達到 106TOPS，INT4 算力達到 196TOPS。
3.7、芯馳科技
從2019年到2020年，芯馳科技先后發布了V9L/F和V9T自動駕駛芯片，分別可支持ADAS（高級駕駛輔助系統）以及域控制器。面向集成度更高的汽車電子電氣架構，未來兩年芯馳科技還將陸續推出能夠滿足更高級別自動駕駛的高算力芯片。2022年， 芯馳科技計劃發布算力在10-200T之間的自動駕駛芯片——V9P/U，該產品擁有更高算力集成，可支持L3級別的自動駕駛。到 2023年，芯馳科技將推出具有更高算力的V9S自動駕駛芯片，該芯片面向中央計算平臺架構研發，算力高達500-1000T，可支 持L4/L5級別的自動駕駛的Robotaxi。芯馳科技在2021世界人工智能大會上發布了基于V9系列芯片開發的全開放自動駕駛平臺——UniDrive。UniDrive的可擴展性非 常強，從L1/L2級別 ADAS到L4/L5級別的Robotaxi的開發都能支持。
3.8、芯擎科技
芯擎科技研發的首款7nm智能座艙芯片“龍鷹一號”，已于2021年6月流片成功，對標高通8155芯片。并且“龍鷹一號”即將 于2022年底前實現量產上車，目前針對量產車型的各項測試和驗證工作已陸續完成。芯擎科技計劃2022流片的自動駕駛芯片AD1000，將滿足L2+至L5級自動駕駛需求。未來芯擎科技會在自動駕駛領域不斷深耕 和探索，并且對標最先進的產品。具體來說，仍會采用7nm制程，將具備更高的算力和安全性。
轉載自智能汽車設計，文中觀點僅供分享交流，不代表本公眾號立場，如涉及版權等問題，請您告知，我們將及時處理。
-- END --
