2021年以来，“芯片荒”无疑是汽车行业最受关注的话题。疫情、自然灾害等因素带来的影响是阶段性的，但全球政治环境带来的影响将成为常态。随着自动驾驶的快速发展，车用芯片是否也会遭遇与华为类似的尴尬局面？

为探其究竟，《汽车观察》特别邀请自动驾驶科技公司禾多科技撰写分析报告，厘清自动驾驶芯片的技术分布与产业链格局，从而探索中国技术进步与替代国际传统供应商的可能性。

在科技领域，受美国对华政策影响，我国面临着诸如设备断供、技术禁运等一系列风险。自动驾驶行业是典型的技术与资本密集型产业，并且具有高附加值属性与规模应用效应。目前美国把控着大量自动驾驶关键技术与国际供应链关键环节，国际关系的紧张也影响着中国自动驾驶的发展。

中国国内，自主创新成为近年来的关键词。2015年国务院发布《中国制造2025》，部署全面推进实施制造强国战略，促进科技的发展与制造业的国际化和高端化，并打造自主、可控的高端供应链。此外，针对自动驾驶行业，交通运输部发布了《关于促进道路交通自动驾驶技术发展和应用的指导意见》，显示出中国政府大力发展自主可控的自动驾驶技术的决心。

在此背景下，本文选择首先聚焦于自动驾驶行业中的芯片领域，通过分析自动驾驶芯片的技术分布与产业链格局，探索中国技术进步与替代国际传统供应商的可能性，从而全面考察未来国际格局对于我国自动驾驶芯片产业发展的影响。

一、自动驾驶基本介绍

（一）SAE自动驾驶分级

目前国际上广为认可的自动驾驶分级标准，是由国际汽车工程师学会（SAE）与国际标准化组织（ISO）颁布的《关于自动驾驶的等级定义SAE J3016》。我国的《汽车驾驶自动化分级》国标，也参照了《SAE驾驶自动化分级》中的分级框架，并结合中国当前实际情况进行了调整。

SAE标准将自动驾驶分为L0-L5六个级别。L0-L2系统被命名为“驾驶员辅助系统”，也就是我们常说的ADAS（AdvancedDriver Assistance System）系统。ADAS主要提供安全警告、车道居中、自适应巡航控制等功能，需要驾驶员持续监控行车状态，并根据需要进行转向、制动或加速行为，且事故责任要由驾驶员承担。

L3至L5则被称为“自动驾驶系统”，根据系统开启的条件、是否需要驾驶员临时接管进行了等级划分，在系统开启后，车辆的操控工作将由自动驾驶系统完成。

L3自动驾驶，在符合规定的条件时，自动驾驶系统开启，由自动驾驶系统独自操作车辆，驾驶决策责任方由驾驶员过渡到了汽车系统。但是在系统要求时，驾驶员需要随时接管车辆。

L4-L5中，所有自动驾驶行为由自动驾驶系统自主完成，不需要驾驶员随时接管车辆，驾驶的责任也会完全由自动驾驶系统承担。L4与L5的不同之处在于，L4适用于有限的环境，而L5则适用于所有条件和地点。

（二）电子电气架构从分布式到集中式的变迁

汽车的电子电气架构由低到高分为传统分布式架构、域集中式架构和中央计算式架构三个阶段。

传统的分布式架构的特点在于，每一个车辆模块（动力总成、刹车总成等）分别由一个ECU（电子控制单元）控制，互相之间形成独立的局域网，数据不联通，每个模块独立运行。随着汽车电子化和自动化程度提升，车载传感器的数量持续增加，传统的分布式架构出现瓶颈，具体表现为：

1）ECU只能处理特定模块的数据，算力与数据不能在不同模块间共享;

2）分布式架构下，增加传感器和ECU时，需要在车体内部署大量通信总线，增加了装配难度和车身重量;

3）车内ECU来自于不同的供应商，开发人员无法实现统一化的编程和软件升级，无法实现整车OTA（Over-the-Air Technology空中下载技术）。

综上，传统的分布式架构所能承载的信息处理量有限，限制了高性能传感器与芯片的搭载能力。虽然ADAS在刚出现时仍然使用传统的分布式架构，但当ADAS向更高级别的自动驾驶进化时，传统的分布式架构就无法满足其需求了。

由此，汽车电子电气架构出现了集中化的趋势，突破了功能模块的限制，逐步诞生了域集中式和中央计算式两种集中式的电子电气架构。

域集中式，是指传统的独立功能模块区域化集中，原有的数量众多的ECU被数量有限的域控制器所替代，对车内各类传感器与执行器进行控制，同时以以太网作为通信骨干，大大提升了硬软件的兼容程度。域控制器通常以SoC（System on Chip系统级芯片）芯片为基础，MCU（MicrocontrollerUnit微控制的单元）相配合。

中央计算式，是指域控制器进一步集中为一个以SoC芯片为基础的中央处理器，形成类似电子产品的“中央-层-区”的架构，全面实现开放软件平台与资源共享，并且具备“车辆-云端”交互体系。

整体化的电子电气架构有利于构建自动驾驶系统中的硬件基础，OTA升级的能力也保证了自动驾驶数据的上传和自动驾驶系统的升级。未来车联网与新基建的配套也离不开中央计算式架构的支持。因此，自动驾驶的落地实现要以集中式的整车架构为基础。

（三）自动驾驶发展现状

目前，ADAS（驾驶辅助系统）在各品牌的中高端车型上已基本普及，多数豪华品牌甚至全系标配。作为ADAS的下一步进阶，自动驾驶系统成为国内各科技公司的主要开发领域，主要包括三个方向：

第一，面向C端用户的乘用车自动驾驶系统，以禾多科技、纽劢、福瑞泰克为代表。其功能主要包括高速公路自动驾驶、自动泊车、城区路段的自动驾驶等。目前主要以L2+作为落地形式，大部分场景需要人机共驾。只有部分智慧泊车功能，驾驶员可以离开座位，在车外监控。

第二，无人出租车运营（robotaxi），以小马智行、文远知行、百度等为代表。无人驾驶出租车运营模式商业化落地时，必须完全去掉司机，否则商业模式无法成立。目前robotaxi尚处于在有限区域内的试运行阶段，还不能去掉驾驶座上的安全员，距离真正的量产落地还需要10年左右。

第三，智慧物流，致力于实现物流卡车在高速公路上的自动驾驶，以图森、智加为代表，也包括其他在园区、港口、矿山等较为封闭场景中的应用。

自动驾驶技术的发展与诸多因素相关，包括数据的积累、算法的打磨，以及传感器和计算单元等硬件配置的成熟度。发展到当前，自动驾驶系统由传感器、算法、算力平台、执行器、通信系统构成。

二、自动驾驶芯片现状分析

汽车电子电气架构的变迁，与汽车芯片技术的进步紧密相关。作为车用集成电路，按集成规模不同，汽车芯片可分为MCU芯片和SoC芯片。目前可实现车规级量产SoC芯片的公司并不多，海外主要有Mobileye、英伟达和特斯拉，中国主要有地平线和华为。MCU芯片主要由传统汽车电器供应商提供，如英飞凌、萨瑞等。而本文所讨论的自动驾驶芯片，是指自动驾驶系统内用于各类传感器数据处理、控制器逻辑决策的SoC与MCU芯片，其中MCU芯片尤指ASIL-D级MCU芯片。

传统的汽车电子器件是围绕MCU芯片开发的，但是随着ADAS系统的普及，各类车用电子器件的复杂度逐渐提升，对车载信息处理能力的要求也相应提高，高算力的SoC芯片开始登上汽车电子的历史舞台，在未来也必将成为自动驾驶系统算力平台的最核心部分。不过SoC芯片主要是通过机器学习、神经网络来进行数据的感知与分类，实现数据处理功能，往往不具备即时性。而车辆与底盘、动力总成等车辆运转模块的信息交互是高实时性的，这部分处理任务不会部署在高算力SoC芯片上，仍需要MCU来完成。ASIL-D级别MCU芯片因其安全性高的特点，与SoC芯片共同构成域控制器的基础，SoC芯片负责高算力输出，ASIL-D级MCU芯片负责高可靠性输出。（下文会详细介绍ASIL-D分级）

自动驾驶SoC芯片

1.技术现状

SoC又称系统级芯片，一般包含多个处理器单元，通常采取“CPU+X”的多核架构。比如一个SoC芯片，可由CPU+GPU+DSP+NPU+存储+接口单元构成。汽车中用到SoC芯片的地方主要是智能座舱和自动驾驶。

SoC芯片通常采取“CPU+X”的多核架构，通常需要集成除CPU之外的一个或多个运算单元来做AI运算，可选择GPU/FPGA/ASIC等。

CPU通常为SoC芯片上的控制中心，其优点在于调度、管理、协调能力强，作为中央处理器，擅长处理逻辑控制。但CPU计算能力相对有限。而对于AI计算而言，人们通常用GPU/FPGA/ASIC来做加强。GPU、FPGA、ASIC在自动驾驶AI运算领域各有所长

1）GPU适合数据密集型应用进行计算和处理，尤其擅长处理CNN/DNN等和顺序无关的图形类机器学习算法，并具有并行处理能力。

2）FPGA是“半专用”处理器芯片，属于现场编程门阵列，是“半专用”芯片，这种特殊的处理器具备硬件可编程的能力。

3）ASIC是面向特定用户的算法需求设计的专用芯片，因“量身定制”而具有体积更小、重量更轻、功耗更低、性能提高、保密性增强、成本降低等优点。EyeQ（Mobileye）、BPU（地平线）、NPU（寒武纪等）等专门用来做AI算法的芯片，针对于一种或几种特定算法有着很强的运算能力。

2.产品趋势

1）高算力与高功耗比：算力是芯片最基本的性能指标，势必逐年走高。不过由于各厂商技术路线不同，可调度算力与“芯片-算法”耦合程度，共同决定了自动驾驶芯片对于算法的运行能力。此外，一个好的自动驾驶芯片需要高功耗比，功耗比为算力TOPS/芯片功耗。现阶段，主流产品的功耗比已经由最初0.8TOPS/W（EyeQ4）、1TOPS/W（Xavier），进化到了2TOPS/W（征程2）、2.4TOPS/W（EyeQ5），未来主流产品功耗比至少在3TOPS/W以上。

高功耗比主要是从芯片所在域控制器的热管理角度出发。传统燃油车对功耗比有很高的要求，因为其发动机舱温度高，散热条件较差;而且车载电瓶容量小，无法支持高功耗芯片。新能源汽车散热条件比较好，而且可以将域控制器与整车冷却系统集成，因此热管理系统的压力比较低;但是在能耗方面，仍然存在里程焦虑，所以还是要求芯片具有高功耗比，尽可能提升能源利用效率。

2）高端自动驾驶芯片向先进制程延申：用于L1-L2自动驾驶的芯片只需要28nm制程即可制造，L3及以上的高阶自动驾驶对算力的要求越发苛刻，规划中针对L4/L5自动驾驶的SoC芯片普遍需要7nm，甚至5nm的先进制程。

3）芯片呈现更加封闭化与专用化趋势：主机厂、芯片供应商、算法解决方案供应商的绑定更加深入，软硬件结合程度也在加深。原因有三，首先从市场竞争的角度，以Mobileye与特斯拉为代表的封闭路线厂商逐渐以更加稳定的性能与较低的成本占领了更大的市场份额。第二，从技术路线的角度，软硬件协同设计，互相耦合，相较于开放式芯片平台，可调度算力更高，功耗和体积更小，成本更低。最后，从发展趋势的角度，自动驾驶芯片并非完全由传统互联网企业把控，传统汽车供应商、主机厂和新兴专用芯片供应商都有所布局，他们没有把自己定位为包罗万象的智能芯片供应商，而是以满足自身或合作伙伴的功能实现为研发方向，将自动驾驶算法发挥到极致作为最终目的。

3.市场规模

根据《智能网联技术路线2.0》对自动驾驶渗透率的预测，2025年中国L2/L3渗透率将达50%，2030年中国L2/L3渗透率70%，L4渗透率20%。基于此，预计2030年中国自动驾驶芯片的市场规模为813亿元，其中L2/L3芯片市场规模493亿元，L4/L5芯片市场规模320亿元;全球市场规模为2224亿元，L2/L3芯片市场规模1348亿元，L4/L5芯片市场规模876亿元。

据预测，得益于政策促进，2020年—2025年中国自动驾驶渗透率增长速度将快于全球，或将成为全球最大的自动驾驶芯片市场。如此大规模的市场，势必引来国内外各大芯片企业的角逐，导致激烈的市场竞争。中国企业要考虑如何抢占自动驾驶产业的先机，实现自主供应链的完备与较高的市场占有率，避免出现如今国内汽车产业缺乏核心技术和市场话语权的窘境。

目前自动驾驶SoC芯片制造基于先进制程，但是国产先进SoC芯片市占率低，供应链不完善，使得美方技术禁运如同悬在中国自动驾驶行业头上的“达摩克斯之剑”，对中国企业能否享受自动驾驶发展红利提出了挑战。

4.技术路线

（1）目前主流技术路线

1）英伟达、特斯拉为代表的传统科技公司，所用的自动驾驶SoC芯片采用“CPU+GPU+ASIC”方案。其中GPU主要进行图像渲染与预处理的工作，专注于图像处理。ASIC主要进行深度学习，决策判断等自动驾驶算法的运行。

2）Mobileye、地平线等专注于自动驾驶的新兴科技公司，致力于研发和销售自动驾驶专用AI芯片，目前的MobileyeQ4与地平线J2处理器采用“CPU+ASIC”方案。由于MobileyeQ4只能适配自有传感器，图像渲染的需求不高，也就自然不需要GPU。Mobileye自公司成立开始，一直采用封闭的软硬件环境，以自己的CV算法来配合芯片的开发，利用专有的ASIC来运行算法而达到较低的功耗。

但是目前这套技术路线的弊病是，由于缺乏GPU的强大图像处理能力，较难实现自动泊车功能。图像渲染的任务也需要外接智能座舱芯片处理，进一步占用了算力。因此，Mobileye和地平线的下一代产品Q5和J3上，都将预留GPU协同处理器的接口来辅助进行图像渲染工作，有助于实现自动泊车与高阶自动驾驶的功能。使SoC芯片设计达到一个灵活性、成本和功耗的平衡点。

3）Waymo、百度为代表的互联网公司，采用CPU+FPGA（+GPU）方案进行自动驾驶算法研发。谷歌Waymo采用“CPU+FPGA”方案：Waymo的计算平台采用英特尔Xeon12核以上CPU，搭配Altera的Arria系列FPGA，并采用英飞凌的Aurix系列MCU作为CAN/FlexRay网络的通信接口。

（2）未来商业化方向：“CPU+ASIC”与“CPU+GPU”方案并存

在自动驾驶算法尚未成熟固定之前，CPU+GPU+ASIC的架构仍然会是主流。在自动驾驶算法完全成熟之后，定制批量生产的低功耗、低成本的专用自动驾驶AI芯片（ASIC）具备一定优势，CPU+ASIC架构有可能成为主流。而以英伟达为代表的“CPU+GPU”路线，依靠其完善的开发生态与工具链体系，再辅以低功耗渲染GPU，也将在市场占据一席之地。

FPGA具有可调度算力大、运用灵活的特点，适合做算法的开发测试，在制作ASIC专用处理器的前置研发中使用。但是FPGA成本高、功耗大，车辆高温高湿的运行环境与“寸土寸金”的热管理系统，都使得FGPA适配与量产难度大。相比之下，专用AI芯片（ASIC）针对AI算法采取特殊设计，具有体积更小、功耗最低、可靠性更高、性能更高的优点。缺点是一次研发费高、周期长。

发展到目前，利用FPGA芯片开发设计ASIC芯片，已经是不可绕过的步骤。以Mobileye、地平线的专用自动驾驶AI芯片（ASIC）研发为例，前期以FPGA中部分门为基础，进行硬件编程与算法的开发。后续将该部分抽离出来，专门制作与自身算法高度耦合的ASIC芯片，从而分摊ASIC芯片的研发风险。ASIC芯片具备成本低与耦合度高的特点，是价格高昂的FPGA芯片的有效替代方案。未来自动驾驶算法成熟后，CPU+ASIC架构很可能成为主流。

虽然GPU芯片有成本高、功耗相对大的劣势，但是英伟达凭借着完善的生态与工具链，依然受到市场的青睐。此外，在芯片设计层面，ASIC芯片与GPU芯片功能逐渐趋同，从而出现ASIC“GPU化”的趋势，进行大量的图像渲染工作。随着时间的不断推移，ASIC芯片供应商的开发生态与工具链体系逐步完善，两种技术路线或许将由对立走向趋同，共同主导自动驾驶芯片市场。（未完待续）