过去几年智驾功能突飞猛进，从最初仅支持自适应巡航和全自动泊车到如今的城区无图NOA，背后的驱动不仅得益于算法的持续迭代，也反映了智驾SOC芯片在性能上的不断突破。
硬件+算法的不断优化为智驾功能的持续提升提供了坚实的基础，但在两者携手向前的过程中，也出现了一些问题，比如新算法和传统芯片架构存在“隔阂”、外采芯片和自研算法不够适配，进而导致芯片性能难以充分发挥的问题，这些问题的存在不仅会对算法迭代节奏和芯片架构产生新的挑战，并且在更广层面上，对芯片厂、软件Tier1以及整车厂所构建的行业格局产生冲击，这些企业如何应对，如何破局？
一、新算法与传统芯片架构的“隔阂” 虽然在宣传口径上，无论整车厂还是软件Tier1都寻求着标新立异，不遗余力的吹捧自家技术的领先性和独特性，但本质来看，国内智驾算法领域的技术路径已经逐渐趋于收敛。基于BEV+Transformer+OCC去实现城市NOA已经成为主流的感知算法框架，感知、规划一体化的端到端模式也逐渐成为共识，成为新的技术发力点。但在算法持续优化的过程中，行业却发现新的算法与过去的芯片架构难以得到很好的匹配，比如Transformer网络在一些智驾SOC芯片上就很难部署，究其原因主要在于过去传统侧的AI芯片更多的是针对CNN网络去设计开发，而目前智驾算法却以Transformer为主，在计算类型上两者完全不同，体现在硬件要求上就是后者会需要更多的内存容量和访存带宽。
针对上述问题，芯片厂的应对思路有三点： 1.增加具有匹配Transformer算法模型的专用引擎 2.针对特定算子进行优化 3.改善内存系统设计
英伟达最新一代的Thor芯片就专门为Transformer算法做了硬件优化，它集合了新的Tensor Core、FP8和FP16精度计算，以及Transformer神经网络动态处理能力，旨在加速AI计算的效率。此外，Transformer引擎能够在训练神经网络的每个步骤中动态选择神经网络中每一层所需的精度，可以协调动态范围和准确度，比如，可以根据工作负载在FP8和FP16格式之间进行自动切换，使其在训练模型时，跑的每一步都只用最低精度需求，但又不损失精度的效果，从而达到芯片最高的效率。
其次是针对特定算子进行优化，Transformer模型中有一些非常关键的算子，虽然计算量不大，但很复杂，地平线的J6芯片就通过对硬件进行优化，使得J6在运行这些超越函数算子的时候，计算效率得到大幅度提升。 最后是内存系统的优化，据相关数据显示，处理器性能以每2年3.1倍的速度增长，而内存性能以每2年1.4倍的速度提升。计算能力与带宽能力之间的差距将会越拉越大，这就导致芯片的内存容量和数据传输速度难以跟上芯片的计算速度。因此，车载SOC的性能与效率的发挥将受到严重制约，进而出现“存储墙”问题。地平线J6内部采用全新的存储系统设计，片上包括L0M、L1M、L2M，共三级存储系统，用于数据缓冲和交换。同时，先进的总线架构配合高带宽的DDR，可有效缓解内存墙的问题。 二、车厂芯片自研 很多人将车厂自研芯片的目的归因于供应链安全和成本考虑，毋庸置疑，这两个因素是车厂决定是否自研时着重考量的点，不过除此之外整车厂有着更深层面的考虑。通过自研芯片，车厂可以针对自己的应用需求去对芯片的架构做出更好的调整。由于这些车厂在算法端是采取的自研策略，那么其就可以在指令架构、内存带宽配比、NPU支持的算子形态等方面从算法团队获得精确输入，然后再针对自己的算法以及对于功能的理解去设计芯片。这种方式设计出来的芯片在运行自家的算法时，可以做到更低的成本和更高的运算效率。在当下汽车行业内卷严重，终端价格战竞争激烈，自研芯片所带来的成本压缩和效率提升对车厂的吸引力是巨大的。
特斯拉在与英伟达分道扬镳之后，基于其自研的FSD芯片，做到了极致的软硬一体化。它能非常高效地用处理硬件的算法去完成一些任务，从而极好地控制了芯片的功耗、面积及成本。类似于苹果自研的M系列芯片，特斯拉针对自己的应用需求去对芯片做了架构上的剪裁，从而使整个底层硬件的计算资源能够做到更高的利用率。作为对比，特斯拉自研的FSD芯片尽管在工艺上跟英伟达orin具有一代的差距，芯片的代工成本上却仅为后者的三分之一，并且整体功能实现效果上表现更优（尤其是，在端到端领域，特斯拉在整体表现上更有优势）。
特斯拉是引领者但并不是独行者，如同其算法架构在国内获得一批拥趸者一样，其自研智驾芯片的行动也响应者众多，蔚来的5nm智能驾驶芯片神玑NX9031已于7月宣布流片成功，计划明年一季度应用在ET9上。小鹏汽车自研的图灵AI芯片，在10月已经跑通智驾功能，除了AI汽车，这款芯片还可以应用在AI机器人和飞行汽车上。而理想汽车的智能驾驶芯片，据传代号为“舒马赫”，设计制程为5nm，由台积电代工，预计将于2024年底前完成流片工作。
三、软件Tier1追求软硬一体 除了整车厂之外，软件Tier1也在努力将芯片和算法的结合变得更加紧密。
过去软件Tier1和芯片厂之间的合作有两种模式，主要基于芯片产品的不同特点。对于像英伟达这样的平台型芯片厂商，其芯片具有更强的通用性，并且整体算力也比较强，所以软件Tier1往往会采用较为领先和前瞻型的解决方案，在域控的设计上也会给算力留有比较多的余量。
而对于像地平线或者是Mobileye这样的专用型芯片厂商，软件Tier1可发挥的空间有限。芯片厂商往往会收集现行市场上所有客户的需求，然后进行梳理，并提前几年把所有的需求都汇总到芯片的研发计划当中。然而，由于之前行业对自动驾驶算法的认知参差不齐，且基于当前需求进行未来产品设计具有明显的滞后性，所以，芯片厂商的产品规划思路对自动驾驶芯片厂商参考价值有限。虽然地平线会通过自研算法的方式来更好的理解智能驾驶对芯片的需求，但如果客户整个网络设计的架构、算法的设计开发对芯片的需求与地平线设想的不一致，那么地平线的芯片就很难发挥完全的性能。
在这样的背景下，软件Tier1也正在尝试自研芯片。比如Momenta，Momenta用的是英伟达和高通的芯片。之前据媒体报道，其正在瞄准走量的20-30万车型开发中算力芯片，或对标英伟达的Orin-N和地平线的J6E，两款对标芯片算力均在80TOPS左右。具体策略来看，Momenta先是利用英伟达的芯片使自己的算法落地，靠算法在主机厂赢得一定话语权，然后再做芯片，用算法带着自研芯片上车。这样的好处就是可以针对自家的算法做出适应性更高的芯片，一方面可以提高自身产品方案的性能，另外也可以压缩成本以获得更多的车型应用空间，进而获得更多的数据来优化模型，形成正向反馈循环。
四、自研仅仅只是为了车开的更好？ 正如硬币有两面，自研芯片可以提高自家算法的适配性和运算效率，但另一方面也意味着巨大的前期成本投入和漫长的回报周期。如辰韬资本报告中所提及，以7nm制程、100+TOPS的高性能SOC为例，其研发成本高于1亿美元（包含人力成本、流片费用、封测费用、IP授权费用等等），若以售价100美元、毛利率50%计算，其盈亏平衡点为200万片芯片出货量。
并且从时间维度来看，自研一款全新的芯片，从研发到量产，需要依次经历：产品需求定义、系统架构设计、前端设计、后端设计、流片与封测、车规可靠性认证、功能安全认证、量产等环节，至少需要3-5年的时间。并且，等到芯片可以量产上车时，它在市场上是否还有竞争力——不管是价格，还是产品性能，都非常考验芯片团队的前瞻规划能力和设计开发能力。这些对于自研芯片的厂商来说都是巨大的挑战，但这是否意味着这是一场巨大的冒险呢？很难说。
首先要注意的是，智能驾驶并不仅仅局限于辅助驾驶市场，通过提高智驾能力卖出更多车是很多整车厂的关注焦点，但在辅助驾驶之外，还有庞大的Robotaxi市场，这个市场对于智能驾驶能力的需求是庞大和长期的。除此之外，人形机器人也将是整车厂视角的关注所在，毕竟汽车和人形机器人在许多方面有着共通之处，技术层面，自动驾驶所使用的视觉感知、传感器融合以及路径规划等技术，同样适用于人形机器人对环境的感知与交互；所以对于自研芯片的整车厂也好，软件Tier1也罢，未来都是星辰大海，但在步入星辰大海之前，一定要想尽办法让自己依旧留在牌桌上。自研芯片就是他们要做的众多步骤中的关键一步。
CONTACT US
ICC APP
