智能汽车国产芯片能否打破技术壁垒

过去十年，手机领域的蓬勃发展是半导体产业快速增长的主要推动力；未来十年，高级别自动驾驶、智能座舱、车载以太网络以及车载信息系统等都会催生新的半导体需求，其中汽车 SOC、功率半导体、汽车传感器、存储、多功能MCU、车载以太网、支持 OTA 升级的先进通信系统等为细分领域高景气赛道。
ADAS/AD、座舱智能化驱动汽车 SOC 市场量价提升。
（1）自动驾驶 SOC：“硬件预埋+OTA 升级”是驱动自动驾驶 SOC 增长的核心因素，测算中国自动驾驶芯片市场规模将在 2025 年达到 138 亿元，到 2030 年达到 289 亿元，CAGR 为 25.1%。

（2）座舱 SOC：车内智能化感知、交互、场景应用升级，是驱动座舱芯片由“单芯单屏”向“一芯多屏”的核心因素。测算 2025 年国内座舱 SOC 市场规模将达到 112 亿元，CAGR 为24.5%。

01

汽车电动化、智能化引领SoC产业新趋势
手机领域的蓬勃发展是过去十年半导体产业快速增长的主要推动力，汽车电子化和智能化有望成为半导体行业新增长级，产业变革下一定会催生新的科技厂商和行业主导者。未来汽车会和手机、电脑一样，成为整个半导体行业的主要增长推动力，主要系更高级的自动驾驶、智能座舱、车载以太网络以及车载信息系统等都会催生新的半导体需求。地平线预测 2030 年全球汽车领域芯片市场规模约为1000 亿美金，相比 2017 年全球汽车芯片 375 亿美金市场同比增长 190%。
新能源汽车搭载芯片数量约为传统燃油车的 1.5 倍，预计 2028 年单车半导体含量相比 2021 年翻一番。自动驾驶级别越高对传感器芯片数量要求越多，L3 级别自动驾驶平均搭载 8 个传感器芯片，而 L5 级别自动驾驶所需传感器芯片数量提升至 20 个。同样车辆所需处理与储存的信息量也与自动驾驶技术成熟度正相关，进一步提升了控制类芯片和储存类芯片的搭载量。据统计至 2022 年，新能源汽车车均芯片搭载量约 1459 个，而传统燃油车搭载芯片数量为 934 个。Strategy Analytics 预计每辆车的平均硅含量将从 2021 年 530 美元/车翻一番，到 2028 年超过 1000美元，而高端制造汽车的硅含量可能超过 3000 美元。

▲2012-2022 年中国每辆汽车搭载芯片数量（单位：个）

▲汽车半导体市场规模及单车半导体价值趋势（右轴单位：美元）
汽车芯片主要有如下几个应用领域：
主控芯片用来生成汽车主要控制信号的计算和生成功能。主控芯片通过接受各类传感器搜集到的信号，进行计算相对的处理措施，并将驱动信号发送给对应的控制模块。因此主控芯片相当于汽车的“大脑”。
功率芯片是新能源汽车价值量提升最多的部分，需求端主要为 IGBT、MOSFET 及多个 IGBT 集成的 IPM 模块等产品，核心用于大电流和大电压的环境。
CMOS 芯片是将光子转换为电子进行数字处理，把图像信号转换为数字信号的芯片，包括微透镜、光电二极管、处理芯片以及 IO 接口，是摄像头的关键部件。随着自动驾驶等级提升，预计 L3 以上的辅助驾驶需要约 18 颗摄像头，主要用在倒车后视，环视，前视，转弯盲区等领域。
射频接收器是无线通讯的重要器件，射频芯片是指能够将射频信号与数字信号进行转换的芯片，它包括功率放大器 PA、滤波器、低噪声放大器 LNA、天线开关、双工器、调谐器等。未来，射频芯片将像汽车的耳朵一样将助力 C-V2X 技术发展，将“人-车-路-云”等交通参与要素有机联系在一起，弥补了单车智能的不足，推动协同式应用服务发展。
超声波/毫米波/激光雷达是感知车身传感器，智能汽车通过传感器获得大量数据，L5 级别的汽车会携带传感器将达到 20 个以上。车载雷达主要包括超声波雷达、毫米波雷达和激光雷达三种。其中，中国超声波雷达已发展的相对成熟，技术壁垒不高；毫米波雷达技术壁垒较高，且是智能汽车的重要传感器，目前处于快速发展的阶段；激光雷达技术壁垒高，是高级别自动驾驶的重要传感器，但目前成本昂贵、过车规难、落地难。
存储芯片是智能汽车的“记忆“，自动驾驶技术升级带来车规存储的带宽持续高增长是长期趋势，未来汽车存储将由 GB 级走向 TB 级别。
汽车面板呈多屏化趋势。汽车智能化、电动化提速将带动车均面板数量，车载面板也开始走向标准化。从需求上看，显示屏在汽车上的应用越来越广，需求数量强劲成长。车载显示主要包括中控显示屏、仪表显示屏、挡风玻璃复合抬头显示屏、虚拟电子后视镜显示屏、后座娱乐显示屏等。随着车联网、新能源车、无人驾驶等因素的推动，人们对具备导航、车辆状况、多媒体影音等功能的车载面板的需求将持续扩大。

▲芯片在汽车上的主要应用
传统功能汽车采用分布式电子电气架构，离散化的 ECU 软硬件紧耦合且各 ECU 之间独立性较强，硬件资源无法共享且形成数据孤岛，对用户新需求反馈的整体周期长达 20 个月以上，难以形成持续快速迭代的软件开发模式。因此，软件定义汽车开发模式驱动整车电子电气架构由分布式向中央集中式演进，其核心是车载计算的集中化发展，高集成化的域控制器、车载中央计算平台是关键。

02

汽车SoC智能车功能核心元件
目前MCU是汽车芯片中占比第一的细分品类。IC Insights 发布的数据显示，2021年全球汽车芯片从细分产品占比来看，前三分别微处理器、模拟芯片和传感器，所占比重分别为 30%、29%和17%。MCU 芯片全称为微控制单元，又称为单片微型计算机或者单片机。
它是一个是把中央处理器的频率与规格做适当缩减，并将内存、计数器、USB、A/D 转换、UART、PLC、DMA 等周边接口，甚至 LCD 驱动电路都整合在单一芯片上形成芯片级的计算机。通常MCU只能完成较少的任务，例如开启智能雨刷，或是下车后自动落锁等等。因此在豪车中可能拥有数百个MCU 来实现各种智能化功能。
▲2021 年汽车芯片构成
人工智能时代诞生系统级芯片（SOC）。在人工智能时代计算架构从单一芯片模式向融合异构多芯片模式发展，将 CPU 与 GPU、FPGA、ASIC 等通用/专用芯片异构融合、集合 AI 加速器的系统级芯片（SOC）应运而生。
广义而言汽车领域算力稍强（2K DMIPS 以上）的 MCU 都可算是 SOC，Arteris 预测未来单车 SOC 数量为 23 个，而大算力 SOC 在车载端主要面向两个领域，分别是智能座舱和智能驾驶。
汽车领域正在复刻手机领域从“功能手机→智能手机”的演变过程，SOC 在智能汽车时代扮演重要角色，其中实现人工智能算力的“xPU”至关重要：
PC 领域：主要注重通用计算，因此芯片架构为“逻辑计算 CPU+GPU”；
手机时代：最重要的应用是支付、玩游戏和拍照。因此芯片架构增加了 ISP，手机 SOC 芯片构成为“CPU+GPU+ISP（图像处理）”。
智能汽车时代：芯片架构更加复杂化，座舱大屏很注重图形处理因此需要GPU、摄像头作为实现自动驾驶的主传感器因此需要 ISP、另外还需要类似大脑功能实现自动驾驶的神经网络 NPU。因此汽车 SOC 芯片构成为“CPU+GPU+ISP+NPU”。
CPU 负责逻辑运算和任务调度；GPU 作为通用加速器，可承担 CNN 等神经网络计算与机器学习任务，将在较长时间内承担主要计算工作；FPGA 作为硬件加速器，具备可编程的优点，在 RNN/LSTM/强化学习等顺序类机器学习中表现优异，在部分成熟算法领域发挥着突出作用；而 ASIC 可以兼顾性能和功耗，作为全定制的方案将在自动驾驶算法成熟后成为最终选择。
▲CPU、GPU、FPGA 和 ASIC（NPU、TPU）比较
从芯片工艺制程来看，不同汽车芯片对工艺要求存在较大差异。MCU 主要是依靠成熟制程，全球 70% MCU 生产来自台积电；而座舱、自动驾驶 SOC 及 AI 芯片等主控芯片持续追求 7nm 及以下先进制程。
▲重点芯片产品晶圆尺寸和制程对比
汽车 MCU 紧随汽车电子电气架构发展，SOC 芯片会集成部分低端 MCU 功能，因此未来 MCU 单车使用量将会下降，分布式向域控制发展使用量将从当前从 30-40 颗，逐步提升至 70-80 颗，但未来随着集中式架构落地，算力向整车计算平台集中，汽车 MCU 的使用量又将逐步降低至 50-60 颗左右。
SOC芯片并不能替代所有MCU，一方面不是所有 MCU 都有必要接入 SOC 芯片，比如“让转向灯闪耀的控制方式”如果不用 MCU 方案，全部接入 SOC 芯片会形成一个星形网络，不仅导线数量会增加，管理难度也会剧增。另外一方面也需要一部分 MCU 作为 SOC 芯片安全冗余的备选方案。
拆分自动驾驶 SOC 结构，包括 CPU、GPU 和其他类型的定制芯片(如 NPU、深度学习加速器(DLAs)和计算机视觉处理器(CVP))。除此之外，一个典型的自动驾驶SOC 结构还包括以下部分：
至少一个微处理器(MPU)或数字信号处理器(DSP)，但也可以有多个处理器内核;存储器可以是 RAM、ROM、EEPROM 和闪存中的一种或多种;
用于提供时间脉冲信号的振荡器和锁相环电路;
由计数器和计时器、电源电路组成的外设;
不同标准的连线接口，如 USB、火线、以太网、通用异步收发和序列周边接口等;电压调理电路及稳压器。
拆分座舱 SOC 架构，我们发现在多块高分辨率屏幕和流畅的系统背后，不仅仅比拼的是车机芯片的算力、视频处理能力，更加看重 AI 能力等性能指标。比如高通8155 芯片是高通第三代骁龙汽车数字座舱旗舰级平台，是一款异构架构的芯片，包含 CPU、GPU、DSP、ISP 以及 AI 引擎等：
在 CPU 部分，8155 芯片采用 1+3+4 的 8 核心设计，核心为高通 Kryo485。其中大核主频为 2.96GHz，三个高性能核心主频为 2.42GHz，四个低功耗小核主频为 1.8GHz。
而 GPU 部分，8155 芯片与骁龙 855 都采用 Adreno640。同时，8155 芯片所采用的 Hexagon690DSP、Spectra380ISP，相比高通骁龙 855 和 855+，名称上也是一模一样。
此外与自动驾驶芯片不同的是，8155 芯片并没有独立的 NPU 内核，AI 计算主要通过 DSP、CPU 和 GPU 组成的 AI 引擎完成。其中，Hexagon690 拥有7TOPS 的 AI 算力，加上 CPU、GPU 的 AI 算力之和为 8TOPS。

03

自动驾驶传感器配置内卷 硬件预埋成为车企主流策略
2015 年以前辅助驾驶功能主要为 L1/L0 级，L1 级可实现加减速或转向控制，驾驶员持续进行车辆横向和纵向的操作，代表功能为 LKA、AEB 等；
2016 年进入 L2 级时代，可同时实现车速和转向自动化。驾驶必须始终保持掌控驾驶，在特定场景下系统进行横向和纵向操作，代表功能为 ACC、LKA、APA 等，部分 ECU 开始集成式发展，但仍未有域的划分，目前 L2 及以下整体单车配套价值在 1.5 万元左右。
到 2020 年将正式进入 L3 级导入期，为有条件自动驾驶，可解放双手。驾驶员不必一直监控系统，但必须时刻保持警惕并在必要时进行干预，整车大约分为 5~6 个域，控制器算力指数级提升，以太网开始出现，L3 及以下整体单车配套价值约为 2.5 万元。但是由于目前 L3 级别自动驾驶技术仍不完善、法规问题、责任认定、加之成本过高，短期内能够实现大规模量产的仍然以 L2级别的 ADAS 为主。
未来，L2+辅助驾驶系统将快速普及并长期存在，另外在一些低速、封闭场景下比如矿山，港口中 L4 自动驾驶开始落地，而基于法律法规以及技术成熟度等问题，高速、开放场景下的 robotaxi/robotruck 落地需要较长时间，黑芝麻智能单记章指出，从 L2 真正突破到 L3 级是一个漫长的过程，未来很长一段时间内智能网联汽车仍将处于人机共驾的状态，这其中涉及到软件、硬件、数据等技术的紧密配合和升级。尤其是大算力车规级芯片，将是高阶自动驾驶突破的核心关键。
目前市面上主流的自动驾驶芯片SOC 架构方案分为三种：CPU+GPU+ASIC，CPU+ASIC 及 CPU+FPGA。从发展趋势来看，定制批量生产的低功耗、低成本的专用自动驾驶 AI 芯片（ASIC）将逐渐取代高功耗的 GPU。
英伟达 Xaiver 芯片主要有四个模块，其中 GPU 占的面积最大，其次是 CPU，辅以两个 ASIC。特斯拉 FSD 芯片架构主要有三个模块，即 GPU、CPU 和NPU，其中 NPU 是架构重点。
MobileyeEQ5 的 CVP 是针对 Mobileye 自有的视觉算法设计的 ASIC，以此有效降低功耗。地平线自主研发了基于灵活 BPU 架构的 ASIC 芯片。
谷歌 Waymo 采用“CPU+FPGA”方案，其计算平台采用英特尔 Xeon 的 12 核以上的 CPU，搭配 Alter 的 Arria 系列的 FPGA。其 I/O Board 采用英飞凌的Aurix 系列的 MCU 作为 CAN/Flex Ray 网络通信接口。在自动驾驶算法固化后，FPGA 可能被 ASIC 替代。
ISP（Image Signal Processing）指图像信号处理器，主要作用是对前端图像传感器输出的信号做后期处理。简单来说 ISP 是摄像头的 Photo Shop，目的是提升图像质量。在传统的自动驾驶方案中，ISP 和摄像头是一对一的对应关系，也就是说只要有一颗摄像头，就要有一颗ISP。
在车载端，SOC 内部集成 ISP 意味着无需再为每个摄像头传感器提供 ISP，从而大幅降低感知硬件的成本。而在摄像头端，取消 ISP 既可以解决高像素摄像头会带来严重的散热问题，也可以帮助车载摄像头如何进一步缩小电路板尺寸和降低功耗。
英伟达的 Xavier 和黑芝麻智能 A1000 芯片中均集成了 ISP。根据英伟达官网，英伟达 Xavier 内置的 ISP 每秒可处理是 15 亿像素，黑芝麻智能也将 ISP 集成在了 A1000 芯片中，每秒可以处理 12 亿像素。
车载计算平台的算力上限决定车辆生命周期内可承载的软件服务升级上限，整车厂将通过向 C 端收取软件授权和 OTA 更新服务费以完成商业模式闭环。当前面向量产乘用车的智能驾驶系统整体处于 L3 及以下级别，但智能驾驶技术仍在持续迭代升级中，为保证车辆在全生命周期内的持续软件升级能力，主机厂在智能驾驶上采取“硬件预置，软件升级”的策略，通过预置大算力芯片，为后续软件与算法升级优化提供足够发展空间。
高级别自动驾驶对摄像头像素要求提高，预计未来 800 万像素相机会取代 1-200 万像素相机的主流解决方案。假设一辆智能汽车配备 12 个 800 万像素的摄像头，每秒 60 帧(FPS)，隐含的数据输入速率可能达到 5.76 亿像素/秒。
叠加激光雷达的点云算法，预计智能汽车的计算能力将从目前支持 L2+/3 级自动驾驶的神经网络处理器(NPU)的 100 多个 TOPS(每秒万亿次操作，计算能力的衡量标准)和支持 2+/3 级自动驾驶的 CPU 的 80K DMIPS(每秒 Dhrystone 百万指令，也是计算机性能的衡量标准)，分别提高到 2030 年的 1000 多个 TOPS 和 500KDMIPS。
伴随着 ADAS 辅助驾驶功能在新车市场上渗透率的不断提升，新势力与领先自主品牌车企在智能驾驶领域的厮杀日益激烈，智能驾驶传感器配置走向“内卷”，以蔚来、小鹏、极狐为代表的车型更是率先宣布激光雷达量产上车，叠加高级别自动驾驶对摄像头像素要求提高，对应自动驾驶芯片算力也持续提升。
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 厂商不但推出了自研的 AI 训练芯片，还有云端超算平台。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。
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。从官方公开信息来看，特斯拉 Dojo AI 系统采用分布式架构，每个 Dojo 节点都有自己的 CPU、内存和通信接口。而每个节点都有 1.25MB 的 SRAM（静态随机存取存储器），然后每个节点都连接到一个 2D 网格。
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（4DAutopilot 系统）的方式进行训练，4DAutopilot 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 是一种基于 Omniverse 构建的仿真工具，它可以利用平台的许多功能。DRIVE Sim 生成的数据用于训练构成自动驾驶汽车感知系统的深度神经网络。DRIVE Sim 的传感器功能包括路径追踪摄像头、雷达和激光雷达模型，可捕获现实世界的效果，如动态模糊、LED 闪烁、滚动快门和多普勒效应。
地平线艾迪平台：艾迪 AI 开发工具平台是一个高效的软件 2.0 训练、测试、管理的工具平台，包括半/全自动的标注工具，自动化模型训练，长尾场景管理、软件自动集成、自动化回归测试，最后这整套模型通过 OTA 升级部署到芯片上。
华为八爪鱼自动驾驶开放平台：“八爪鱼”是一个按需获取的全栈云平台，服务覆盖自动驾驶数据、模型、训练、仿真、标注等全生命周期业务，向车企及开发者，提供了包括数据服务、训练服务、仿真服务在内的 3 大服务。
（1）数据服务：处理车载硬件平台上输出的传感器数据，回放雷达、摄像头等不同格式的数据；支持 PB 级海量存储、交互式大数据查询和海量数据治理。
（2）训练服务：管理和训练自动驾驶模型，不断在新的数据集和测试集上提升模型的准确度，持续提升自动驾驶安全系数。平台提供软硬件加速，能大幅缩短训练时间，提升训练效率。
（3）仿真服务：提供仿真、场景库管理、场景片段、评测系统等应用工具，确保自动驾驶模型合规、安全、可度量、质量达标，快速集成到版本中。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 等。
OTA 技术最早应用在 PC 机上，后来广泛应用在移动手机行业，近几年才开始在汽车行业里广泛应用。OTA 是空中下载技术，即通过网络从远程服务器下载新的软件更新包对自身系统进行升级，包含固件升级和应用升级，从而满足终端厂商的应用管理需求和运营商对入网终端的管理要求。
通过 OTA 技术，车企可以进行车辆的远程诊断、大数据等应用，快速修复系统故障，并增加新的功能等，可以让汽车即便在已经离厂并且服役中的状态下，能透过互联网从远程进行系统升级，以达到“功能更新、亦或是漏洞补救”的目的。
截止到 2021年6月，ADAS 算法中巡航类相关的升级内容最多，为 42 项，其升级主要包括 ACC/ATC、主动循环、车速辅助等；其次为预警功能新增或优化，包括碰撞预警、车门开门预警以及车道偏离预警等，共有 23 项，另外泊车系统优化或新增也有 23 项，目标检测与识别相关的有 17 项，主要包括对路面物体或动物识别优化、交通标志识别等，另外，环视系统优化升级和车道保持系统升级优化分别升级了 14 项和 12 项。
OTA 升级改变整个汽车行业的商业模式，OEM 可以向 C 端客户发送“算法更新包”从而实现汽车全生命周期收费，而不是传统汽车时代的“一锤子买卖”。过去传统汽车行业长期以来依赖新车制造和销售获取利润，现在智能汽车时代可以通过 OTA 按照“软件升级×汽车保有量”收费。
▲部分 OEM 升级和收费情况
随着汽车电动化、智能化的推进以及自动驾驶渗透率的提升，自动驾驶芯片行业将维持较高速的增长。预计中国自动驾驶芯片的市场规模将在 2025 年达到 138 亿元，到 2030 年达到 289 亿元，十年复合增长率预计可达 25.1%。

04

智能座舱感知、交互、场景应用升级
智能化逐渐成为消费者买车时更为关心的指标之一。汽车座舱的智能化发展由三部分推动，分别为车内/外环境感知，视觉、听觉等多模态人机交互方案以及统筹感知计算的车联网。汽车座舱智能化发展是通过配备智能化和网联化的车载产品来实现与人、路、车的智能交互，是人车关系从工具向伙伴演进的重要纽带和关键节点。

汽车座舱正成为具有拟人化交互能力的驾驶伙伴。目前智能座舱系统主要包括内饰、电子两大系统，像车内的座椅、空调、灯光、仪表盘、中控屏、车联网、语音识别、手势识别等。智能座舱目前处于智能助理的初级阶段，在硬件方面，座舱内部的实体按键被简化，大屏化、多屏化趋势显著；在软件方面，语音交互技术被广泛应用，人脸识别技术和手势识别技术也被尝试，座舱所实现的功能趋于多样化。

目前全球及中国智能座舱配置新车渗透率分别为 49.7%与 53.3%，当前中国汽车智能座舱普及度已经过半，预计未来中国智能座舱产品渗透率的增长将领先全球市场。目前中国智能座舱主要装备于中高端车型，低端车型装备率较低。

▲中国智能座舱装配率
与传统多芯多屏方案相比，大算力单芯片解决方案极大降低系统成本，并能提供多屏互动的智能互联体验，“一芯多屏”成为发展趋势，芯片本身也朝小型化，集成化、高性能方向发展。座舱 SOC 芯片技术壁垒高，市场集中度高，在国产替代趋势下，国产座舱 SOC 厂商有望迎来发展机会。
▲智能座舱硬件领域核心细分市场竞争格局概览
汽车 E/E 架构将沿着“分布式”→“域集中式”→“中央计算式”的方向演进。与汽车 E/E 架构同步，座舱芯片方案也将相应地经历“单芯单屏”→“单芯多屏”→“融合发展”三大阶段的演进：
（1）分布式架构下不同座舱电子设备由不同控制器控制，表现为“单芯单屏”，但随着座舱功能的提升，“单芯单屏”形态的弊端逐渐显现：1）跨芯片信号传输存在延迟；2）成本压力开始上升。
（2）集中域式方案即用一个系统级的主控芯片 SOC 来实现座舱内所有部件的控制，不仅在软件层面上实现了软硬分离，也在硬件方面实现了集中化，座舱智能化由“被动智能”迈向“主动智能”。随着座舱智能化提升，多屏人机交互，语音等 AI 功能需求多样化个性化，以及 OEM 不断更新的 OTA 需求，对底层硬件要求提升，在座舱内“单芯多屏”的 SOC 方案开始进入大众视野。
目前座舱 SOC 以 CPU 为核心，CPU算力从过去的数 K DMIPS 提升到如今的 100 多 K DMIPS 仅用了不到 7 年的时间。座舱主控 SOC 不仅需要处理来自仪表、座舱屏、AR-HUD 等多屏场景需求，还需要执行语音识别、车辆控制等操作，因此座舱系统的响应速度、启动时间、连接速度等用户体验指标直接决定着汽车品牌的竞争力，智能汽车对座舱 SOC 的性能、算力需求持续攀升。
目前高通骁龙 SA8155P 的 CPU 算力约 105K DMIPS，SA8195P 的 CPU 算力约 150K DMIPS，高通第四代座舱 SOC 芯片 SA8295 甚至达到 200K DMIPS 以上。国内厂商，华为麒麟 990 的 CPU 算力超过 75K DMIPS，芯驰科技最新推出的座舱芯片 X9U 的 CPU 算力达到 100K DMIPS，瑞芯微最新推出的智能座舱芯片 RK3588MCPU 算力也达到 100K DMIPS。
其中三星已量产的 ExynosAutoV910 具备约 1.9TOPS 的 AI 算力，三星规划 2025 年前后投放量产的 ExynosAutoV920 座舱芯片的NPU 算力将达到约30TOPS；高通已量产的 SA8155P 芯片AI 算力约8TOPS，其第四代座舱 SOC 集成的 NPU 算力高达 30TOPS，是目前已发布的 AI 算力最高的座舱 SOC 产品，计划 2023 年投产。国产座舱 SOC 方面，芯驰科技的座舱产品从中级产品到至尊级产品均嵌入 AI 算力，其 X9U 产品 AI 算力达 1.2TOPS；瑞芯微最新发布的座舱 SOCRK3588M 其 AI 算力达到 6TOPS；吉利旗下芯擎科技的龍鹰一号 AI 算力达到约 8TOPS。
从架构演进情况来看，过去座舱 SOC 芯片并没有单独的 NPU 单元，但随着 AI算力需求提升座舱 SOC 内开始出现独立 NPU 单元。比如 8155 芯片并没有独立的 NPU 内核，AI 计算主要通过 DSP、CPU 和 GPU 组成的 AI 引擎完成。其中，Hexagon690 拥有 7TOPS 的 AI 算力，加上 CPU、GPU 的 AI 算力之和为 8TOPS。高通 8295 芯片算力达到 30TOPS，其 AI 算力是高通 8155 的 7.5 倍，为两个六角张量 DSP。
“软件定义汽车”的核心本质是算法和应用的开发同计算平台的解耦，软件不再是基于某一固定硬件开发，而是具备可移植、可迭代和可拓展的特性。随着人工智能的框架和工具链越来越成熟，算法的精准度、成熟度更多依赖于数据量和标注的质量，后期算法的迭代速度越来越快，但是硬件迭代速度没有那么快。因此软件定义汽车，更多是利用算法或者软件快速迭代的特点，销售之后通过 OTA 扩展汽车的功能、性能，提升驾驶的体验：
在芯片平台的硬件基础上，装载 Hypervisor、Linux 等内核系统，管理软硬件资源、完成任务调度。