自动驾驶芯片概况、架构及企业分析

自动驾驶芯片市场头部是 Mobileye、英伟达这样的巨头，还有从移动芯片市场杀出的华为海思和高通等厂商，老牌汽车半导体厂商们也在加快布局，如黑芝麻一样的 AI 芯片公司将成为重要的后起之秀。

本文来自“自动驾驶芯片研究框架（2023）”。无论是自动驾驶还是智能座舱领域，功能集中已然成为行业发展的必然趋势。随着传感器数量和种类逐渐增多，将不同功能的计算芯片集成到一块板子上，对各传感器的原始感知信息实行后端融合计算成为必然选择。

下载链接：

自动驾驶芯片研究框架（2023）

365+份重磅ChatGPT专业报告（合集）

行业专题：GPU龙头产品迭代不断，产业链各环节持续催化

超导行业深度：下个十年，奔向超导产业发展的星辰大海

深度报告：AI大模型落户矿山，智能化形成商业闭环

《2023年大模型与AIGC峰会合集（1）》

《2023年大模型与AIGC峰会合集（2）》

《2023年大模型与AIGC峰会合集（3）》

《2023年大模型与AIGC峰会合集（4）》

行业深度分析：AI服务器/EGS平台需求及PCB产业链解析

一、自动驾驶芯片概况

自动驾驶芯片是智能汽车的核心，渗透率与市场规模不断扩大，多种路线百花齐放，国内方案前景广阔。

车规级芯片领域长期被发达国家垄断。车规级芯片分为控制芯片、微处理器芯片、存储芯片、模拟芯片及功率器件等。当前，以美、欧、日、韩为代表的发达国家行业巨头，长期占据着车规级芯片的技术制高点和主要市场份额，根据于德营《车规级芯片产业自主化前景》数据，欧、美、日分别占据 37%、30%和25%的市场，行业内 TOP8 企业占据60%以上市场份额。

从模块级的ECU到集中相关功能的域控制器，再到完全集中的车载计算机。每个阶段中还包含两个子阶段，例如完全集中的车载计算机还包括了本地计算和云端协同两种方式。

英伟达发布的一体化自动驾驶芯片Altan&Thor的设计思路是完全的“终局思维”，相比BOSCH给出的一步步的演进还要更近一层，跨越集中式的车载计算机和云端协同的车载计算机，直接到云端融合的车载计算机。云端融合的意思是服务可以动态的、自适应的运行在云或端，方便云端的资源动态调节。Altan&Thor采用的是跟云端完全一致的计算架构：Grace-next CPU、Ampere-next GPU以及Bluefield DPU，硬件上可以做到云端融合。

2020年高通推出全新自动驾驶平台高通Snapdragon Ride，自动驾驶芯片“骁龙 Ride”。

二、自动驾驶芯片架构分析

当前主流的AI芯片主要分为三类，GPU、FPGA、ASIC。GPU、FPGA均是前期较为成熟的芯片架构，属于通用型芯片。ASIC属于为AI特定场景定制的芯片。行业内已经确认CPU不适用于AI计算，但是在AI应用领域仍必不可少。

1、GPU方案：GPU与CPU的架构对比

CPU遵循的是冯·诺依曼架构，其核心是存储程序/数据、串行顺序执行。CPU在进行大规模并行计算方面受到限制，相对而言更擅长于处理逻辑控制。

GPU是一种由大量运算单元组成的大规模并行计算架构，早先由CPU中分出来专门用于处理图像并行计算数据，专为同时处理多重并行计算任务而设计。

2、FPGA方案

FPGA是在PAL、GAL等可编程器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。优点：可以无限次编程，延时性比较低，同时拥有流水线并行和数据并行、实时性最强、灵活性最高。缺点：开发难度大、只适合定点运算、价格比较昂贵。

3、ASIC方案

ASIC，即专用集成电路，指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。目前用CPLD（复杂可编程逻辑器件）和FPGA（现场可编程逻辑阵列）来进行ASIC设计是最为流行的方式之一。优点:它作为集成电路技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比具有体积更小、重量更轻、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。缺点：灵活性不够，成本比FPGA贵。

三、自动驾驶企业重点企业分析

1、英伟达：围绕CUDA架构构筑生态系统

英伟达给GPU装备了一组完全相同的、具有较强编程能力的内核，根据任务情况在顶点和片元处理任务之间动态分配。从G80开始，英伟达GPU体系结构已经全面支持通用编程，同时英伟达也推出了CUDA编程技术，为GPU通用程序设计提供了第一套完整工具。

在软件层面，英伟达面向GPU开发的应用软件接口CUDA经久不衰，CUDA整套软件非常完善，与自家GPU自然适配，能快速搭建神经网络加速软件框架，所以CUDA在早期被很多厂家用于神经网络加速，这也为其打造AI计算平台奠定了基础。另外一个层面，除了CUDA，其他厂家的API也可以在英伟达的GPU上用于神经网络加速，应用程序也越来越多。

2、英特尔Mobileye：EyeQ Ultra和EyeQ6

根据半导体行业观察网易号数据，EyeQUltra采用5nm工艺，将10个EyeQ5的处理能力集成在一个封装中。但是其芯片的计算能力似乎略逊色于英伟达，EyeQ Ultra芯片具有170 TOPS，包括12个RISC内核、256 gigaflops、许多GPU和加速器内核等等，功耗不到100W，可以满足L4自动驾驶的所有需求。EyeQ Ultra预计在 2025 年全面投产。

Mobileye 还还推出了其最新一代芯片EyeQ6：EyeQ6L和EyeQ6H，采用7nm工艺，能用于ADAS L2，预计将于2023年年中开始生产。该芯片已与大众和福特就地图技术达成扩展协议，以及与吉利达成新协议，到2024年推出全电动 L4 级自动化汽车。

3、特斯拉：自动驾驶芯片发展之路

Tesla开始启动自研主控芯片，尤其是主控芯片中的神经网络算法和AI处理单元全部自己完成。AutoPilot HW3.0平台搭载了Tesla FSD自研版本的主控芯片，这款自动驾驶主控芯片拥有高达60亿的晶体管，每秒可完成144万亿次的计算，能同时处理每秒2300帧的图像。

采用以深度神经网络为主的人工智能模型，再加上车端收集的大量数据，特拉斯ADAS水平迅速提升，除车端芯片FSD的研发外，特斯拉也开始涉足云端训练芯片，试图打通车云系统。

焉知智能汽车认为，特斯拉的芯片自研的成功，竞争对手的可复制性很弱，主要原因有：（1）芯片顶级研发人才很难被车企所招聘，特斯拉有很大程度是因为马斯克的个人魅力因素，才说服顶级芯片研发人员加入；（2）自研芯片风险极高，前期投入较大；（3）如果不能保证使用的数量，则自研芯片性价比很低。因此，对于绝大多数车企来讲，外购芯片才是更好的解决方案。

四、国内企业主要自动驾驶芯片

国内企业寻求破局有以下三点机遇：市场还未固化，需求和技术路线仍在探索；国内车企的崛起有望推动产业转移；A100相关事件加大整机厂对产业链可控担忧。

1. 市场还未固化，需求和技术路线仍在探索。目前国内自动驾驶芯片虽然与英伟达等厂商还存在差距，不过从地平线、黑芝麻智能等不断推出的新品来看，芯片算力在持续提升，另外，对于自动驾驶芯片来说，算力并不是唯一标准，效率、软硬结合也很重要。此外，中国自动驾驶芯片除了在质量上不断提升之外，还需要考虑和解决规模量产的问题。

2. 国内车企的崛起有望推动产业转移。比亚迪2022年三季度净利润近百亿元，同比增长2倍。以比亚迪为代表的国内车企正在崛起，国内像蔚来、小鹏汽车和理想汽车，均在大力发展自动驾驶技术，研发相关芯片。现在比亚迪在电动化上，电池技术全球领先。

3. A100相关事件加大整机厂对产业链可控担忧。对高端GPU的断供看似依然是对中国超算和智能计算的进一步封锁，但波及范围已经远远放大，并且技术点的断供还要考虑对上下游的牵连。

下载链接

通用CPU性能基准测试研究综述（2023）

2023全球半导体与集成电路产业发展研究专题报告

中国智能汽车车载芯片发展研究报告

《海光CPU+DCU技术研究报告合集（上）》

1、海光信息：国产巨无霸，引领“中国芯”

2、国产CPU厂商领军者，进入快速增长期

3、国产CPU领军，加速突破高端市场

4、国产CPU领军，受益于行业信创加速，成长空间广阔

5、国产高端处理器龙头，CPU+DCU齐赋能