自动驾驶为何落地难，先要过了大数据这关？

越来越多的芯片将进入到ADAS和无人驾驶领域。一方面是大量的传感器，将产生大量关于车道信息、附近车辆以及障碍物等情况的信息数据。另一方面便是能处理大量数据的芯片。

随着PC和手机市场进入到增长缓慢的阶段，汽车已成为芯片制造商重点发力的市场，希望可以利用现有的技术优势成功移植或者复制到汽车电子领域。包括ASIC，CPU，FPGA，GPU，MCU，DSP以及各种存储器芯片，还包括可以将汽车连接入5G网络的移动处理器。

当然，这是一场需要赌注的游戏，甚至赌注会比较大。世界上最大的汽车芯片供应商NXP在2015年刚刚以118亿美元收购飞思卡尔之后，就被高通巨额收购。三星80亿美元收购了一级汽车供应商Harman。而诸如瑞萨（刚刚以1.7亿美元收购Intersil）、英飞凌、意法半导体和德州仪器等公司都在汽车电子领域费尽心思，众多经费投入以为就爱年来谋取一个位子。

总部位于旧金山的Grand View Research预测，到2022年，全球汽车半导体市场将超过350亿美元规模，未来5年的年复合增长率为10％。但数字有时也是带有迷惑性的。曾经在汽车设计方面投入的公司，已经取得了是可观的收益。移动市场的规模仍较大，因为移动设备中的芯片每年都会进行更换。然而，在汽车领域却不是这样，芯片的使用周期是移动设备的几倍，甚至更长。

我们正在经历着传统汽车电子向更智能化演变的过程，或许已经到了临界点。试图实现全自动驾驶，曾经的ASIC与MCU已不足够，如今需要更多的元素，背后可能是高性能CPU、FPGA和专用处理器的综合，而并非单一类型的芯片，或者某一系列的芯片。

简单举一个例子，在2015年时，一部中型轿车便已搭载约有30个电子控制单元，乘以2015年全球销售30,660万辆的数字，2015年对ECU的需求量就是20亿。每个MCU中的嵌入式eNVM技术又会有闪存、OTP等。eNVM对于存储ECU应用代码、操作系统映像、BIOS、安全密钥（用于软件更新）、安全所有权（所有者ID）、校准参数和配置设置是必不可少的。由此看来，汽车OTP的出货量是相当可观的。不难下结论说，ASIC和MCU需求量也是巨大的。

自动驾驶会产生大量的数据，据预测，到2020年每天将产生大约4 TB的数据量。因此数据中心、服务器、云，以及汽车上的FPGA、内存以及连接设备都将是未来布局的重点，因为它们将发挥巨大的作用。

涌入汽车电子市场的众多玩家都是从自己的优势出发的，比如英特尔是CPU、对于Nvidia，是GPU。

汽车电子的未来，很大一份是解决这个“车轮上”的大数据。目前车辆可以包含150个或更多个电子控制单元（ECU）。在接下来的十年中，行业专家表示，通过传感器等融合及集成的方式，ECU有望缩减到50。

传感器产生的大量数据，都需要快速处理出现事故。对于ADAS与自动驾驶都是如此。比如ADAS中的车道偏离和障碍物警告。在自动驾驶中这将变得更为复杂，因为该数据确定汽车是否需要停止、减速、改变车道或避开物体。尽管说出来感觉很简单，但实际上的工作量却是大且复杂的。不仅要收集大量的数据，还需实时将数据传输到ECU中。那么带宽成了一个很关键的问题。

对于汽车上的大数据而言，数据来源于LiDAR、雷达、嵌入式图像传感器视觉系统以及振动传感器、加速度计、陀螺仪，来源不同格式不同，这个问题很令人头疼。因此，快速处理该数据的芯片，需要比标准服务器具有更复杂的架构。

因此对于汽车电子而言，这是一个片上与片外数据“交流”的过程。例如，传感器处理数据的速度将比片外数据流要快。因此若可以进行数据本地预处理，将加速数据流的速度。尽管如今看，汽车上的大部分工作都集中于汽车的“大脑”，但未来的计算模型将趋于更分散。

因此如何连接到“大脑”的标准，以及单独的数据标准是现在迫切的需求。边缘计算便是一个策略。

即使数据移动的协议正在改变，但有很多问题需要考虑。比如协议的向后兼容性。自动驾驶的落地为何如此缓慢，甚至不知道何时才能真能到来，这与安全都是息息相关的。

自主驾驶辅助背后藏着什么呢？那就是汽车需要连接到云端。即是将各部分的数据进行提取，并传送到云端。这无疑增加了汽车中的数据流，这也在设计引入了另一个需要在设计中解决的数据问题。

尽管我们看来车辆自身的安全性是车量本身决定的，但是侵入车辆的途径却可能来自车外。

因此未来汽车是怎样的？未来汽车将真正成为车轮上的数据中心。