自动驾驶芯片研究：除了堆算力，核心IP、软件栈、AI训练平台等愈发重要

L2.5、L2.9已经实现大规模量产上路，L3和限定场景的L4量产已成为主机厂下一阶段的重要目标。2022年3月，美国国家公路交通安全管理局（NHTSA）宣布了一项历史性决定——自动驾驶车厂不再需要为全自动驾驶汽车配备手动驾驶控制系统，未来美国有望出台更多自动驾驶领域的重要政策，引导L3/L4级自动驾驶上路。

在这一背景下，ADAS/AD自动驾驶芯片也迎来一波升级换代，众多芯片厂商都已推出或计划推出高算力芯片。2022年1月，Mobileye在CES上推出了EyeQ® Ultra™系统集成芯片, 采用5纳米制程，单芯片算力176 TOPS，虽不如英伟达、高通等竞争对手的算力规划，但其高性价比、高能效比依然可能得到主机厂商的青睐。

Mobileye自动驾驶SoC产品线

资料来源：《2022年ADAS/AD自动驾驶芯片行业研究报告》

除了堆算力，自研核心IP是各大SoC厂商的竞争重点

SoC芯片多为异构设计，包含GPU、CPU、加速核、NPU、DPU、ISP等不同的计算单元，一般来说芯片不能简单评估算力，还需兼顾芯片带宽、外设、内存，以及能效比、成本等。同时，SoC芯片的开发工具链至关重要，形成开发者生态圈，才能构建长期可持续的竞争能力。

在芯片设计中，异构IP的配置非常重要，自动驾驶SoC芯片商均不断加强核心IP研发以保持关键竞争力。以英伟达为例，英伟达掌门人将英伟达现有的以GPU为主的产品路线升级为“GPU+CPU+DPU”的“三芯”战略：

GPU方面：英伟达在GPU以及由GPU衍生出来的在图像处理方面具有巨大优势；

DPU方面：英伟达70亿美元收购了以色列芯片公司Mellanox，并推出了Bluefield DPU芯片，已演进至第三代。DPU是一个可编程的电子部件，具有中央处理单元(CPU)的通用性及可编程性，专用于处理网络数据包、存储请求或分析请求上高效运行；

CPU方面，英伟达发起了对IP厂商ARM的收购，也是英伟达“三芯”战略的延伸，但最终未能如愿。不过英伟达依然推出了基于ARM架构的Grace芯片，面向数据中心大规模AI和高性能计算，英伟达下一代Atlan SoC同样也应用了ARM架构。

英伟达Bluefield DPU芯片演进路线

资料来源：网络

国内厂商方面，黑芝麻智能推出了自主开发的两大核心IP——NeurallQ ISP图像信号处理器和深度神经网络算法平台DynamAI NN引擎。

黑芝麻A1000自动驾驶SoC

资料来源：网络

跨域融合和中央计算平台芯片将引领整车EEA架构演进

整车电子电气架构演进趋势“分布式架构-域集中-跨域融合-中央计算平台”，特斯拉最新版的Model X已实现一定程度的中央跨域融合计算功能，Model X的车载中央计算平台包括两颗FSD芯片、一颗AMD Ryzen CPU芯片和一颗AMD RDNA2 GPU，FSD芯片和AMD CPU/GPU芯片通过PCIe接口进行通信，并相互隔离。

进一步来看，通过Chiplet技术将CPU、GPU、FSD等多颗芯片集成在一颗SoC芯片内，将使得芯片通信延迟进一步缩短，有消息称特斯拉正与三星电子合作开发5nm芯片，实现自动驾驶和座舱SoC芯片集成。

而从英伟达、高通等业内巨头的动向来看，均已开始布局实现自动驾驶和座舱的跨域融合，如英伟达推出了DRIVE Concierge和DRIVE Chauffeur软件解决方案，分别面向智能座舱和自动驾驶， DRIVE IX软件栈可实现舱内算法融合，基于强大的软件栈工具，英伟达将可能实现单芯片同时控制自动驾驶和智能座舱。

国内SoC厂商方面，2022年2月，地平线宣布将与联合电子合作实现跨域融合车载计算平台前装量产。

自动驾驶SoC厂商的跨域融合/中央计算布局

资料来源：《2022年ADAS/AD自动驾驶芯片行业研究报告》

SoC厂商加速布局自动驾驶AI数据训练

自动驾驶数据集对于训练深度学习模型和提升算法可靠性至关重要。SoC厂商纷纷推出了自研的AI训练芯片和超算平台，特斯拉推出了AI训练芯片D1 和“Dojo”超算平台，将用于特斯拉自动驾驶神经网络的训练。

不仅如此，训练算法模型产品也愈发重要，包括2D标注、3D点云标注、2D/3D融合标注、语义分割、目标跟踪等，如英伟达Drive Sim自动驾驶模拟平台、地平线“艾迪”数据闭环训练平台等。

国外芯片厂商：

特斯拉推出了Dojo 超算训练平台：采用特斯拉自研7nm AI训练芯片D1，依托庞大客户群来收集自动驾驶数据，从而实现对深度学习系统的模型训练。当前特斯拉Autopilot 主要使用2D图像+标注的方式进行训练和算法迭代，通过Dojo 超算平台，可以使得Autopilot可以以3D图像+时间戳（4D Autopilot系统）的方式进行训练，4D Autopilot系统将具备可预测性，标记道路物体的3D移动轨迹，以加强自动驾驶功能的可靠性；

英伟达推出了自动驾驶模拟平台：Drive Sim Omniverse Replicator，这是一种生成具有正确标注的合成数据的引擎,用于训练 AI 网络，同时英伟达还具备现阶段最强大的训练用处理器英伟达A100；

Mobileye的REM的地图数据已覆盖全球，在中国，Mobileye已经与中国的紫光集团成立一家合资公司来解决在中国的地图数据采集的合规问题。同时，英特尔收购了Moovit，以增强REM的实力和数据差异化，并将传统的高清地图数据从路端延伸到用户端，从辅助自动驾驶的感知冗余到提升路径规划的效率。英特尔推出了自研的顶级AI芯片Ponte Vecchio，Ponte Vecchio的技术也将扩展到Mobileye的EyeQ6上(预计2023年上市)，在AI和服务器领域，英特尔将凭借CO-EMIB技术挑战英伟达的地位。

国内芯片厂商：

地平线为解决自动驾驶的长尾问题，搭建了完善的数据闭环平台，以此来迭代算法，提升系统能力。地平线推出了“艾迪”数据闭环训练平台；

华为推出了“华为八爪鱼”自动驾驶开放平台，围绕自动驾驶开发最关键的四大要素——硬件、数据、算法和高精地图，构建一套以数据为核心，驱动自动驾驶闭环迭代的开放平台。同时华为昇腾910 也是全球顶级的AI训练芯片，直接对标英伟达A100，并推出了AI训练集群Atlas 900。

部分自动驾驶SoC芯片商数据训练产品

资料来源：《2022年ADAS/AD自动驾驶芯片行业研究报告》

全球领先的自动驾驶AI训练芯片包括：英特尔Ponte Vecchio、英伟达A100、特斯拉D1、华为昇腾910、Google TPU（v1、v2、v3）、Cerebras Wafer-Scale Engine、Graphcore IPU等。

部分自动驾驶AI训练芯片产品对比

资料来源：《2022年ADAS/AD自动驾驶芯片行业研究报告》