信息技术：汽车自动驾驶芯片行业研究.docVIP

信息技术：汽车自动驾驶芯片行业研究 核心观点： 1.自动驾驶与智能座舱芯片一体化趋势明显，自动驾驶芯片具有高算力发展趋势。市场容量未来5年将会高速增长。2.目前自动驾驶芯片企业中英伟达依托自己的前期GPU积累和算力优势，CUDA生态占据市场领导地位。3.市场渗透率仍低同时还未固化，需求和技术路线仍在探索。国内自动驾驶芯片企业有望依托国内强势新能源车企业获得突破。 1、自动驾驶芯片概况 1.1、自动驾驶芯片简介：车规级芯片要求更加严苛 芯片按应用场景可分为消费芯片、工业芯片、汽车芯片和军工芯片等。汽车是芯片应用场景之一，汽车芯片需要具备车规级。车规级芯片对加工工艺要求不高，但对质量要求高。需要经过的认证过程，包括质量管理标准ISO/TS16949、可靠性标准AEC-Q100、功能安全标准ISO26262等。汽车内不同用途的芯片要求也不同，美国制定的汽车电子标准把其分为5级。汽车各系统对芯片要求由高到低依次是：动力安全系统车身控制系统行驶控制系统通信系统娱乐系统。 车规级芯片特殊的技术和工艺要求挡住了企业进入的脚步。车规级芯片有着比消费级芯片更高的技术门槛，需满足温度、振动、电磁干扰、长使用寿命等高要求，还要通过可靠性标准AEC-Q100、质量管理标准ISO/TS16949、功能安全标准ISO26262等严苛的认证流程，大部分芯片企业尚不具备转型进入能力。目前，车规级芯片在传统汽车中的成本约为2270元/车，在新能源汽车中的成本约为4540元/车。随着汽车向电动化和智能化发展，芯片的种类、数量和价格占比将进一步提高。 1.2、自动驾驶芯片产品趋势：一体化 云和边缘计算的数据中心，以及自动驾驶等超级终端领域，都是典型的复杂计算场景，这类场景的计算平台都是典型的大算力芯片。大芯片的发展趋势已经越来越明显的从GPU、DSA的分离趋势走向DPU、超级终端的再融合，未来会进一步融合成超异构计算宏系统芯片。BOSCH给出了汽车电气架构演进示意图。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。每个阶段还分了两个子阶段，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。 英伟达创始人黄仁勋在2022秋季GTC大会上发布了新自动驾驶芯片——Thor。Thor的特点：一是超高AI性能，拥有770亿晶体管，而上一代的Orin是170亿晶体管。AI性能为2000TFLOPS@FP8。如果是INT8格式，估计可以达到4000TOPS。二是支持FP8格式，英伟达、英特尔和ARM三家联合力推FP8格式标准，力图打通训练与推理之间的鸿沟。三是超高CPU性能，Thor的CPU可能是ARM的服务器CPU架构V2或更先进的波塞冬平台。四是统一座舱、自动驾驶和自动泊车，一颗芯片包打天下。 英伟达发布的一体化自动驾驶芯片AltanThor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。AltanThor采用的是跟云端完全一致的计算架构：Grace-nextCPU、Ampere-nextGPU以及BluefieldDPU，硬件上可以做到云端融合。 2、自动驾驶芯片架构分析 2.1、主流架构方案对比：三种主流架构 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应用领域也是必不可少。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。因此CPU的架构中需要大量的空间去放置存储单元（Cache）和控制单元（Control），相比之下计算单元（ALU）只占据了很小的一部分，所以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（GraphicsProcessingUnit），即图形处理器，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。GPU中也包含基本的计算单元、控制单元和存储单元，但GPU的架构与CPU有很大不同，其架构图如下所示。与CPU相比，CPU芯片空间的不到20%是ALU，而GPU芯片空间的80%以上是ALU。即GPU拥有更多的ALU用于数据并行处理。 CPU由专为顺序串行处理而优化的几个核心组成，而GPU则拥有一个由数以千计的更小、更高效的核心组成的大规模并行计算架构，这些更小的核心专为同时处理多重任务而设计。CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对