车载SOC计算芯片典型架构

如下图是车载人工智能芯片的典型架构。按照承担的不同计算类型和任务进行分类，主要计算模块分为两类:CPU和 NPU。通常来说，CPU 做通用的逻辑计算，NPU 适合面向环境感知的 A1 计算。

主要计算模块包括：

(1)CPU

除进行与 AI 处理相关的计算，车载系统仍有一定的计算需求以保证实现各类系统应用，这一部分的算力由CPU子系统提供.CPU子系统所支持的计算需求包括:传感器融合、前后处理、属性重建、里程计定位匹配、车辆控制、传统算法元余计算、调度及计算任务，感知信息输出等。

为满足上述智能驾驶场景的计算需求，CPU子系统通常采用基于 ARM Cortex-A 的集群式设计 Cortex-A系列属于低功耗内核，采取 ARMv8/ARMv9 指令集，在提升性能的同时又能实现低功耗特性满足高能效计算场景需求，相对 ARM上一代处理器，采用了增强计算性能:增强的 NEON 技术，可加速多媒体和信号处理算法，如视频编码/解码，2D/3D 图形，音频和语音处理，图像处理。双精度浮点 SIMD，显著提升了对更加广泛算法的支持效率。在提升性能的同时，仍能保持低能耗的特性，CPU集群中不同核可划分不同电压域，分组进行电源门控，在满足不同算力场景需求的同时达到低功耗特性。集群设计具备良好的灵活性、可扩展性、安全性、高能效性，能够充分适应 ADAS/座舱/智能人机交互等复杂场景的计算需求。

(2)NPU

智能网联汽车领域包含高级辅助驾驶、自动驾驶、人机交互、信息娱乐等场景需求，计算的算力需求高，并行度高，需要性能强劲、能效比更高的车载计算芯片作为算力基础设施，完成视觉、语音以及 NLP等计算处理与自学习、自主进化。将深度学习应用于上述典型场景设计专用的车载计算芯片，结合工程技术实现落地，引领产业快速发展。

将先进算法和先进处理器架构设计结合在一起，最终实现功耗、性能(包含速度和精度)、能效比等方面的最优解。NPU 是面向人工智能计算场景的专用处理器，利用深度学习技术的快速演进，通过算法从数据中学习，结合在芯片体系架构上进行创新，结合自动驾驶垂直场景的计算特点，专用于执行人工智能并行计算，属于典型的异构多指令多数据的系统，针对存储器架构设计进行了特别优化，能使数据自由传递，进行多种计算，让不同部件同时运转起来，提高 Al 运算的效率。NPU 在不牺牲精度前提下，提供充足算力保障，其有高性能、低功耗、低成本等特点。

此外，这类芯片需体现一定的场景通用性，处理器内部针对 MAC 单元等计算模块设计了组合、选通等逻辑结构，使其自身灵活可配，可与应用开发工具链实现紧密耦合;支持 MXNet、Caffe、Tensorflow. PyTorch 等多种训练框架所得模型的计算，支持传统卷积计算、循环卷积计算、全连接计算等多种深度学习算法的计算，支持不同参数规模的模型计算，同时可通过编译器配置为不同精度的浮点、定点计算，支持异构计算，可与 CPU 协同一起完成异构模型的计算，提升整体性能。NPU自身的设计特点及其与工具链的紧密理合决定了其灵活性高、通用性强的特征，可适应不同场景的计算需求。

随着自动驾驶等创新应用基于海量数据分析发展而来，自动驾驶所需要的环境感知、物体识别等应用要求极快的计算响应，通常利用深度神经网络算法。在保证性能快效率高的同时，功耗不能过高，不能对自动驾驶汽车的续航里程造成较大影响，对计算芯片的效率提出更高要求，计算芯片体系架构不断发展，由通用计算向专用计算延伸。当前主流的自动驾驶计算芯片在处理深度学习 AI 算法方面主要有可分为GPU.ASIC、FPGA、DSP等几类,选择最佳解决方案通常与多种因素有关,例如应用场景、芯片规格(包括硬件接口、功耗等)，设计约束、软件工具链以及上市时间节奏等。

智能汽车时代，Al 计算芯片就是数字发动机，提供智能汽车最重要的硬件基石则是算力。当前算力不足已经成为智能汽车发展的核心瓶颈，算力的持续提升是汽车智能化进步的标志，每增加一级自动驾驶等级，算力需求十倍上升，自动驾驶每往上走一级，所需要芯片算力就要翻一个数量级。

未来多核 CPU、GPU、DSP 以及 NPU等在市场、需求驱动下通过集成、组合，向 SOC 方向发展。对软硬件进行模块化设计，采用差异化芯片方案，通过异构通用平台，总线以及各种外设控制器等，打通行业上下游，采用安全稳定、可扩展、可定制的系统，解耦软硬件不同生命周期和开发流程，通过标准化实现规模化的自动驾驶。

E/E 构架变革四大趋势:计算集中化、软硬件解耦、平台标准化以及功能定制化，将高性能的硬件预埋作为投资，通过软件更新服务为盈利点，这同时也对车载 AI 计算芯片的提出需求。