电子发烧友App
ASICvsGPU+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。
▌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。
▌相关公司
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DrivePXXavier，并透露EyeQ5的计算性能达到了24TOPS，功耗为10瓦，芯片节能效率是DriveXavier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。
从硬件架构来看，该芯片包括了一组工业级四核MIPS处理器，以支持多线程技术能更好的进行数据的控制和管理(下图左上)。
多个专用的向量微码处理器(VMP)，用来应对ADAS相关的图像处理任务(如:缩放和预处理、翘曲、跟踪、车道标记检测、道路几何检测、滤波和直方图等，下图右上)。
一颗军工级MIPSWarriorCPU位于次级传输管理中心，用于处理片内片外的通用数据。
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。
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Cambricon1M、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CambriconMLU100同期发布，同时公布了在R-CNN算法下MLU100与英伟达TeslaV100(2017)和英伟达TeslaP4(2016)的对比，从参数上看，主要对标TeslaP4。最后说明芯片从设计到落地应用面临的潜在风险:
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。
地平线星云，基于征程1.0芯片，能够以车规级标准满足L1和L2级别的自动驾驶的需求，能同时对行人、机动车、非机动车、车道线、交通标志牌、红绿灯等多类目标进行精准的实时监测与识别;并可满足车载设备严苛的环境要求，以及复杂环境下的视觉感知需求，支持L2级别ADAS功能。
地平线Matrix1.0，内置地平线征程2.0处理器架构，最大化嵌入式AI计算性能，是面向L3/L4的自动驾驶解决方案，可满足自动驾驶场景下高性能和低功耗的需求。
依托地平线公司自主研发的工具链，开发者和研究人员可以基于Matrix平台部署神经网络模型，实现开发、验证、优化和部署。
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。同时也有媒体对该产品提出疑义，主要有以下两点:
GoogleTPU
GoogleTPU于2016年在GoogleI/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TensorFlow(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。
GoogleTPU是专用的，并不面向市场，谷歌仅表示“将允许其他公司通过其云计算服务购买这些芯片。”
今年2月，谷歌在其云平台博客上宣布的TPU服务开放价格大约为每cloudTPU(180TFLOPS和64GB内存)每小时6.50美元。
Google使用TPU开发围棋系统AlphaGo和AlphaZero以及进行Google街景视频文字处理等，能够在不到五天的时间内找到街景数据库中的所有文字，此外TPU也用于提供Google搜索结果的排序。
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。
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:
前置摄像头Zynq-7000/ZynqUltraScale+MPSoC
多传感器融合系统ZynqUltraScale+MPSoC
Zynq采用单一芯片即可完成ADAS解决方案的开发，SOC平台大幅提升了性能，便于各种捆绑式应用，能实现不同产品系列间的可扩展性，可帮助系统厂商加快在环绕视觉、3D环绕视觉、后视摄像头、动态校准、行人检测、后视车道偏离警告和盲区检测等ADAS应用的开发时间。并且可以让OEM和Tier1在平台上添加自己的IP以及赛灵思自己的扩展。
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。
对于赛灵思来说，看好深鉴科技基于机器学习的软件、算法，以及面向云侧和端侧硬件架构的优势;对于深鉴科技，后期发展高昂的研发费用、高成本的芯片设计、流片、试制、认证、投片量产，投靠赛灵思能够降低随之而来的风险，进入芯片战争的持久战。
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Tier1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。(国金证券：张帅)百度搜索“乐晴智库”获得更多行业报告。
工商网监
评论