高斯

    自动驾驶市场空间广阔，集环境感知、决策推断、执行于一体，ADAS（高级驾驶辅助系统）芯片是其核心。以GPU（图形处理器）和CPU为两大阵营的芯片发展已较成熟。现阶段，以深度学习为基础的AI芯片正蓬勃发展，车企对自动驾驶芯片的选择也出现了新方向。
    目前，自动驾驶最为火热的芯片架构为GPU。其技术成熟，具有优秀的大规模并行运算能力，但功耗巨大是其最明显的劣势，即便是GPU龙头英伟达，其最新产品Pegasus在性能提高十多倍的情况下，功耗却达到了500W，比上一代芯片Xavier增长了16倍。
    运用于自动驾驶的芯片架构主要有4种：CPU、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路），集邦咨询汽车科技研究中心认为它们各具特点，例如，CPU的数据处理能力弱；GPU的功耗大，散热高；FPGA比GPU的功耗低，但相对于ASIC，一次性成本较高；ASIC的体积小、功耗低、计算性能及效率高，但开发周期长，初期成本高。
    作为芯片厂商的两大全球巨头，以GPU为主导的英伟达和以GPU+FPGA集成于CPU的英特尔并不是车企唯一的选择。2017年底，蔚来汽车在发布的第一款自动驾驶量产车型ES8上，选择了Mobileye EyeQ4芯片，其最高运算速率为2.5万亿次/秒，功耗为3W，该芯片属于ASIC芯片。奥迪A8、沃尔沃XC90、特斯拉Model S等自动驾驶车型上搭载了Mobileye EyeQ3芯片，最高运算速率为0.256万亿次/秒，功耗为2.5W，可满足自动驾驶L2~L3级所需的计算能力。值得注意的是，特斯拉在Model X以及Model3上选择了英伟达的定制计算平台Drive PX2，虽然最高运算速率达到8万亿次/秒，但功耗却高达250W，特斯拉表示会自己研发AI专用运算芯片，以降低功耗和提升效率。
    因此，尽管现阶段采用GPU架构、GPU+FPGA异构化、ASIC架构的车企并行存在，但综合来看，车企更倾向于选择ASIC专用型芯片，以自身更好的软件算法同时满足高性能和低功耗的要求。
    专属AI芯片的研发只有少数科技巨头如谷歌、英特尔参与其中。近日，国内初创企业地平线机器人发布了针对智能驾驶的AI专用芯片“征程1.0”，其最高运算速率为1万亿次/秒，功耗仅为1.5W。它与Mobileye EyeQ3所采用的都是40纳米的制程，参数对比显示，“征程1.0”在功耗较小的情况下实现了更高的性能，研发时间也相对较短，这得益于地平线的专属BPU（分支处理单元）架构，同时，地平线是面向中国智能驾驶场景所研发的专用芯片，相比Mobileye，其芯片方案要更适合于中国场景，这是国内企业在AI芯片领域的突破，也是具有创新性的中国方案。此外，国内寒武纪、西井科技等也在AI专用芯片领域有所布局。
    通用芯片GPU、CPU、FPGA在某些特定场景下会造成功能浪费，面积和功耗的冗余。ASIC专用芯片可以根据特定的算法实现计算能力和计算效率的定制化，随着各类应用场景在自动驾驶不同领域的渗透，即时性应用场景在深度学习上所需要的推理能力越来越强，在云端进行软件升级并进行计算已无法满足特定场景的即时性要求，因此，各类应用场景将推动AI专用芯片的研发。
    综上所述，集邦咨询汽车科技研究中心认为,各芯片架构并存的现象还将会延续一段时间，在自动驾驶车进入量产阶段后，GPU、CPU将会更广泛应用于一些较为通用的场景，大规模AI芯片的需求量将使ASIC前期的成本显著降低，车企选择ASIC或将成为趋势。因此，国内AI初创企业应紧跟自动驾驶对于AI芯片的需求，针对中国智能驾驶应用场景，采用软硬件一体的结合方案，使算法在硬件上得到最优化，从而在与整车厂的合作中，能够针对特定需求定制芯片，扩大自身优势，在AI芯片领域占据一席之地。
    （本文作者为VehicleTrend车势分析师）