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，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。