聊一聊自動駕駛芯片發展趨勢

電子工程世界 2023-05-29 07:30

30+硬核演講，洞見EDA與CAE前沿｜KDES上海 2026 Siemens EDA Forum 七大核心環節全景解析

自動駕駛芯片概況

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。

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

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。

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。

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。

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。

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

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。

早在2018年，英偉達就推出Xavier平臺，可處理來自車輛雷達、攝像頭、激光雷達和超聲波系統的自主駕駛數據。Xavier SoC基于臺積電12nm工藝，集成90億顆晶體管，CPU采用NVIDIA自研8核ARM64架構，GPU采用512顆CUDA的Volta。該芯片可提供30TOPS的運算能力，功耗30W，能效比為1TOPS/W。

2019年英偉達發布面向ADAS和自動駕駛領域的SOC Orin，該芯片擁有170億個晶體管，搭載NVDIA基于Ampere架構的GPU和Arm Hercules CPU核心。Orin SoC采用7nm工藝，內置第二代深度學習加速器DLA、第二代視覺加速器PVA、視頻編解碼器，算力達254TOPS，功耗45W，預計將于2022年交付，面向L2+級自動駕駛場景。

基于該芯片的DRIVE AGX Orin平臺可實現最大算力2000TOPS，覆蓋L2-L5級自動駕駛需求，幫助主機廠開發自適應巡航控制、自動緊急制動、變道輔助、防碰撞、車道偏離預警、交通信號燈識別等自動駕駛功能，進而實現在高速、城區、泊車、換電等場景點到點的自動駕駛。

據不完全統計，全球已有超過25家主機廠與英偉達就Orin達成合作，其中不乏蔚來、小鵬、理想、威馬、上汽智己、R汽車、法拉第未來、Lucid Group、Human Horizons Vinfast、華人運通等造車新勢力；比亞迪、奔馳、捷豹路虎、沃爾沃、現代、奧迪、路特斯等傳統主機廠也紛紛加入；

另外，德賽西威、百度Apollo、通用Cruise、谷歌Waymo、圖森未來、小馬智行、亞馬遜Zoox、滴滴、沃爾沃商用車、Kodiak、智加科技、Auto X、文遠知行、元戎啟行等自動駕駛公司也將基于Orin開發各自的ADAS方案。

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。

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。

2023年2月，特斯拉Autopilot HW4.0曝光。HW4.0是將自動駕駛(FSD)電腦和車機娛樂電腦整合為一塊主板，車機娛樂電腦的硬件依舊采用AMD芯片、256G固態硬盤、16G內存，而自動駕駛FSD芯片的CPU內核從12個增加至20個，總算力有望從144Tops提升至300-500Tops。在傳感器的搭載方面，(1)HW4.0將擁有12個攝像頭接口，并支持2896x1876的分辨率以及540萬像素;(2)HW4.0新增毫米波雷達接口、以及雷達加熱器接口以防止冰雪天氣中對雷達信號的影響。據此前流出的內部文件，特斯拉或將采用Arbe公司研發的“Phoenix”4D毫米波雷達。HW4.0即將量產上車。

德州儀器：Jacinto 7 讓智能汽車更安全

德州儀器（TI）于1930年成立，最早的設備是石油勘探設備，1958年德州儀器的員工Jack Kilby發明了半導體，從此其實開啟了整個半導體行業的元年。2022年，TI整體營收達到200億美金，整個產品體系擁有8萬多種產品，4.5萬個專利，模擬產品營收達到153億美金，占到整體營收的75%以上，數字產品的營收超過30多億。

TI 推出的Jacinto 7處理器平臺，是基于TI數十年的汽車系統和功能安全知識，具有強化的深度學習功能和先進的網絡處理，以解決高級駕駛輔助系統(ADAS)和汽車網關應用中的設計挑戰。該平臺系列中推出的兩款汽車級芯片，即應用于ADAS的TDA4VM處理器，以及應用于網關系統的DRA829V處理器，包含用于加速數據密集型任務的專用加速器，如計算機視覺和深度學習。此外，TDA4VM和DRA829V處理器還包含支持功能安全的微控制器(MCU)，使得汽車廠商(OEM)和一級供應商能夠用單芯片同時支持ASIL-D高安全要求的任務和功能。這兩款芯片共享一套軟件平臺，使得開發人員能夠在多個車輛域的應用中重用大量軟件投資，從而減輕了系統的復雜度和開發成本。

TDA4VM處理器集成雙核64 位 Arm Cortex-A72 微處理器子系統，性能高達 2.0GHz、22K DMIPS，具有強大的片上數據分析的能力，并與視覺預處理加速器相結合，從而使得系統性能更高效。汽車電子工程師可用來開發前置攝像頭應用，使用高分辨率的800萬像素攝像頭，幫助車輛看得更遠并且可以加入更多駕駛輔助增強功能。此外，TDA4VM處理器能夠同時操作4到6個300萬像素的攝像頭，同時還可以將雷達、激光雷達和超聲波等其他多種感知處理融合在一個芯片上。這種多級處理能力使得TDA4VM能夠勝任ADAS的中心化處理單元，進而實現自動泊車應用中的關鍵功能(如環繞視圖和圖像渲染顯示)，同時增強車輛感知能力，實現360度的識別感知。

TDA4VM處理器適合以下應用：高級環視和泊車輔助系統;自主傳感器融合/感知系統，包括攝像頭、雷達和激光雷達傳感器;單傳感器和多傳感器前置攝像頭系統;下一代電子后視鏡系統。

目前，基于雙 TDA4VM 行泊一體方案已經量產。同時，伴隨著算法軟件成熟度的提高、更高性能芯片的出現，以及系統成本優勢，使得單芯片 TDA4 行泊一體化的方案成為行泊一體化方案的理想選擇。從當前的形態來看，有兩種方式實現：一種是，基于單 TDA4VM 或 TDA4VM Eco 實現 AI 算力 <=8TOPS 的單 TDA4 行泊一體化解決方案，這種方案使用分時復用的方式實現行泊一體化解決方案，傳感器系統可配置為 5V5R 或 6V5R；另外一種是，基于單 TDA4VH 或 TDA4VM Plus 實現 AI 算力 24~32TOPS 的單 TDA4 行泊一體化解決方案，算力更強，可接入更多的攝像頭。

CAN/LIN等低速接口在傳統汽車領域被延用20年，但應用于今天的智能汽車中對整車電控單元升級相當的不便，現在的汽車過渡到了分域結構，比如有ADAS域、Infotainment域和動力域等等。分域結構中，域與域需要非常高速的連接總線，總而言之，DRA829V系列就是用于解決這個問題的。

DRA829V集成了片上PCie交換機的處理器，在整個汽車系統中實現更快的高性能計算網關處理和通信，將關鍵任務和通用處理部分隔離，集成8端口Gbit/TSN 以太網交換機，以實現汽車系統的更快速通信。

相比傳統架構，DRA8X SoC將PCIe交換機、以太網交換機、信息安全模塊（eHSM）、MCU通通集成于一體，該芯片最核心的優勢便是高性能處理，同時具有更低功耗。

TI擁有超過7000多種車規級產品，新產品推進的速度還在不斷加強，預計每一年有數百種新款的產品推出來。

瑞薩電子

瑞薩電子（Renesas）開發出了作為自動駕駛及高級駕駛輔助系統“大腦”的車載半導體。其開發的“R-Car V3U”是被稱為“SoC”的半導體，在1塊芯片中集成了判斷周圍狀況、針對下一步操作發出指令的功能。可以單芯片同時處理攝影機與光達等傳感器資料，同時以AI進行自動駕駛控制與學習，同時達到汽車安全標準ISO 26262最高的ASIL D要求，確保系統簡單安全。最近已開始面向整車廠商及大型部件廠商供應樣品，計劃2023年4-6月開始量產。

根據瑞薩公布資料，R-Car V3U最大運算速度達9.6萬DMIPS，卷積神經網絡(CNN)計算達60TOPS，足供自動駕駛應用，而且與同屬R-Car第三世代的R-Car V3M/H等既有影像專用芯片的軟件引擎共通，讓軟件開發廠容易直接轉換既有程序，可以在短時間內將現有多芯片系統移植到R-Car V3U的單芯片系統上。

高通

高通早在2017年就披露研發自動駕駛芯片的計劃，2020年初發布全新自動駕駛平臺SnapdragonRide，該平臺包含多個SOC、深度學習加速器和自動駕駛軟件Stack，能夠支持高級駕駛輔助系統ADAS功能。預計搭載Snapdragon Ride的汽車將于2023年投入生產。

去年1月，高通宣布擴展了SnapdragonRide平臺組合，使其可支持多層級的ADAS/AD自動駕駛輔助功能，包括從安裝于汽車風擋的NCAPADAS解決方案（L1級），到支持有條件自動駕駛的主動安全（L2/L3級別），再到全自動駕駛系統（L4級）。

SnapdragonRide平臺基于5nm制程工藝，可提供不同等級的算力，包括以小于5W功耗為ADAS攝像頭提供10TOPS的算力，以及為L4級自動駕駛解決方案提供超過700TOPS的算力。

2022年4月，高通還完成收購維寧爾，補齊了高通在自動駕駛領域的軟件算法能力。維寧爾的核心競爭優勢在于雷達、感知系統、自動駕駛系統算法、功能安全/預期功能安全等方向。此次收購完成后，高通將直接把Arriver的計算機視覺（Computer Vision）、駕駛政策（Drive Policy）和駕駛輔助（Driver Assistance）業務納入其領先的 Snapdragon Ride 高級駕駛輔助系統解決方案，使公司從一個芯片提供者升級成為高級駕駛輔助/自動駕駛平臺的提供者，也使公司具備了提供完整的自動駕駛解決方案的能力。

賽靈思

賽靈思（Xilinx）作為目前全球最大的可編程芯片FPGA生產廠商，早在2018年就看到了行業對自適應計算的需求，從而推出了ACAP自適應計算加速平臺。

該平臺被稱為賽靈思自1984年發明FPGA之后又一顛覆性創新，可以更加靈活地根據不同工作負載和應用需求進行自適應加速，進而進一步提升了賽靈思在加速器市場的穿透力。

具體來看，ACAP 是一個完全支持軟件編程的異構處理器計算平臺，結合了分布式存儲器與硬件可編程的 DSP 模塊、一個多核 SoC、一個或多個軟件可編程且同時又具備硬件自適應性的計算引擎，具備并行處理、高吞吐量、低時延等重要優勢。

據賽靈思介紹，截止目前，賽靈思在汽車電子領域的累計出貨量已經達到2.05億片，而在ADAS領域的出貨量也已經達到8000萬片。僅去年一年，賽靈思在汽車行業的出貨量就接近2000萬片器件。

賽靈思認為，在自動駕駛感知及最后決策過程中，中央計算非常重要，但它不是全部。未來不可能把所有的數據融合之后就送到中央計算單元，這樣會導致中央計算單元的計算量太大，從而產生時延、功耗等問題。

因此，未來智能網聯汽車各個域的數據一定是先融合，再進行分布式的邊緣計算，最終才輸送到中央計算單元。賽靈思從數據接入、匯總、分發、預處理的數據層會先做一層過濾，以幫助中央計算提取有效數據，最后再去運算。

此外，車用傳感器越來越多，傳感器之間以及傳感器和計算平臺之間通過以太網互聯的時候，安全網關的重要性也更加凸顯。賽靈思的安全網關符合硬件安全模塊HSM對于加密的要求，并且具備獨特的信息安全管理模塊CSU，能夠對網絡工具提供有效的保護。

安霸：牽手三星打造自動駕駛芯片

今年2月，三星半導體表示將與美國芯片設計公司安霸半導體將展開合作，基于5nm制程工藝打造用于自動駕駛的芯片。據官方稱，CV3-AD685的性能較前代產品提升近20倍。

安霸半導體是一家專注人工智能視覺的芯片設計公司，布局與人工智能機器人、智慧出行以及無人機領域。早些時候，安霸半導體發布了旗下最新款旗艦級視覺芯片——CV5，通過對攝像頭操作和AI視覺處理任務的特殊處理，滿足各種傳感器的視頻流需求。當然，CV5還破天荒地加入了4K、8K60fps的數據流支持，可以提供更加高清的圖像捕捉，為系統反饋精確的信號。

目前，安霸半導體的產品，CV1、CV2已經廣泛應用于一線車企中，例如一汽紅旗、大眾等部分車型，都選擇了基于CV1的L2 級ADAS解決方案。除了自動駕駛之外，安霸半導體還提供智能座艙感知、電子后視鏡、輔助泊車等功能的應對方案。當然，同為人工智能視覺方案起家的豪威，近幾年的發展速度也相當快，尤其是在攝像頭和傳感器部分，豪威似乎更具優勢。

恩智浦：針對自動駕駛推出汽車雷達單芯片系列

年初，恩智浦宣布率先推出全新28nm RFCMOS雷達單芯片系列，適用于新一代ADAS和自動駕駛系統。新推出的SAF85xx單芯片系列集成了恩智浦的高性能雷達感測功能和處理技術，可為一級供應商和OEM提供更高的靈活性，支持短距、中距和長距雷達應用，滿足更多更具挑戰性的NCAP安全性要求。

恩智浦擁有技術領先優勢已超過15年，單芯片雷達系列的推出進一步豐富了其先進雷達產品組合，進一步為駕駛員提供安全的環境，減少事故發生。專注于前沿雷達技術的DENSO Corporation是恩智浦的主要客戶，也選擇使用這些創新技術。

恩智浦的全新汽車雷達SoC系列包含高性能雷達收發器，并集成基于恩智浦S32R雷達計算平臺構建的多核雷達處理器。與恩智浦的前一代產品相比，SAF85xx的RF性能翻倍，信號處理速度提高40%。該單芯片系列可為角雷達和前向雷達提供4D傳感功能，適用于眾多安全關鍵型ADAS應用，如自動緊急制動、自適應巡航控制、盲點監測、橫向交通警告和自動泊車。得益于新系列提供的更高靈活性，OEM可滿足不斷擴展的NCAP安全要求和雷達傳感器數量激增需求，一些分析師預計未來每輛汽車將至少安裝五個雷達傳感器。

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。

華為：MDC智能駕駛計算平臺

宣稱不造車的華為通過自研 AI 芯片和計算平臺，推動汽車終端智能化。2018 年 10 月，華為發布 AI 芯片昇騰 310 和昇騰 910 以及能夠支持 L4 級別自動駕駛能力的計算平臺——MDC600，該平臺基于 8 顆昇騰AI芯片，將集成在汽車上。而吉利通過戰略投資和合資兩條途徑來布局，將芯擎獨立的公司推動自主研發大的SOC芯片（座艙和后續的智能駕駛），以實現吉利對大算力芯片核心技術的自主掌控，但截至目前尚未量產。

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。

凌芯01：中國首款車規級智能駕駛芯片

2020年，零跑汽車發布中國首款車規級智能駕駛芯片-凌芯01，目前已裝車超過8萬輛。

凌芯01由零跑汽車攜手世界安防巨頭大華股份耗時3年聯合開發，單顆芯片算力4.2T，處理性能超過Mobileye Q4芯片（算力2.5T），與采用16nm制程工藝的地平線征程3芯片性能相當。凌芯01具備完全自主知識產權，不同于如今大量的芯片用的處理器都是國外的ARM，而凌芯01是由零跑提主體需求、主體架構，再由芯昇整體設計。采用平頭哥的CPU，AI處理器與核心零部件具有完全自主知識產權。

此外，凌芯01整體開放性則更強，既能支撐通用運算，又有特定的AI運算邏輯，具有能耗比更低、安全可靠性更高的優勢。一枚凌芯01芯片的信號處理能力和高算力，即可實現360°全景環視、自動泊車、ADAS域控制等功能。目前零跑C01、C11系列搭載2顆凌芯01，已量產在八萬多輛車上，滿足L2級智能駕駛，更可實現未來智能駕駛進階的迭代升級。

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。

2023年5月，黑芝麻智能宣布獲得一汽紅旗下一代FEEA3.0電子架構平臺項目量產智駕芯片定點?；诤谥ヂ橹悄苋A山二號A1000L系列芯片，一汽紅旗將打造非分時復用的高性價比行泊一體自動駕駛域控平臺。未來，該平臺或將應用于一汽紅旗80%左右車型。

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。

在今年上海車展期間，芯馳科技發布了第二代中央計算架構SCCA2.0，并采用可視化的透明汽車模型，向業界展示了SCCA2.0中央計算架構的6個核心單元在車內的部署，并且還同時展出了這些核心單元基于芯馳處理器和MCU的實現方案。

高性能中央計算單元：采用高性能X9、V9處理器作為開放式計算核心，并集成G9和E3用于高可靠運算，CPU總算力達到300KDMIPS；

高可靠智能車控單元：采用G9處理器和E3 MCU構成的高性能智能車控單元（Vehicle HPC）作為底盤域+動力域的集成控制器，實現底盤和動力的融合和智能操控；

4個區域控制器：以高性能高可靠的E3多核MCU為核心，實現在車內四個物理區域內的數據交互和各項控制功能；

6個核心單元之間采用10G/1Gbps高性能車載以太網實現互聯，并采用冗余架構，既確保了低延遲高流量的數據交換，又能確保安全性。

目前，芯馳是國內首個完成“四證合一”的企業，已經完成了ISO26262 ASIL D最高功能安全等級流程認證、 AEC-Q100可靠性認證、ISO26262功能安全產品認證以及國密認證。

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。

今年三月底，芯擎科技正式宣布其“龍鷹一號”的量產和供貨，據稱這是國內首顆自主知識產權的7納米車規級座艙芯片，填補了國內7納米車規級座艙芯片的空白。

官方資料顯示，“龍鷹一號”采用行業領先的多核異構架構設計。高性能算力集群，擁有8核CPU、14核GPU，以及8 TOPS AI算力的獨立NPU。其強大的音視頻處理能力最多可支持7屏高清畫面輸出和12路視頻信號接入，并在行業內率先配備了雙HiFi 5 DSP處理器。

此次“龍鷹一號”芯片還搭配了眼球追蹤功能這一“黑科技”，AR-HUD可根據駕駛員眼球高度，實時調整最佳視角，更有利于駕駛過程中的視線聚焦。

寒武紀

寒武紀于2021年成立寒武紀行歌，致力于成為安全可靠的智能車載芯片引領者，用AI芯片支撐自動駕駛更快升級。作為寒武紀設立的控股子公司，寒武紀行歌專注于智能駕駛芯片的研發和產品化工作，核心研發團隊來自行業領先的芯片公司和領先的科研機構，并進行了獨立融資，引入了蔚來、上汽及寧德時代旗下基金等戰略投資人。

據寒武紀表示，公司的第五代智能處理器微架構、第五代智能處理器指令集均在研發中。新一代智能處理器微架構的升級除了在編程靈活性、性能、功耗、面積等方面能夠大幅提升產品競爭力之外，還針對新興的智能算法重點應用領域，比如廣告推薦系統、新興自然語言處理算法等進行了重點優化，能夠大幅提升產品在相關領域性能的競爭力。

智能駕駛是一個復雜的系統性任務，除了車載智能芯片外，還需要在云端處理復雜的訓練及推理任務，也需要邊緣端智能芯片在路側實時處理車路協同相關任務，在統一的基礎軟件協同下，能夠實現更高的效率。公司是行業內少數能為智能駕駛場景提供“云邊端車”系列產品的企業之一，有望在智能駕駛領域實現規模應用。

目前，行歌科技根據汽車市場對人工智能算力的差異化需求，規劃了不同檔位的車載智能芯片產品。規劃中面向高階智能駕駛的車載智能芯片將采用寒武紀在研的第五代智能處理器架構和指令集，支持寒武紀統一的基礎系統軟件平臺。鑒于汽車行業更注重功能性、安全性等特點，設計符合車規級要求的芯片還需要一定的研發周期，各項研發和產品化工作均在有序穩步推進中。

資料顯示，寒武紀已推出的產品體系覆蓋了云端、邊緣端的智能芯片及其加速卡、訓練整機、處理器IP及軟件，可滿足云、邊、端不同規模的人工智能計算需求。公司的智能芯片和處理器產品可高效支持計算機視覺、語音處理（語音識別與合成）、自然語言處理以及搜索推薦系統等多樣化的人工智能任務，高效支持計算機視覺、智能語音和自然語言處理等技術相互協作融合的多模態人工智能任務，可輻射智慧互聯網、智能制造、智能教育、智慧金融、智能家居、智慧醫療等“智能+”產業。

思元370是寒武紀首款采用Chiplet（芯粒）技術的云端智能芯片。在一顆芯片中封裝2顆人工智能計算芯粒（MLU-Die），每一個MLU-Die具備獨立的人工智能計算單元、內存、IO以及MLU-Fabric控制和接口，通過MLU-Fabric保證兩個MLU-Die間的通訊。

思元370通過不同MLU-Die組合出了三款不同規格、符合不同場景需求的加速卡產品MLU370-S4、MLU370-X4、MLU370-X8，在同樣的研發費用之下，滿足了更多市場需求。MLU370-S4體積小巧、能效出色，可在服務器中實現高密度部署，適合于對計算密度要求較高的數據中心場景。MLU370-X4主要面向互聯網行業等推理任務或訓推一體場景，適合于對單卡算力需求較高的應用場景。MLU370-X8搭載雙芯片四芯粒思元370，集成寒武紀MLU-Link多芯互聯技術，主要面向對算力和帶寬要求較高的訓練任務，在業界應用廣泛的YOLOv3、Transformer等訓練任務中，8卡計算系統的并行性能平均達到350WRTXGPU的155%。

需指出的是，MLU370-X8加速卡在發布后，憑借其優異的產品競爭力，與部分頭部互聯網客戶的部分場景實現了深度合作，公司云端產品在阿里云等互聯網公司形成一定收入規模。此外，部分客戶已經完成產品導入，正在進行商務接洽。在金融領域，公司與頭部銀行和知名企業深度交流OCR等相關業務及產品應用，同時就新的業務場景（如自然語言處理等）進行了深度技術交流，部分企業正在進行業務試行。在服務器廠商方面，公司的產品也得到了頭部服務器廠商的認可。

星宸科技

星宸科技是由聯發科控股的子公司，聯發科通過SigmaStar Technology Inc.持有星宸科技81.05%的股份。星宸科技擁有芯片設計、算法、全球營銷、供應鏈等核心團隊，在ISP、音視頻編解碼、模擬電路設計、SoC系統設計以及自研IP方面有優勢。

團隊專注于安防、智能輔助駕駛、物聯網和智能家庭等領域芯片研發，產品覆蓋IP Cam、USB Cam 、Car Cam、NVR、DVR、運動相機、智能家居和智能顯示等。

星宸科技推出的高整合度，多功能一體化智能AI芯片SSD268G，豐富的接口和內置Ip可以滿足各種不同的應用場景和產品形態，該芯片具備多攝像頭輸入、4K@30fps、雙屏異顯帶HDMI輸出、CORTEX-A53雙核、IPU AI 大算力、多路解碼等特點。臻彩圖像處理引擎（包括3A、3DNR、色彩真實還原、星光夜視、HDR、細節增強、Sensor壞點補償等）、低延遲影音處理技術，多路編碼及動態編碼、鏡頭畸變矯正技術、多Sensor接入和高能耗比IPU，廣泛應用于直播像機、視頻會議、工業相機、新零售等新興領域，是一顆真正滿足多模態產品形態的芯片。

來源：網絡內容綜合

推薦閱讀