来源：智车科技

汽车电子发展初期以分布式ECU架构为主流，芯片与传感器一一对应，后来，中心化架构DCU、MDC逐步成为了发展趋势；随着汽车辅助驾驶功能渗透率越来越高，传统CPU算力不足过去，在自动驾驶领域GPU取代CPU成为了主流方案；随着自动驾驶的定制化需求提升，未来定制化ASIC专用芯片将成为主流。

我们将按时间顺序梳理车载芯片的发展历程，探讨未来发展方向。

• 汽车电子发展初期以分布式ECU架构为主流，芯片与传感器一一对应，随着汽车电子化程度提升，传感器增多、线路复杂度增大，中心化架构DCU、MDC逐步成为了发展趋势；

• 随着汽车辅助驾驶功能渗透率越来越高，传统CPU算力不足，越来越难以满足处理视频、图片等非结构化数据的需求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案；

• 从ADAS向自动驾驶进化的过程中，激光雷达点云数据以及大量传感器加入到系统中，需要接受、分析、处理的信号大量且复杂，定制化的ASIC芯片可在相对低水平的能耗下，将车载信息的数据处理速度提升更快，并且性能、能耗和大规模量产成本均显著优于GPU和FPGA，随着自动驾驶的定制化需求提升，定制化ASIC专用芯片将成为主流。

目前出货量最大的驾驶辅助芯片厂商Mobileye、Nvidia形成“双雄争霸”局面，Xilinx则在FPGA的路线上进军，Google、地平线、寒武纪向专用领域AI芯片发力，国内四维图新、全志科技、森国科（国科微）在自动驾驶芯片领域积极布局。

• Mobileye的核心优势是 EyeQ 系列芯片，可以处理摄像头、雷达等多种传感器融合产生的大量数据，在L1-L3自动驾驶领域具有极大的话语权，目前出货量超过了2700万颗；

• NVIDIA在GPU领域具有绝对的领导地位，芯片算力强大且具备很强的灵活性，但功耗高、成本高，AI机器学习并不太适合GPU的应用；

• 此外Google、地平线、寒武纪、四维图新等更聚焦在针对不同场景下的具体应用，芯片设计也开始增加硬件的深度学习设计，自动驾驶上AI的应用已经成为未来的趋势。

基于产业前景和潜在的巨大市场，给予行业买入评级，上市公司方面看好四维图新，建议关注地平线、寒武纪。

车载芯片的发展趋势（CPU-GPU-FPGA-ASIC）

过去—以CPU为核心的ECU

2.1 ECU的核心CPU

• ECU（Electronic Control Unit）是电子控制单元，其工作过程为CPU接收到各个传感器的信号后转化为数据，并由Program区域的程序对Data区域的数据图表调用来进行数据处理，从而得出具体驱动数据，并通过CPU针脚传送到相关驱动芯片，驱动芯片再通过相应的周边电路产生驱动信号，用来驱动驱动器。即传感器信号——传感器数据——驱动数据——驱动信号这样一个完整工作流程。

2.2 分布式架构向多域控制器发展

• 汽车电子发展的初期阶段，ECU主要是用于控制发动机工作，只有汽车发动机的排气管（氧传感器）、气缸（爆震传感器）、水温传感器等核心部件才会放置传感器，由于传感器数量较少，为保证传感器-ECU-控制器回路的稳定性， ECU与传感器一一对应的分布式架构是汽车电子的典型模式。

• 随着汽车电子化的发展，车载传感器数量越来越多，传感器与ECU一一对应使得车辆整体性下降，线路复杂性也急剧增加，此时DCU（域控制器）和MDC（多域控制器）等更强大的中心化架构逐步替代了分布式架构。

现在—以GPU为核心的智能辅助驾驶芯片

人工智能的发展也带动了汽车智能化发展，过去的以CPU为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求，同时处理器也需要整合雷达、视频等多路数据，这些都对车载处理器的并行计算效率提出更高要求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。

3.1 GPU Vs. CPU

3.2 GPU占据现阶段自动驾驶芯片主导地位

• 目前无论是尚未商业化生产的自动驾驶AI芯片还是已经可以量产使用的辅助驾驶芯片，由于自动驾驶算法还在快速更新迭代，对云端“训练”部分提出很高要求，既需要大规模的并行计算，又需要大数据的多线程计算，因此以GPU+FPGA解决方案为核心；在终端的“推理”部分，核心需求是大量并行计算，从而以GPU为核心。

3.3 相关公司

  3.3.1 NVIDIA

• NVIDIA 在自动驾驶领域的成就正是得益于他们在 GPU 领域内的深耕，NVIDIA GPU专为并行计算而设计，适合深度学习任务，并且能够处理在深度学习中普遍存在的向量和矩阵操作。相对于Mobileye专注于视觉处理，NVIDIA 的方案重点在于融合不同传感器。

• 2016年，英伟达在Drive PX 2平台上推出了三款产品，分别是配备单GPU和单摄像头及雷达输入端口的Drive PX2 Autocruise（自动巡航）芯片（下图左上）、配备双GPU及多个摄像头及雷达输入端口的Drive PX2 AutoChauffeur（自动私人司机）芯片（右上）、配备多个GPU及多个摄像头及雷达输入端口的Drive PX2 Fully Autonomous Driving（全自动驾驶）芯片（下方）。

• 以目前销售情况，Drive PX 2搭载上一代 Pascal 架构 GPU已经实现量产，并且已经搭载在 Tesla 的量产车型 Model S 以及 Model X 上。目前 PX 2 仍然是 NVIDIA 自动驾驶平台出货的主力，Tesla，Audi 和 ZF等对外公布 Drive PX 2 应用于量产车。

• Xavier是 Drive PX 2 的进化版本，搭配了最新一代的 Volta 架构 GPU, 相较于Drive PX 2性能将提升近一倍，2017年年底量产。由于多家主机厂L3级别以上自动驾驶量产车的计划在 2020 年左右，而Xavier的量产计划将能和自动驾驶车的研发周期相互配合（一般 3 年左右），因此Xavier 的合作都是有量产车落地计划的。

• 目前，L4及以上的市场基本上被NVIDIA垄断，CEO黄仁勋称全球有300余家自动驾驶研发机构使用Drive PX2。Drive PX 2单价为1.6万美金，功耗达425瓦，但目前没有达到车规，按功耗和成本看，只能小规模测试阶段使用。

  3.3.2 四维图新

•  国内地图行业龙头，向ADAS和自动驾驶进军。公司成立于2002年，是国内首家获导航地图制作资质的企业（目前仅13家），为领先的数字地图内容、车联网与动态交通信息服务、基于位置的大数据垂直应用服务的提供商之一。其拳头业务——地图业务，以国内60%的份额稳居垄断地位。2017年以来，公司收购杰发科技、入股中寰卫星与禾多科技，“高精度地图+芯片+算法+软件”的自动驾驶产业链全方位布局雏形已现。

• 高精度地图：代表国内最高水平。公司以地图起家，目前国内高精度地图仅两家玩家（另一家为高德），公司深度绑定获得宝马、大众、奔驰、通用、沃尔沃、福特、上汽、丰田、日产、现代、标致等主流车企发展，占绝对优势。2017年公司实现支持L3级别（至少20个城市）的高精度地图，计划于2019年覆盖所有城市，并为L4的推出做准备。

•  芯片：收购杰发科技布局汽车芯片。杰发科技（2017年3月完成收购）脱胎于联发科，主攻车载信息娱乐系统芯片。现阶段在国内后装市场市占率超70%，前装超30%（主要为吉利、丰田等车企），其车规级 IVI 芯片被多家国际主流零部件厂商采用，并计划推出AMP、MCU及TPMS（胎压 监测）芯片等新一代产品。公司通过收购杰发科技，具备了为车厂提供高性能汽车电子芯片的能力，打通从软件到硬件的关键性关卡，并与蔚来、威马、爱驰亿维等造车新势力公司达成了合作。

  3.3.3 全志科技

• 在今年5月的CES Asia，全志科技发布首款车规级处理器T7，同时发布基于T7的多种智能座舱产品形态。T7是数字座舱车规（AEC-Q100）平台型处理器，支持Android、Linux、QNX系统，集成多路高清影像输入和输出，完美支持高清多媒体处理，内置的EVE视觉处理单元可提升辅助驾驶运算效率。

未来—以ASIC为核心的自动驾驶芯片

4.1 ASIC vs GPU+FPGA

• GPU适用于单一指令的并行计算，而FPGA与之相反，适用于多指令，单数据流，常用于云端的“训练”阶段。此外与GPU对比，FPGA没有存取功能，因此速度更快，功耗低，但同时运算量不大。结合两者优势，形成GPU+FPGA的解决方案。

• FPGA和ASIC的区别主要在是否可以编程。FPGA客户可根据需求编程，改变用途，但量产成本较高，适用于应用场景较多的企业、军事等用户；而ASIC已经制作完成并且只搭载一种算法和形成一种用途，首次“开模”成本高，但量产成本低，适用于场景单一的消费电子、“挖矿”等客户。目前自动驾驶算法仍在快速更迭和进化，因此大多自动驾驶芯片使用GPU+FPGA的解决方案。未来算法稳定后，ASIC将成为主流。

• 计算能耗比，ASIC > FPGA > GPU > CPU，究其原因，ASIC和FPGA更接近底层IO，同时 FPGA有冗余晶体管和连线用于编程，而ASIC是固定算法最优化设计，因此ASIC能耗比最高。相比前两者，GPU和CPU屏蔽底层IO，降低了数据的迁移和运算效率，能耗比较高。同时GPU的逻辑和缓存功能简单，以并行计算为主，因此GPU能耗比又高于CPU。

4.2 ASIC是未来自动驾驶芯片的核心和趋势

• 结合ASIC的优势，我们认为长远看自动驾驶的AI芯片会以ASIC为解决方案，主要有以下几个原因：

• 综上ASIC专用芯片几乎是自动驾驶量产芯片唯一的解决方案。由于这种芯片仅支持单一算法，对芯片设计者在算法、IC设计上都提出很高要求。

• 以上并非下定论目前ASIC为核心的芯片一定比GPU+FPGA的芯片强，由于目前自动驾驶算法还在快速迭代和升级过程中，过早以固有算法生产ASIC芯片长期来看不一定是最优选择。

4.3 相关公司

  4.3.1 Mobileye

• Intel在 ADAS 处理器上的布局已经完善，包括 Mobileye 的 ADAS 视觉处理，利用 Altera 的 FPGA 处理，以及英特尔自身的至强等型号的处理器，可以形成自动驾驶整个硬件超级中央控制的解决方案。

• Mobileye具有自主研发设计的芯片EyeQ系列，由意法半导体公司生产供应。现在已经量产的芯片型号有EyeQ1至EyeQ4，EyeQ5正在开发进行中，计划2020年面世，对标英伟达Drive PX Xavier，并透露EyeQ5的计算性能达到了24 TOPS，功耗为10瓦，芯片节能效率是Drive Xavier的2.4倍。英特尔自动驾驶系统将采用摄像头为先的方法设计，搭载两块EyeQ5系统芯片、一个英特尔凌动C3xx4处理器以及Mobileye软件，大规模应用于可扩展的L4/L5自动驾驶汽车。该系列已被奥迪、宝马、菲亚特、福特、通用等多家汽车制造商使用。

• 此外通过行业访谈调研等途径了解到，Mobileye在L1-L3智能驾驶领域具有极大的话语权，对Tire1和OEM非常强势，其算法和芯片绑定，不允许更改。

  4.3.2 寒武纪

• 5 月 3 日，寒武纪科技在2018 产品发布会上发布了多个IP 产品——采用 7nm 工艺的终端芯片 Cambricon 1M、云端智能芯片 MLU100 等。

• 其中寒武纪1M芯片是公司第三代IP产品，在TSMC7nm工艺下8位运算的效能比达5Tops/w（每瓦5万亿次运算），同时提供2Tops、4Tops、8Tops三种尺寸的处理器内核，以满足不同需求。1M还将支持CNN、RNN、SVM、k-NN等多种深度学习模型与机器学习算法的加速，能够完成视觉、语音、自然语言处理等任务。通过灵活配置1M处理器，可以实现多线和复杂自动驾驶任务的资源最大化利用。它还支持终端的训练，以此避免敏感数据的传输和实现更快的响应。

• 寒武纪首款云端智能芯片Cambricon MLU100同期发布，同时公布了在R-CNN算法下MLU100与英伟达Tesla V100（2017）和英伟达Tesla P4（2016）的对比，从参数上看，主要对标Tesla P4。

  4.3.3 地平线

• 2017年地平线发布了新一代自动驾驶芯片“征程”和配套软件平台方案“雨果”，同时还发布了应用于智能摄像头的“旭日”处理器。“征程”是一款专用AI芯片，采用地平线的第一代BPU架构，可实时处理1080p@30视频，每帧中可同时对200个目标进行检测、跟踪、识别，典型功耗1.5W，每帧延时小于30ms。CEO余凯介绍，地平线的芯片更聚焦在针对不同场景下的具体应用，相比于英伟达的方案，在功耗上低一个数量级，价格也会有更大的竞争力。

• 2018年亚洲CES，地平线宣布推出从L2到L4级别全系列的自动驾驶计算平台。

  4.3.4 百度“昆仑”

• 7月4日百度AI开发者大会上，李彦宏发布了由百度自主研发的中国首款云端全功能AI芯片——“昆仑”。“昆仑”基于百度8年的AI加速器经验的研发，预计将于明年流片。

• “昆仑”采用14nm 三星工艺，是业内设计算力最高的AI芯片（100+瓦功耗下提供260Tops性能）；512GB/s内存带宽，由几万个小核心构成。

• “昆仑”可高效地同时满足训练和推断的需求，除了常用深度学习算法等云端需求，还能适配诸如自然语言处理，大规模语音识别，自动驾驶，大规模推荐等具体终端场景的计算需求。此外可以支持paddle等多个深度学习框架，编程灵活度高。

  4.3.5 Google TPU

• Google TPU于2016年在Google I / O上宣布，当时该公司表示TPU已在其数据中心内使用了一年以上。该芯片专为Google的Tensor Flow（一个符号数学库，用于神经网络等机器学习应用）框架而设计。

• TPU与同期的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 & 深鉴科技

• Xilinx赛灵思是FPGA的先行者和领导者，1984年，赛灵思发明了现场可编程门阵列FPGA，作为半定制化的ASIC，顺应了计算机需求更专业的趋势。FPGA 的好处是可编程以及带来的灵活配置，同时还可以提高整体系统性能，比单独开发芯片整个开发周期大为缩短，但缺点是价格、尺寸等因素。

• 在汽车ADAS和自动驾驶解决方案上，赛灵思的FPGA和SOC产品家族衍生出三个模块：

1.自动驾驶中央控制器Zynq UltraScale+ MPSoC

2.前置摄像头Zynq-7000 / Zynq UltraScale+ MPSoC

3.多传感器融合系统Zynq UltraScale+ MPSoC

• 深鉴科技成立于 2016 年，其创始团队有着深厚的清华背景，专注于神经网络剪枝、深度压缩技术及系统级优化。2018年7月17日，赛灵思宣布收购深鉴科技。自成立以来，深鉴科技就一直基于赛灵思的技术平台开发机器学习解决方案，推出的两个用于深度学习处理器的底层架构—亚里士多德架构和笛卡尔架构的 DPU 产品，都是基于赛灵思 FPGA 器件。

• 2018年6月，深鉴科技宣布进军自动驾驶领域，自主研发的ADAS辅助驾驶系统——DPhiAuto，目前已获得日本与欧洲一线车企厂商和Tier 1的订单，即将实现量产。

• DPhiAuto，基于FPGA，是面向高级辅助驾驶和自动驾驶的嵌入式AI计算平台， 可提供车辆检测、行人检测、车道线检测、语义分割、交通标志识别、可行驶区域检测等深度学习算法功能，是一套针对计算机视觉环境感知的软硬件协同产品。功耗方面，可以在10-20W的功耗范围内，实现等效性能，能效比指标高于目前主流的CPU、GPU方案。

未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构。

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”