在我国汽车 “新四化”主流发展趋势、半导体行业整体供应趋势以及复杂国际关系背景下，发展国产汽车芯片的重要性和紧迫性日益凸显。我国政府主管部门出台了一系列相关政策，也涌现出了一批国产汽车芯片 设计公司，比如地平线、黑芝麻、紫光国微，产品涉及了自动驾驶 Al、 MCU、功率器件、安全芯片等多个方向。

图2 车规级NCU竞争格局

车规级 MCU 主要分为 8位、16位和 32位，随着汽车各项舒适功能的普及、部件控制愈加精细化，对 MCU 的计算响应要求会更高，因此高宽位功能芯片 MCU 成为未来的发展方向。

3、 主控芯片成为汽车行业竞争制高点

随着汽车往智能化的发展，特别是智能座舱和自动驾驶概念的兴起，对汽车的算力提出了更高的要求，传统的功能芯片已无法满足算力需求，主控芯片应运而生。

汽车主控芯片主要应用于智能座舱和自动驾驶两大场景：

由于智能座舱芯片相比于自动驾驶芯片对安全的要求相对更低，更加容易打造。未来车内〝一芯多屏”技术的发展将依赖于智能座舱 SoC，芯片本身也将朝着小型化、集成化、高性能化的方向发展。

当前座舱芯片的主要参与玩家包括恩智浦、德州仪器、瑞萨电子等传统汽车芯片厂商，主要面向中低端市场，同时消费电子领域的高通、三星等也加入了市场竞争中，主要面向高端市场。全球来看，高通市场优势明显，座舱芯片的迭代速度几乎与手机芯片同时更新。高通在座舱领域布局了多款芯片产品，目前全球已有超过 20 家车企搭载了第三代骁龙数字座舱平台，其最新一代的座舱芯片产品采用了全球首个5nm 制程。国内来看，华为和地平线凭借着麒麟990A 和征程2 芯片也获得了部分国内主机厂的青睐，已分别在极狐阿尔法 S 和长安 UNI-T 车型上进行搭载。

图3 座舱芯片主要企业

图4 主流座舱芯片供应商产品

自动驾驶芯片一方面需要满足更高的安全等级，同时随着自动驾驶级别的提升，需要更高的算力支持，对于L4 级别的自动驾驶需要 300TOPS 的算力支持，因此只具备CPU 处理器的芯片不能满足需要，未来自动驾驶芯片会往集成"CPU+XPU”的异构式 SOC (XPU包括 GPU/FPGA/ ASIC 等）方向发展。

图5 自动驾驶L1-L5算力图

相较于消费电子类芯片，汽车芯片在使用寿命、工作环境及规格标准方面有着更高的要求。芯片产品开发周期长、难度大，需通过最严苛的行业资质认证，从产品研发到最终量产上车，是典型的硬科技，长赛道竞争。车载计算芯片领域目前主要由 Mobileye (2017 年被英特尔收购)、英伟达、高通、恩智浦、瑞萨、德州仪器等少数国际科技巨头垄断，其中 Mobileye 在辅助驾驶市场有超过 70%的市场占有率，英伟达则占据了绝大部分高等级自动驾驶的市场，高通占据了智能座舱一半以上的份额，国产芯片公司的整体份额低于 1%。

图6 车载芯片的晶体管集成度超越了手机芯片

自动驾驶芯片的主要参与以第三方玩家为主，包括了国外的 Mobileye、英伟达、高通，以及国内的华为、地平线、黑芝麻等，同时国内的零跑和国外的特斯拉两家车企也在自研自动驾驶芯片。自动驾驶芯片按照不同的供应方式可以分为软硬件一体式 (算法＋芯片绑定） 方案和软硬件分离（算法、芯片分离）的开放式方案。当前 Mobileye 采用的主要是算法 ＋ 芯片绑定的一体式解决方案，这种方案短期有利于提升市占率，受到算法能力较弱的OEM 欢迎，Mobileye 在 19年全球 ADAS 芯片占有率约为 70%。但是封闭模式会导致客户开发的灵活度下降，部分有一定算法开发能力的头部OEM 会选择更加开放的解决方案来满足差异化的需求。英伟达、高通、地平线等企业采取了相对开放的商业模式，既可根据客户的需求提供芯片 ＋算法的整体方案，也可允许客户自己写算法。Mobileye下一代 EyeQ5 芯片也将采用开放的商业模式，据悉 EyeQ5 芯片将提供两个不同的版本，一个封闭版(己率先与麦格纳合作面市)，一个开放版（会在宝马iX新车上率先搭载)，可以支持第三方进行编程操作。

图7 主流自动驾驶芯片供应商产品

随着汽车E/E 架构从分布式向集中式方向进行发展，中央集中式 E/E 架构是未来最终的发展方向，这时中央计算平台作为最高决策层能够实现对所有功能的控制，现阶段相互独立的座舱芯片和自动驾驶芯片有望合二为一，这将大大简化汽车线束的设计复杂度，并降低成本。

3 车载SOC计算芯片典型架构

如下图是车载人工智能芯片的典型架构。按照承担的不同计算类型和任务进行分类，计算模块分为两类：CPU 和 NPU。通常来说，CPU做通用的逻辑计算，NPU 适合面向环境感知的 AI计算。

图8 车载人工智能SOC芯片架构

主要计算模块包括：

(1) CPU

除进行与 Al 处理相关的计算，车载系统仍有一定的计算需求以保证实现各类系统应用，这一部分的算力由 CPU 子系统提供，CPU 子系统所支持的计算需求包括：传感器融合、前后处理、属性重建、里程计定位匹配、车辆控制、传统算法冗余计算、调度及计算任务、感知信息输出等

为满足上述智能驾驶场景的计算需求，CPU 子系统通常采用基于 ARM Cortex-A的集群式设计，Cortex-A 系列属于低功耗内核，采取 ARMV8/ ARMV9 指令集，在提升性能的同时又能实现低功耗特性，满足高能效计算场景需求。相对 ARM 上一代处理器，采用了增强计算性能：增强的NEON 技术，可加速多媒体和信号处理算法，如视频编码/ 解码，2D/3D 图形，音频和语音处理，图像处理。双精度浮点SIMD，显著提升了对更加广泛算法的支持效率。在提升性能的同时，仍能保持低能耗的特性，CPU 集群中不同核可划分不同电压域，分组进行电源门控，在满足不同算力场景需求的同时达到低功耗特性。集群设计具备良好的灵活性、可扩展性、安全性、高能效性，能够充分适应 ADAS/ 座舱 / 智能人机交互等复杂场景的计算需求。

(2) NPU

智能网联汽车领域包含高级辅助驾驶、自动驾驶、人机交互、信息娱乐等场景需求，计算的算力需求高，并行度高，需要性能强劲、能效比更高的车载计算芯片作为算力基础设施，完成视觉、语音以及 NLP等计算处理与自学习、自主进化。将深度学习应用于上述典型场景设计专用的车载计算芯片，结合工程技术实现落地，引领产业快速发展。

将先进算法和先进处理器架构设计结合在一起，最终实现功耗、性能 （包含速度和精度）能效比等方面的最优解。NPU 是面向人工智能计算场景的专用处理器，利用深度学习技术的快速演进，通过算法从数据中学习，结合在芯片体系架构上进行创新，结合自动驾驶重直场景的计算特点，专用于执行人工

智能并行计算，属于典型的异构多指令多数据的系统，针对存储器架构设计进行了特别优化，能使数据自由传递，进行多种计算，让不同部件同时运转起来，提高 Al运算的效率。NPU 在不牺牲精度前提下提供充足算力保障，具有高性能、低功耗、低成本等特点。

此外，这类芯片需体现一定的场景通用性，处理器内部针对 MAC 单元等计算模块设计了组合、选通等逻辑结构，使其自身灵活可配，可与应用开发工具链实现紧密耦合；支持 MxNet、 Caffe、TensorfowPyTorch 等多种训练框架所得模型的计算，支持传统卷积计算、循环卷积计算、全连接计算等多种深度学习算法的计算，支持不同参数规模的模型计算，同时可通过编译器配置为不同精度的浮点、定点计算，支持异构计算，可与 CPU 协同一起完成异构模型的计算，提升整体性能。NPU 自身的设计特点及其与工具链的紧密耦合决定了其灵活性高、通用性强的特征，可适应不同场景的计算需求。

随着自动驾驶等创新应用基于海量数据分析发展而来，自动驾驶所需要的环境感知、物体识别等应用要求极快的计算响应，通常利用深度神经网络算法。在保证性能快效率高的同时，功耗不能过高，不能对自动驾驶汽车的续航里程造成较大影响，对计算芯片的效率提出更高要求，计算芯片体系架构不断发

展，由通用计算向专用计算延伸。当前主流的自动驾驶计算芯片在处理深度学习 A 算法方面主要有可分为 GPU、 ASIC、FPGA、DSP 等几类，选择最佳解决方案通常与多种因素有关，例如应用场景、芯片规格（包括硬件接口、功耗等）、设计约束、软件工具链以及上市时间节奏等。

智能汽车时代，Al 计算芯片就是数字发动机，提供智能汽车最重要的硬件基石则是算力。当前算力不足已经成为智能汽车发展的核心瓶颈，算力的持续提升是汽车智能化进步的标志，每增加一级自动驾等级，算力需求十倍上升，自动驾驶每往上走一级。所需要的芯片算力就要翻一个数量等级。

图9 海量数据处理需求驱动自动驾驶AI芯片算力剧增

未来多核 CPU、GPU、DSP 以及 NPU 等在市场、需求驱动下通过集成、组合，向SOC 方向发展。对软硬件进行模块化设计，采用差异化芯片方案，通过异构通用平台，总线以及各种外设控制器等，打通行业上下游，采用安全稳定、可扩展、可定制的系统，解耦软硬件不同生命周期和开发流程，通过标准化实现规模化的自动驾驶。

E/E 构架变革四大趋势：计算集中化、软硬件解耜、平台标准化以及功能定制化，将高性能的硬件预埋作为投资，通过软件更新服务为盈利点，这同时也对车载 Al 计算芯片的提出需求。