行業(yè)觀點：

汽車電子發(fā)展初期以分布式 ECU 架構(gòu)為主流，芯片與傳感器一一對應，隨著汽車電子化程度提升，傳感器增多、線路復雜度增大，中心化架構(gòu) DCU、MDC 逐步成為了發(fā)展趨勢；

隨著汽車輔助駕駛功能滲透率越來越高，傳統(tǒng) CPU 算力不足，難以滿足處理視頻、圖片等非結(jié)構(gòu)化數(shù)據(jù)的需求，而 GPU 同時處理大量簡單計算任務的特性在自動駕駛領(lǐng)域取代 CPU 成為了主流方案；

從 ADAS向自動駕駛進化的過程中，激光雷達點云數(shù)據(jù)以及大量傳感器加入到系統(tǒng)中，需要接受、分析、處理的信號大量且復雜，定制化的ASIC 芯片可在相對低水平的能耗下，將車載信息的數(shù)據(jù)處理速度提升更快，并且性能、能耗和大規(guī)模量產(chǎn)成本均顯著優(yōu)于 GPU 和 FPGA，隨著自動駕駛的定制化需求提升，ASIC 專用芯片將成為主流。

目前出貨量最大的駕駛輔助芯片廠商 Mobileye、Nvidia 形成“雙雄爭霸”局面，Xilinx 則在 FPGA 的路線上進軍，Google、地平線、寒武紀在向?qū)Ｓ妙I(lǐng)域 AI 芯片發(fā)力，國內(nèi)四維圖新、全志科技等也在自動駕駛芯片領(lǐng)域積極布局。

Mobileye 的核心優(yōu)勢是EyeQ 系列芯片，可以處理攝像頭、雷達等多種傳感器融合產(chǎn)生的大量數(shù)據(jù)，在 L1-L3 自動駕駛領(lǐng)域具有極大的話語權(quán)，目前出貨量超過了 2700 萬顆；

NVIDIA 在 GPU 領(lǐng)域具有絕對的領(lǐng)導地位，芯片算力強大且具備很強的靈活性，但功耗高、成本高，AI機器學習并不太適合 GPU的應用；

此外 Google、地平線、寒武紀、四維圖新等更聚焦在針對不同場景下的具體應用，芯片設(shè)計也開始增加硬件的深度學習設(shè)計，自動駕駛上 AI 的應用已經(jīng)成為未來的趨勢。

一、車載芯片的發(fā)展趨勢（CPU-GPU-FPGA-ASIC）

過去汽車電子芯片以與傳感器一一對應的電子控制單元（ECU）為主，主

要分布與發(fā)動機等核心部件上。隨著汽車智能化的發(fā)展，汽車傳感器越來

越多，傳統(tǒng)的分布式架構(gòu)逐漸落后，由中心化架構(gòu) DCU、MDC 逐步替代。

隨著人工智能發(fā)展，汽車智能化形成趨勢，目前輔助駕駛功能滲透率越來越高，這些功能的實現(xiàn)需借助于攝像頭、雷達等新增的傳感器數(shù)據(jù)，其中視頻（多幀圖像）的處理需要大量并行計算，傳統(tǒng) CPU 算力不足，這方面性能強大的 GPU 替代了 CPU。再加上輔助駕駛算法需要的訓練過程， GPU+FPGA 成為目前主流的解決方案。

著眼未來，自動駕駛也將逐步完善，屆時又會加入激光雷達的點云（三維位置數(shù)據(jù)）數(shù)據(jù)以及更多的攝像頭和雷達傳感器，GPU 也難以勝任， ASIC 性能、能耗和大規(guī)模量產(chǎn)成本均顯著優(yōu)于 GPU 和 FPGA，定制化的ASIC 芯片可在相對低水平的能耗下，將車載信息的數(shù)據(jù)處理速度提升更快，隨著自動駕駛的定制化需求提升，ASIC 專用芯片將成為主流。本文以如上順序梳理車載芯片發(fā)展歷程，探討未來發(fā)展方向。

二、車載芯片的過去—以 CPU 為核心的 ECU

2.1 ECU 的核心 CPU

ECU（Electronic Control Unit）是電子控制單元，也稱“行車電腦”,是汽車專用微機控制器。一般 ECU 由 CPU、存儲器（ROM、RAM）、輸入/ 輸出接口（I/O）、模數(shù)轉(zhuǎn)換器（A/D）以及整形、驅(qū)動等大規(guī)模集成電路組成。

ECU 的工作過程就是 CPU 接收到各個傳感器的信號后轉(zhuǎn)化為數(shù)據(jù)，并由 Program區(qū)域的程序?qū)?Data 區(qū)域的數(shù)據(jù)圖表調(diào)用來進行數(shù)據(jù)處理，從而得出具體驅(qū)動數(shù)據(jù)，并通過 CPU針腳傳送到相關(guān)驅(qū)動芯片，驅(qū)動芯片再通過相應的周邊電路產(chǎn)生驅(qū)動信號，用來驅(qū)動驅(qū)動器。即傳感器信號——傳感器數(shù)據(jù)——驅(qū)動數(shù)據(jù)——驅(qū)動信號這樣一個完整工作流程。

2.2 分布式架構(gòu)向多域控制器發(fā)展

汽車電子發(fā)展的初期階段，ECU 主要是用于控制發(fā)動機工作，只有汽車發(fā)動機的排氣管（氧傳感器）、氣缸（爆震傳感器）、水溫傳感器等核心部件才會放置傳感器，由于傳感器數(shù)量較少，為保證傳感器-ECU-控制器回路的穩(wěn)定性，ECU 與傳感器一一對應的分布式架構(gòu)是汽車電子的典型模式。

后來隨著車輛的電子化程度逐漸提高，ECU 占領(lǐng)了整個汽車，從防抱死制動系統(tǒng)、4 輪驅(qū)動系統(tǒng)、電控自動變速器、主動懸架系統(tǒng)、安全氣囊系統(tǒng)，到現(xiàn)在逐漸延伸到了車身各類安全、網(wǎng)絡(luò)、娛樂、傳感控制系統(tǒng)等。

隨著汽車電子化的發(fā)展，車載傳感器數(shù)量越來越多，傳感器與 ECU 一一對應使得車輛整體性下降，線路復雜性也急劇增加，此時 DCU（域控制器）和MDC（多域控制器）等更強大的中心化架構(gòu)逐步替代了分布式架構(gòu)。

域控制器（Domain Control Unit）的概念最早是由以博世，大陸，德爾福為首的 Tier1 提出，是為了解決信息安全，以及 ECU 瓶頸的問題。根據(jù)汽車電子部件功能將整車劃分為動力總成，車輛安全，車身電子，智能座艙和智能駕駛等幾個域，利用處理能力更強的多核 CPU/GPU芯片相對集中的去控制每個域，以取代目前分布式汽車電子電氣架構(gòu)。

而進入自動駕駛時代，控制器需要接受、分析、處理的信號大量且復雜，原有的一個功能對應一個 ECU 的分布式計算架構(gòu)或者單一分模塊的域控制器已經(jīng)無法適應需求，比如攝像頭、毫米波雷達、激光雷達乃至 GPS 和輪速傳感器的數(shù)據(jù)都要在一個計算中心內(nèi)進行處理以保證輸出結(jié)果的對整車自動駕駛最優(yōu)。

因此，自動駕駛車輛的各種數(shù)據(jù)聚集、融合處理，從而為自動駕駛的路徑規(guī)劃和駕駛決策提供支持的多域控制器將會是發(fā)展的趨勢，奧迪與德爾福共同開發(fā)的 zFAS，即是通過一塊 ECU，能夠接入不同傳感器的信號并進行對信號進行分析和處理，最終發(fā)出控制命令。

三、車載芯片的現(xiàn)在—以 GPU 為核心的智能輔助駕駛芯片

人工智能的發(fā)展也帶動了汽車智能化發(fā)展，過去的以 CPU 為核心的處理器越來越難以滿足處理視頻、圖片等非結(jié)構(gòu)化數(shù)據(jù)的需求，同時處理器也需要整合雷達、視頻等多路數(shù)據(jù)，這些都對車載處理器的并行計算效率提出更高要求，而 GPU 同時處理大量簡單計算任務的特性在自動駕駛領(lǐng)域取代CPU成為了主流方案。

3.1 GPU Vs. CPU

CPU 的核心數(shù)量只有幾個（不超過兩位數(shù)），每個核都有足夠大的緩存和足夠多的數(shù)字和邏輯運算單元，并輔助很多復雜的計算分支。而GPU 的運算核心數(shù)量則可以多達上百個（流處理器），每個核擁有的緩存大小相對小，數(shù)字邏輯運算單元也少而簡單。

CPU和 GPU 最大的區(qū)別是設(shè)計結(jié)構(gòu)及不同結(jié)構(gòu)形成的不同功能。CPU的邏輯控制功能強，可以進行復雜的邏輯運算，并且延時低，可以高效處理復雜的運算任務。而 GPU邏輯控制和緩存較少，使得每單個運算單元執(zhí)行的邏輯運算復雜程度有限，但并列大量的計算單元，可以同時進行大量較簡單的運算任務。

3.2 GPU 占據(jù)現(xiàn)階段自動駕駛芯片主導地位

相比于消費電子產(chǎn)品的芯片，車載的智能駕駛芯片對性能和壽命要求都比較高，主要體現(xiàn)在以下幾方面：

1、耗電每瓦提供的性能；

2、生態(tài)系統(tǒng)的構(gòu)建，如用戶群、易用性等；

3、滿足車規(guī)級壽命要求，至少 1 萬小時穩(wěn)定使用。

目前無論是尚未商業(yè)化生產(chǎn)的自動駕駛 AI 芯片還是已經(jīng)可以量產(chǎn)使用的輔助駕駛芯片，由于自動駕駛算法還在快速更新迭代，對云端“訓練”部分提出很高要求，既需要大規(guī)模的并行計算，又需要大數(shù)據(jù)的多線程計算，因此以GPU+FPGA 解決方案為核心；在終端的“推理”部分，核心需求是大量并行計算，從而以 GPU為核心。

3.3 相關(guān)公司

3.3.1 NVIDIA

NVIDIA 在自動駕駛領(lǐng)域的成就正是得益于他們在GPU 領(lǐng)域內(nèi)的深耕，NVIDIA GPU 專為并行計算而設(shè)計，適合深度學習任務，并且能夠處理在深度學習中普遍存在的向量和矩陣操作。相對于 Mobileye 專注于視覺處理，NVIDIA 的方案重點在于融合不同傳感器。

2016 年，英偉達在 Drive PX 2 平臺上推出了三款產(chǎn)品，分別是配備單 GPU 和單攝像頭及雷達輸入端口的 Drive PX2 Autocruise（自動巡航）芯片（下圖左上）、配備雙 GPU 及多個攝像頭及雷達輸入端口的 Drive PX2 AutoChauffeur（自動私人司機）芯片（右上）、配備多個 GPU 及多個攝像頭及雷達輸入端口的 Drive PX2 Fully Autonomous Driving（全自動駕駛）

芯片（下方）。

以目前的銷售情況，Drive PX 2 搭載上一代Pascal 架構(gòu)GPU 已經(jīng)實現(xiàn)量產(chǎn)，并且已經(jīng)搭載在Tesla 的量產(chǎn)車型Model S 以及Model X 上。目前PX 2 仍然是NVIDIA 自動駕駛平臺出貨的主力，Tesla，Audi 和ZF 等對外公布Drive PX 2 應用在量產(chǎn)車上。

Xavier 是Drive PX 2 的進化版本，搭配了最新一代的Volta 架構(gòu)GPU, 相較于 Drive PX 2 性能將提升近一倍，2017 年年底量產(chǎn)。由于多家主機廠 L3 級別以上自動駕駛量產(chǎn)車的計劃在2020 年左右，而 Xavier 的量產(chǎn)計劃將能和自動駕駛車的研發(fā)周期相互配合（一般3 年左右），因此 Xavier 的合作都是有量產(chǎn)車落地計劃的。

而對于較早與 NVIDIA 達成合作的車廠來說，他們在小批量測試、量產(chǎn)的優(yōu)先級別以及可定制化空間等方面都能獲得一定的優(yōu)勢。

圖表13：NVIDIA DRIVE Pegasus AI計算平臺

目前，L4 及以上的市場基本上被 NVIDIA 壟斷，CEO 黃仁勛稱全球有 300 余家自動駕駛研發(fā)機構(gòu)使用 Drive PX2。Drive PX 2 單價為 1.6 萬美金，功耗達 425 瓦，但目前沒有達到車規(guī)，按功耗和成本看，只能小規(guī)模測試階段使用。

3.3.2 四維圖新

國內(nèi)地圖行業(yè)龍頭，向 ADAS 和自動駕駛進軍。公司成立于 2002 年，是國內(nèi)首家獲導航地圖制作資質(zhì)的企業(yè)（目前僅 13 家），為領(lǐng)先的數(shù)字地圖內(nèi)容、車聯(lián)網(wǎng)與動態(tài)交通信息服務、基于位置的大數(shù)據(jù)垂直應用服務的提供商之一。其拳頭業(yè)務——地圖業(yè)務，以國內(nèi) 60%的份額穩(wěn)居壟斷地位。 2017 年以來，公司收購杰發(fā)科技、入股中寰衛(wèi)星與禾多科技，“高精度地圖+芯片+算法+軟件”的自動駕駛產(chǎn)業(yè)鏈全方位布局雛形已現(xiàn)。

高精度地圖：代表國內(nèi)最高水平。公司以地圖起家，目前國內(nèi)高精度地圖僅兩家玩家（另一家為高德），公司深度綁定獲得寶馬、大眾、奔馳、通用、沃爾沃、福特、上汽、豐田、日產(chǎn)、現(xiàn)代、標致等主流車企發(fā)展，占絕對優(yōu)勢。2017 年公司實現(xiàn)支持 L3 級別（至少 20 個城市）的高精度地圖，計劃于 2019 年覆蓋所有城市，并為 L4 的推出做準備。公司地圖編譯能力亮眼，全球首位提供 NDS 地圖從生產(chǎn)到編譯環(huán)節(jié)。此外，公司在荷蘭、美國硅谷、新加坡等地設(shè)立研發(fā)中心和分支機構(gòu)，合作伙伴涵蓋國際主流車廠、新一代整車企業(yè)以及騰訊、滴滴、搜狗、華為等國內(nèi)知名企業(yè)。

芯片：收購杰發(fā)科技布局汽車芯片。杰發(fā)科技（2017 年 3 月完成收購）脫胎于聯(lián)發(fā)科，主攻車載信息娛樂系統(tǒng)芯片。現(xiàn)階段在國內(nèi)后裝市場市占率超 70%，前裝超 30%（主要為吉利、豐田等車企），其車規(guī)級IVI 芯片被多家國際主流零部件廠商采用，并計劃推出 AMP、MCU 及 TPMS（胎壓監(jiān)測）芯片等新一代產(chǎn)品。公司通過收購杰發(fā)科技，具備了為車廠提供高性能汽車電子芯片的能力，打通從軟件到硬件的關(guān)鍵性關(guān)卡，并與蔚來、威馬、愛馳億維等造車新勢力公司達成了合作。

該芯片采用 64 位 A53四核架構(gòu)，內(nèi)置硬件圖像加速引擎，支持雙路高清視頻輸出，和四路高清視頻輸入，能同時支持高級車載影音娛樂系統(tǒng)全部功能和豐富的 ADAS 功能。功能包括：360°全景泊車系統(tǒng)、車道偏移警示系統(tǒng) LDW、前方碰撞警示系統(tǒng) FCW、行人碰撞警示系統(tǒng) PCW、交通標志識別系統(tǒng) TSR、車輛盲區(qū)偵測系統(tǒng) BSD、駕駛員疲勞探測系統(tǒng) DFM 和后方碰撞預警系統(tǒng) RCW 等。

3.3.3 全志科技

在今年 5 月的 CES Asia，全志科技發(fā)布首款車規(guī)級處理器 T7，同時發(fā)布基于 T7 的多種智能座艙產(chǎn)品形態(tài)。T7 是數(shù)字座艙車規(guī)（AEC-Q100）平臺型處理器，支持 Android、Linux、QNX系統(tǒng)，集成多路高清影像輸入和輸出，完美支持高清多媒體處理，內(nèi)置的 EVE 視覺處理單元可提升輔助駕駛運算效率。

該款芯片雖然是首款通過車規(guī)的國產(chǎn)中控主機芯片，但還處于起步階段，根據(jù)正常汽車電子芯片的生命周期，要規(guī)模應用至少需要兩年時間，而等到形成較多的用戶和良好的生態(tài)還需很多資源投入以及時間的積累。因此國產(chǎn)車載芯片不論在自動駕駛領(lǐng)域還是中控或輔助駕駛領(lǐng)域，想要真正形成量產(chǎn)與國外老牌巨頭競爭，都還需要大量人力、資本和時間。

四、車載芯片的未來—以 ASIC 為核心的自動駕駛芯片

4.1 ASIC vs GPU+FPGA

GPU適用于單一指令的并行計算，而 FPGA 與之相反，適用于多指令，單數(shù)據(jù)流，常用于云端的“訓練”階段。此外與 GPU對比，F(xiàn)PGA沒有存取功能，因此速度更快，功耗低，但同時運算量不大。結(jié)合兩者優(yōu)勢，形成GPU+FPGA 的解決方案。

FPGA 和 ASIC 的區(qū)別主要在是否可以編程。FPGA 客戶可根據(jù)需求編程，改變用途，但量產(chǎn)成本較高，適用于應用場景較多的企業(yè)、軍事等用戶；而 ASIC 已經(jīng)制作完成并且只搭載一種算法和形成一種用途，首次“開模”成本高，但量產(chǎn)成本低，適用于場景單一的消費電子、“挖礦”等客戶。目前自動駕駛算法仍在快速更迭和進化，因此大多自動駕駛芯片使用GPU+FPGA 的解決方案。未來算法穩(wěn)定后，ASIC 將成為主流。

計算能耗比，ASIC > FPGA > GPU > CPU，究其原因，ASIC 和 FPGA 更接近底層 IO，同時FPGA有冗余晶體管和連線用于編程，而 ASIC 是固定算法最優(yōu)化設(shè)計，因此 ASIC 能耗比最高。相比前兩者，GPU 和 CPU 屏蔽底層 IO，降低了數(shù)據(jù)的遷移和運算效率，能耗比較高。同時 GPU 的邏輯和緩存功能簡單，以并行計算為主，因此 GPU能耗比又高于 CPU。

4.2 ASIC 是未來自動駕駛芯片的核心和趨勢

結(jié)合 ASIC 的優(yōu)勢，我們認為長遠看自動駕駛的 AI 芯片會以 ASIC 為解決方案，主要有以下幾個原因：

1、由于處理的傳感器信息需要大量冗余，自動駕駛對終端算力要求極高，并且車速越快，對計算能力要求越高；

2、自動駕駛對終端計算的實時性要求極高。任何超出一定范圍的延遲，都有可能造成事故，因此終端會負責自動駕駛的核心計算和決策功能；

3、對能效要求高，否則降低車輛續(xù)航，影響駕駛體驗。高能耗同時帶來的熱量也會降低系統(tǒng)穩(wěn)定性。例如下一代支持 L4 的 NVIDIA Drive Pegasus 功耗為 500 瓦，只能應用于小規(guī)模的測試車；

4、高可靠性。真正滿足車規(guī)的自動駕駛芯片需要在嚴寒酷暑、刮風下雨或長時間運行等惡劣條件下，都有穩(wěn)定的計算表現(xiàn)。

綜上 ASIC 專用芯片幾乎是自動駕駛量產(chǎn)芯片唯一的解決方案。由于這種芯片僅支持單一算法，對芯片設(shè)計者在算法、IC 設(shè)計上都提出很高要求。

以上并非下定論目前 ASIC 為核心的芯片一定比 GPU+FPGA 的芯片強，由于目前自動駕駛算法還在快速迭代和升級過程中，過早以固有算法生產(chǎn)ASIC 芯片長期來看不一定是最優(yōu)選擇。

4.3 相關(guān)公司

4.3.1 Mobileye

Intel 在ADAS 處理器上的布局已經(jīng)完善，包括Mobileye 的ADAS 視覺處理，利用Altera 的FPGA 處理，以及英特爾自身的至強等型號的處理器，可以形成自動駕駛整個硬件超級中央控制的解決方案。

Mobileye 具有自主研發(fā)設(shè)計的芯片 EyeQ 系列，由意法半導體公司生產(chǎn)供應。現(xiàn)在已經(jīng)量產(chǎn)的芯片型號有 EyeQ1 至 EyeQ4，EyeQ5 正在開發(fā)進行中，計劃 2020 年面世，對標英偉達 Drive PX Xavier，并透露 EyeQ5 的計算性能達到了 24 TOPS，功耗為 10 瓦，芯片節(jié)能效率是 Drive Xavier 的2.4 倍。

英特爾自動駕駛系統(tǒng)將采用攝像頭為先的方法設(shè)計，搭載兩塊EyeQ5 系統(tǒng)芯片、一個英特爾凌動 C3xx4 處理器以及 Mobileye 軟件，大規(guī)模應用于可擴展的 L4/L5 自動駕駛汽車。該系列已被奧迪、寶馬、菲亞特、福特、通用等多家汽車制造商使用。

從硬件架構(gòu)來看，該芯片包括了一組工業(yè)級四核MIPS 處理器，以支持多線程技術(shù)能更好的進行數(shù)據(jù)的控制和管理（下圖左上）。多個專用的向量微碼處理器（VMP），用來應對ADAS 相關(guān)的圖像處理任務（如：縮放和預處理、翹曲、跟蹤、車道標記檢測、道路幾何檢測、濾波和直方圖等，下圖右上）。一顆軍工級MIPS Warrior CPU 位于次級傳輸管理中心，用于處理片內(nèi)片外的通用數(shù)據(jù)（下圖左中）。

此外通過行業(yè)訪談調(diào)研等途徑了解到，Mobileye 在 L1-L3 智能駕駛領(lǐng)域具有極大的話語權(quán)，對 Tire1 和 OEM 非常強勢，其算法和芯片綁定，不允許更改。

4.3.2 寒武紀

5 月3 日，寒武紀科技在 2018 產(chǎn)品發(fā)布會上發(fā)布了多個 IP 產(chǎn)品——采用

7nm 工藝的終端芯片Cambricon 1M、云端智能芯片MLU100 等。

其中寒武紀 1M芯片是公司第三代 IP產(chǎn)品，在 TSMC7nm工藝下 8 位運算的效能比達 5Tops/w（每瓦 5 萬億次運算），同時提供 2Tops、4Tops、 8Tops 三種尺寸的處理器內(nèi)核，以滿足不同需求。1M 還將支持 CNN、 RNN、SVM、k-NN 等多種深度學習模型與機器學習算法的加速，能夠完成視覺、語音、自然語言處理等任務。通過靈活配置 1M 處理器，可以實現(xiàn)多線和復雜自動駕駛?cè)蝿盏馁Y源最大化利用。它還支持終端的訓練，以此避免敏感數(shù)據(jù)的傳輸和實現(xiàn)更快的響應。

寒武紀首款云端智能芯片 Cambricon MLU100 同期發(fā)布，同時公布了在 R-CNN算法下 MLU100 與英偉達 Tesla V100（2017）和英偉達 Tesla P4

（2016）的對比，從參數(shù)上看，主要對標 Tesla P4。

最后說明芯片從設(shè)計到落地應用面臨的潛在風險：

4.3.3 地平線

2017 年地平線發(fā)布了新一代自動駕駛芯片“征程”和配套軟件平臺方案 “雨果”，同時還發(fā)布了應用于智能攝像頭的“旭日”處理器。“征程”是一款專用 AI 芯片，采用地平線的第一代 BPU 架構(gòu)，可實時處理 1080p@30 視頻，每幀中可同時對 200 個目標進行檢測、跟蹤、識別，典型功耗 1.5W，每幀延時小于 30ms。據(jù)地平線CEO 余凱介紹，地平線的芯片更聚焦在針對不同場景下的具體應用，相比于英偉達的方案，在功耗上低一個數(shù)量級，價格也會有更大的競爭力。

2018 年亞洲 CES，地平線宣布推出從 L2 到 L4 級別全系列的自動駕駛計算平臺。

地平線星云，基于征程 1.0 芯片，能夠以車規(guī)級標準滿足 L1 和 L2 級別的自動駕駛的需求，能同時對行人、機動車、非機動車、車道線、交通標志牌、紅綠燈等多類目標進行精準的實時監(jiān)測與識別；并可滿足車載設(shè)備嚴苛的環(huán)境要求，以及復雜環(huán)境下的視覺感知需求，支持L2 級別 ADAS 功能。

地平線 Matrix 1.0，內(nèi)置地平線征程 2.0 處理器架構(gòu)，最大化嵌入式 AI 計算性能，是面向 L3／L4 的自動駕駛解決方案，可滿足自動駕駛場景下高性能和低功耗的需求。依托地平線公司自主研發(fā)的工具鏈，開發(fā)者和研究人員可以基于 Matrix 平臺部署神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)開發(fā)、驗證、優(yōu)化和部署。

4.3.4 百度“昆侖”

7 月 4 日百度 AI 開發(fā)者大會上，李彥宏發(fā)布了由百度自主研發(fā)的中國首款云端全功能 AI 芯片——“昆侖”。“昆侖”基于百度 8 年的 AI 加速器經(jīng)驗的研發(fā)，預計將于明年流片。

“昆侖”采用 14nm 三星工藝，是業(yè)內(nèi)設(shè)計算力最高的 AI 芯片（100+瓦功耗下提供 260Tops 性能）；512GB/s 內(nèi)存帶寬，由幾萬個小核心構(gòu)成。

“昆侖”可高效地同時滿足訓練和推斷的需求，除了常用深度學習算法等云端需求，還能適配諸如自然語言處理，大規(guī)模語音識別，自動駕駛，大規(guī)模推薦等具體終端場景的計算需求。此外可以支持 paddle 等多個深度學習框架，編程靈活度高。

同時也有媒體對該產(chǎn)品提出疑義，主要有以下兩點：

1、算力一般采用的是基于浮點計算的 TFLOPS，性能從倍精度、單精度到半精度，例如寒武紀公布算力跨度從16 TFLOPS 到166 TFLOPS。昆侖僅提供單一精度數(shù)據(jù)，且只公開最大整數(shù)計算能力（TOPS），與其他芯片的可比性較低；

2、昆侖芯片的TOPS 參數(shù)比 NVIDIA 的V100 高，但并未公布芯片的規(guī)模，只說明了整合了數(shù)萬個小核心，數(shù)據(jù)可比性也不高。

4.3.5 Google TPU

Google TPU于 2016 年在 Google I / O 上宣布，當時該公司表示 TPU已在其數(shù)據(jù)中心內(nèi)使用了一年以上。該芯片專為 Google 的 Tensor Flow（一個符號數(shù)學庫，用于神經(jīng)網(wǎng)絡(luò)等機器學習應用）框架而設(shè)計。

Google TPU 是專用的，并不面向市場，谷歌僅表示“將允許其他公司通過其云計算服務購買這些芯片。”今年 2 月，谷歌在其云平臺博客上宣布的TPU 服務開放價格大約為每 cloud TPU （180TFLOPS 和 64 GB 內(nèi)存）每小時6.50 美元。Google 使用 TPU開發(fā)圍棋系統(tǒng) AlphaGo 和 Alpha Zero 以及進行 Google 街景視頻文字處理等，能夠在不到五天的時間內(nèi)找到街景數(shù)據(jù)庫中的所有文字，此外 TPU也用于提供 Google 搜索結(jié)果的排序。

TPU與同期的 CPU和 GPU相比，可以提供 15-30 倍的性能提升，以及 30-80 倍的效率（性能/瓦特）提升。

4.3.6 Xilinx & 深鑒科技

Xilinx（賽靈思）是 FPGA 的先行者和領(lǐng)導者，1984 年，賽靈思發(fā)明了現(xiàn)場可編程門陣列 FPGA，作為半定制化的 ASIC，順應了計算機需求更專業(yè)的趨勢。FPGA 的好處是可編程以及帶來的靈活配置，同時還可以提高整體系統(tǒng)性能，比單獨開發(fā)芯片整個開發(fā)周期大為縮短，但缺點是價格、尺寸等因素。

在汽車 ADAS 和自動駕駛解決方案上，賽靈思的 FPGA 和 SOC 產(chǎn)品家族衍生出三個模塊：

自動駕駛中央控制器 Zynq UltraScale+ MPSoC

前置攝像頭 Zynq-7000 / Zynq UltraScale+ MPSoC

多傳感器融合系統(tǒng) Zynq UltraScale+ MPSoC

▲賽靈思Zynq芯片

Zynq 采用單一芯片即可完成ADAS 解決方案的開發(fā)，SOC 平臺大幅提升了性能，便于各種捆綁式應用，能實現(xiàn)不同產(chǎn)品系列間的可擴展性，可幫助系統(tǒng)廠商加快在環(huán)繞視覺、3D 環(huán)繞視覺、后視攝像頭、動態(tài)校準、行人檢測、后視車道偏離警告和盲區(qū)檢測等ADAS 應用的開發(fā)時間。并且可以讓 OEM和 Tier1 在平臺上添加自己的IP 以及賽靈思自己的擴展。

▲賽靈思多傳感器融合系統(tǒng)

深鑒科技成立于2016 年，其創(chuàng)始團隊有著深厚的清華背景，專注于神經(jīng)網(wǎng)絡(luò)剪枝、深度壓縮技術(shù)及系統(tǒng)級優(yōu)化。2018 年 7 月 17 日，賽靈思宣布收購深鑒科技。自成立以來，深鑒科技就一直基于賽靈思的技術(shù)平臺開發(fā)機器學習解決方案，推出的兩個用于深度學習處理器的底層架構(gòu)—亞里士多德架構(gòu)和笛卡爾架構(gòu)的DPU 產(chǎn)品，都是基于賽靈思FPGA 器件。

▲亞里士多德架構(gòu)

▲笛卡爾架構(gòu)

對于賽靈思來說，看好深鑒科技基于機器學習的軟件、算法，以及面向云側(cè)和端側(cè)硬件架構(gòu)的優(yōu)勢；對于深鑒科技，后期發(fā)展高昂的研發(fā)費用、高成本的芯片設(shè)計、流片、試制、認證、投片量產(chǎn)，投靠賽靈思能夠降低隨之而來的風險，進入芯片戰(zhàn)爭的持久戰(zhàn)。

2018 年 6 月，深鑒科技宣布進軍自動駕駛領(lǐng)域，自主研發(fā)的 ADAS輔助駕駛系統(tǒng)——DPhiAuto，目前已獲得日本與歐洲一線車企廠商和 Tier 1 的訂單，即將實現(xiàn)量產(chǎn)。

DPhiAuto，基于 FPGA，是面向高級輔助駕駛和自動駕駛的嵌入式 AI計算平臺，可提供車輛檢測、行人檢測、車道線檢測、語義分割、交通標志識別、可行駛區(qū)域檢測等深度學習算法功能，是一套針對計算機視覺環(huán)境感知的軟硬件協(xié)同產(chǎn)品。功耗方面，可以在 10-20W 的功耗范圍內(nèi)，實現(xiàn)等效性能，能效比指標高于目前主流的 CPU、GPU方案。

▲DPhiAuto性能

▲DPhiAuto樣品

五、風險提示

自動駕駛及車聯(lián)網(wǎng)行業(yè)發(fā)展不及預期。可能出現(xiàn)自動駕駛及車聯(lián)網(wǎng)行業(yè)技術(shù)發(fā)展較慢，或出現(xiàn)相關(guān)事故使發(fā)展停滯情況。

自動駕駛裝車滲透不及預期。整車廠裝車計劃延遲。、

產(chǎn)品開發(fā)不及預期。控制器、芯片、傳感器、CID 等開發(fā)進度延遲；技術(shù)角度來說，自動駕駛越到開發(fā)測試的后期技術(shù)的提升越困難，提升的幅度越小。需要持續(xù)不斷的投入、測試，反復驗證更新解決方案。

產(chǎn)品成本下降不達預期。目前大多數(shù)系統(tǒng)及零部件的出貨量還很小，涉足的公司前期投入非常大，如果出貨量不達預期，成本下降有限。

使用場景限制。復雜路況需要的系統(tǒng)魯棒性極高，對于自動駕駛解決方案也是很大挑戰(zhàn)。

法律法規(guī)限制自動駕駛發(fā)展。道路測試、運行安全、駕駛規(guī)則、信息安全、責任劃分等等都需要法律法規(guī)的支持。要想推動智能汽車行業(yè)發(fā)展，完善立法是核心要素之一。

自動駕駛事故影響發(fā)展。自動駕駛遭遇嚴重事故案例，類似事故會造成輿論和政策方面的不利影響，延緩自動駕駛進展。