國內外智能駕駛計算芯片發展現狀、應用及標準需求如何？

車載計算芯片成 為行業競爭熱點，國內外企業競相發力。

1、 國內外智能駕駛計算芯片發展情況

隨著智能駕駛技術的不斷發展和汽車市場的逐漸開放，作為汽車智能化的核 心，智能駕駛芯片的發展在全球范圍內日益矚目，市場也呈現出井噴式的增長態 勢。除了傳統的汽車制造商，科技公司也開始在智能駕駛芯片市場布局。例如， 英偉達的智能駕駛芯片“Drive”已經被包括奔馳、特斯拉和沃爾沃在內的多家汽 車制造商采用。此外，谷歌旗下的Waymo、蘋果、百度和滴滴也都在智能駕駛 芯片領域進行了大量嘗試。可以預見的是，智能駕駛芯片市場的競爭將愈演愈烈。 整車廠商對高算力智能駕駛芯片的需求使得芯片廠商間的競爭也進入白熱 化，近年來高算力智能駕駛芯片迭代速度顯著加快。Mobileye、英偉達、高通等 主流外資廠商相繼推出能夠滿足L4級智能駕駛的芯片產品，特斯拉也有自研計 算芯片。國內華為、地平線、黑芝麻等也在不斷推出自己的智能駕駛芯片。

英偉達、高通在高端市場發力，以高算力芯片搶占高級別智能駕駛賽道。英 偉達2019年發布的旗艦產品Orin，稱其具備254TOPS的高AI算力，憑借領先的AI算力，Orin成為國內新勢力車企下一代旗艦車型的主流選擇，2022年蔚來、小鵬、 理想等均將推出基于Orin的量產車型。 高通于2020年發布Snapdragon Ride平臺，稱其能夠匹配從L1/L2級輔助駕駛 至L4/L5級智能駕駛的場景需求，提供高能效、性價比出眾的系統級解決方案。 長城、寶馬等車企已宣布與高通合作，預計2023年進入量產階段。 特斯拉作為全球智能駕駛領軍車企，采取了自研芯片的路徑以滿足其對于智 能駕駛的高性能需求，2019年4月正式發布FSD自研芯片及計算平臺，稱其單顆 芯片算力達72TOPS，成為當時算力最高的量產芯片，為特斯拉全系車型的智能 駕駛功能提供算力支持。

國內華為、地平線、黑芝麻等芯片廠商自主研發高算力智能駕駛芯片，部分 產品已實現量產上車。 華為發布的MDC 610，稱其算力達200TOPS，MDC系列產品已與多家主機 廠展開合作，在多款新能源智能汽車上實現量產商用； 地平線發布的征程系列第五代，稱其算力達128TOPS，征程系列產品與比亞 迪、一汽等展開合作； 黑芝麻發布的華山A1000系列芯片中A1000和A1000pro算力分別達58TOPS 和106TOPS，華山A1000系列芯片產品已與吉利、東風、江汽、一汽紅旗、合創 等車廠展開深度合作。 此外，芯馳科技、超星未來、愛芯元智等AI芯片企業也迎來了新機遇，紛紛 推出自動駕駛芯片方案；國外瑞薩、意法半導體、恩智浦等傳統車規級MCU大 廠，也在極力鞏固各自的行業地位，正在籌算著切入AI汽車芯片領域；還有部分 主機廠選擇自主研發智能駕駛計算芯片，如零跑汽車、百度（集度汽車）等，自 動駕駛芯片將呈現百放齊放的局面。

2、 智能駕駛計算芯片應用需求

智能駕駛業務是智能網聯汽車最復雜的高價值應用，但也是最難度最大的應 用。智能駕駛業務多樣化、場景復雜，對智能駕駛芯片在感知、決策、和控制的 能力提出很高的要求。

（1）感知系統 感知系統是利用車載傳感器，及車聯網技術來獲取道路、車輛位置、障礙物、 車輛自身位置等信息，并將獲取的這些信息傳輸給車載控制中心，給自動駕駛汽 車提供決策依據。感知系統的對象可以分為兩類：一類是靜態對象，即道路、交 通標識、靜態障礙物等；另一類是動態對象，即車輛、行人、移動障礙物等。對 于動態對象，除了要了解對象的具體類別，還需對位置、距離、速度、加速度、 方向等信息進行追蹤，并需要根據追蹤結果來預測對象的接下來的預計位置。 為了實現感知環境的任務，越來越多的傳感器應用于高階智能駕駛汽車。例 如，特斯拉Model Y有20個傳感器。問界M5智駕版27個傳感器；小鵬G6共30個 傳感器。 越來越多的傳感器輸入，對智能駕駛芯片的性能提出更高要求。

（2）決策系統 智能駕駛決策系統對汽車的速度、方向及車燈等進行控制。傳統理解中，決 策系統涵蓋了環境預測、動作規劃、路徑規劃、行為決策等。 環境預測不僅僅局限于物理規律，還需通過對感知時車輛、行人等的瞬時動 作，判斷其下一步的動作，如速度、位置、方向等。動作規劃根據對環境預測的 結果，完成諸如轉彎、避讓、超車等動作。同時對于交通的動作規劃也必不可少， 如在限速路段的車速控制、紅綠燈情況下的停車／行車、潮汐車道的車道線選擇 等，均需要提前進行規劃。自動駕駛汽車還需要完成對行駛路徑的規劃不僅要耗 時短，還要滿足乘客需求，實現路徑自定義。行為決策則是對自身的實時位置、 速度、方向等信息，與環境預測中獲取的交通信息、動作規劃中完成的路徑規劃 等進行參照，讓自動駕駛汽車預判可能發生的危險及即將需求的動作，讓自動駕 駛汽車可以對自身動作進行調整。 更智能的決策系統，對芯片算力要求越高。

（3）控制系統 控制系統跟蹤決策規劃的軌跡目標，控制車輛的油門、剎車和轉向等駕駛動 作，調節車輛行駛速度、位置和方向等狀態，以保證汽車的安全性、操縱性和穩 定性。 相對于傳統的控制方法，智能控制方法主要體現在對控制對象模型的運用和 綜合信息學習運用上，主要有基于模型的控制、神經網絡控制和深度學習方法等， 目前這些算法已逐步在汽車控制中廣泛應用。 實時準確的控制效果，需要更快、更高性能的智能駕駛芯片支持。 由上可以看出，要滿足智能駕駛業務的多樣化和復雜場景，需要高性能的智 能駕駛計算芯片。

3、 智能駕駛計算芯片標準需求

當前智能駕駛行業普遍以“TOPS”為單位來評估自動駕駛芯片的理論峰值算 力，各大芯片廠商也在通過不斷刷新算力峰值彰顯各自的技術實力，但各家算力 的計算方法卻不盡一致，且聲稱算力與智能駕駛場景的算法評價性能也不能形成 一一對應。 以英偉達為首的芯片廠商多以“稀疏算力”聲稱，該計算方法會比“稠密算力” 多出約1倍的算力數據。具體來說，稀疏算力把矩陣計算中部分數據值變為0，最 終使矩陣乘法計算減半，從而提升算力表現數據。“稀疏算力”的計算量實為標稱 算力的一半，算力聲稱值比“稠密算力”多出約1倍的算力數據。

“稀疏算力”本質上是對算法計算的優化，但此種優化方式只對特定的幾個算子 有效。智能駕駛場景中，稀疏化方法對攝像頭數據優化優先，性能僅有約5~7%提升， 遠低于稀疏算力100%提升預期。 除了算力的“稀疏”和“稠密”的區別，采用不同計算數據類型也會造成算力表征 的差別。大多數芯片公司一般采用INT8或者INT16作為統計算力的數據類型，少部 分會采用INT4類型。相對而言，采用INT4數據類型能夠實現的模型推理準確度相對 較低，在將較大規模的神經網絡轉到更小的神經網絡時的準確度損失相對較高；采用INT8或者INT16數據類型的算力值相對較低，準確度損失也較低，在智能駕駛芯 片計算時使用更為廣泛。

綜上所述，算力標注的概念混淆、芯片價格混亂的主要原因是算力聲稱沒有統 一的標準，缺乏能夠更客觀的對比智能駕駛芯片能力的公正的測試基準算子或模型。 因此，發展智能駕駛芯片測評標準與規范車載計算芯片標準迫在眉睫，這是車載芯 片企業、整車企業以及正在生態體系的共同需求。 此外，評價智駕芯片的目標是為了了解芯片應用在智能駕駛場景的真實性能。 那么適配應用場景的算法模型，才是評價智能駕駛芯片的最合理方式。按照智能駕 駛的使用，算法可以區分為：圖像/點云分類、圖像/點云目標檢測、深度估計、圖像 /點云分割等。再從各分類算法，選出更適用智駕場景的算法。用多維度算法模型， 公開公正測試智能駕駛芯片，才能分辨智能駕駛芯片的真實性能。