每一次出行都需要復雜精密的運算，AI芯片能否攻克自動駕駛算力瓶頸
隨著汽車智能化需求的快速增長，車載大算力芯片正在加快迭代速度，智能車的芯片成本占比也將大幅提升。
AI芯片在電子架構邁向中央計算的過程中處于智能車產業鏈核心地位。
英特爾CEO曾預測：到2025/2030年，芯片將占高端汽車物料成本12%/20%+（2019年為4%），最大增量來自輔助駕駛。
無人車市場，苦AI芯片久矣
如果你是一個看自動駕駛的投資人，過去三個月里你很可能看過AI芯片的項目；如果你是一個看芯片的投資人，過去三十天里你很可能看過存算一體的項目。
作為后摩爾時代最受關注的技術之一，存算一體幾乎是當下AI芯片賽道最火的方向。
自2012年以來，全球AI算法模型對算力的需求每3.5個月翻一倍，六年里翻了近30萬倍。基于傳統馮·諾伊曼架構的AI芯片雖然解決了計算速度，卻又受限于存儲性能發展速度、總線數據搬運等因素制約。業內采用的HBM等“續命”方案能暫緩燃眉之急，卻也昂貴得驚人，一塊高性能自動駕駛芯片的成本最高能飆升到上千美元，幾乎卡住了整個無人車產業的脖子。
算力、功耗、成本是當前發展無人車產業的幾大關鍵因素。此外，對于國內無人車企業還要加上一條“保障供應鏈安全”的生死攸關因素。
存算一體技術的火，正是源自它滿足了上述的需求。
首先是算力與成本方面。
以自動駕駛場景為例，當前，業內所采用的算法方案大多是激光雷達+AI視覺的融合方案。AI視覺方案在硬件成本、魯棒性等方面的優勢得到不少無人車企青睞。
然而，倘若想要靠以AI視覺為主的方案達到L4級別的自動駕駛，其所需算力卻也以驚人的速度增長。新石器無人車CTO苗乾坤告訴36氪，新石器第三代無人車產品算力需求超過100 Tops、第四代車以AI視覺為主的算力需求接近200～300 Tops。
而根據后摩智能數據，通過打破傳統·馮諾伊曼架構的存儲、計算模塊分離設計，存算一體芯片能夠解決計算與存儲模塊間巨大的數據傳輸延遲與能量損耗，其理論算力最大值能夠突破當前的算力天花板，實現單芯片數百甚至上千Tops的極大算力。
后摩智能聯合創始人項之初告訴36氪，后摩智能存算一體的方案不僅在單塊芯片的成本上較之現有市場競品有著明顯優勢，其單芯片大算力的優勢更是讓無人車企不用“堆疊”多塊AI芯片，同時減少傳感器對激光雷達的重度依賴，全面降低自動駕駛的整體硬件成本。
其次是功耗方面。
由于普遍采用新能源電池作為動力來源，頂著強大的續航壓力，無人車成為了一個功耗極其敏感的應用場景。車身體積越小、能夠搭載的電池容量越小，對功耗要求就越敏感。
算力要提高，功耗卻要降低，在傳統芯片架構中幾乎是不可調和的一對矛盾。
在目前的市場化傳統芯片架構供應商中，實際應用中的稠密算力/功耗比值普遍在1-2 Tops /W的水平，倘若要滿足接近200 Tops的無人車算力需求，光是芯片功耗一項就達到200W，逼近整車功耗。
由于減少了數據搬運的功耗損失，后摩智能的存算一體技術AI部分功耗可低至現有市面產品的1/10，在真實的調試使用過程中，其能效比能夠達到同類產品的5～10倍。
存算一體芯片在降低能耗、提高無人車續航的同時，還解決了無人車企另一個頭大的問題——散熱。
不像數據中心，無人車在作業時需要時常暴露在溫度不可控的室外環境中，本身就對功耗與散熱系統提出了更高的挑戰。與此同時，開放路面的無人車又對安全性要求極高——為了保障行人安全，絕對不能出現車輛系統過熱卡頓問題。功耗必須降低。
最后，對自主可控、保障供應鏈安全方面的迫切需求，也迫使著無人車企尋找存算一體技術作為解決方案。
后摩智能聯合創始人項之初透露，存算一體在算力與性能上的優勢，使得后摩智能的產品能夠在更成熟、更自主可控的制程節點上超越先進制程的表現。
舉個例子，在后摩智能的測試結果中，在算力相等的情況下，即便用比后摩現有產品更早代際的28nm制程，其AI芯片的能效比也超過了采用7nm的傳統芯片。
對于確保芯片安全，保證供應鏈自主可控而言，這無疑是無人車企的一顆“定心丸”。
而針對“存算一體技術作為一項前沿技術，是否具備通用性？是否能夠’無痕’適配無人車企現有軟硬件工作流程？”問題，項之初表示，這確實是無人車企最關心的問題之一，也是后摩智能從創業第一天就始終關注的問題。
所以公司從一開始就組建了經驗豐富的軟件研發團隊，打造完善的工具鏈，盡全力確保使用方的好用、易用。后摩智能CEO吳強博士是國際知名的編譯器專家，目前編譯器負責人是原一線大廠負責人，軟件及工具鏈團隊水平業內一流。目前后摩智能的計算平臺既能支持TensorFlow、Pytorch等當前各種主流人工智能訓練框架，也能滿足未來新的網絡模型以及客戶自研算子需求。
自動駕駛芯片市場格局
當前車載大算力芯片全球格局較清晰，本土公司正在崛起，新勢力與自主頭部汽車品牌積極定點英偉達、高通等的大算力芯片，AI芯片處智能車產業鏈核心地位，AI芯片產品路線圖指向大算力+跨域融合，商業模式愈加開放靈活。
從自動駕駛域控制器所使用的的芯片方案來看，2022年11月，自動駕駛域控制器芯片市場份額TOP5分別為特斯拉FSD（43.2%）、英偉達（19.4%）、賽靈思（11.9%）、Mobileye（7.6%）、英飛凌（5.6%）。
特斯拉、英偉達、高通等國外企業領先。
2022年1-11月，自動駕駛域控制器芯片市場份額TOP5分別為特斯拉FSD（40.9%）、英偉達（13.3%）、賽靈思（12.8%）、英飛凌（9.2%）、地平線（8.5%）。
2022年，自動駕駛域控制器常用的主流芯片包括特斯拉FSD、賽靈思、地平線J3、英偉達Orin、英偉達Xavier、mobileyeEyeQ5H、英飛凌AURIX等。
當前主流已發布車型AI芯片以英特爾Mobileye系列為主，但從下一代車型開始，選擇英偉達芯片廠商開始占據多數，包括蔚來、小鵬、理想、上汽、威馬等車企均選擇Orin芯片為下一代AI芯片。
英偉達2019年推出Xavier，可以實現L2+甚至L3的功能，成熟度高，國內德賽西威是和英偉達綁定非常深的Tier1。
英偉達發布新一代芯片DRIVE Thor，這款車規級系統級芯片（SoC）基于最新CPU 和GPU 打造，可提供每秒2000 萬億次浮點運算性能，將在2024年量產，吉利旗下極氪第一個宣布將在2025年起為旗下車型配備Thor芯片。
國內相關布局廠商主要有華為、地平線、黑芝麻、芯馳科技、寒武紀、芯擎科技等。
華為借助北汽阿爾法S完成AI芯片落地，后續與長安、廣汽以及沙龍品牌都形成了合作關系。
此外，自動駕駛芯片加速上車，與芯片廠商深度合作的域控玩家和合作伙伴也有望受益。
整體來看，大算力芯片市場格局尚未收斂，目前英偉達和高通走在變革前列，地平線量產進度領跑國內市場，華為MDC或涅槃歸來，架構變化下輝羲智能等國產廠商亦有突圍機會。大模型開發者、自動駕駛產業鏈各環節都將賦能AI芯片加速演進，迎來新一輪產業機遇。
國產AI芯片商業化應用還需努力
其實綜上來看，國內AI芯片設計水平與國外差距不大，在性能方面也足以替代國外AI芯片。不過評判國產AI芯片產品發展好壞，不止是從設計到量產維度考量，能否大規模商業化應用也是較為重要。
比如提到的國內ASIC芯片，基本只用于自家云業務，對外提供芯片產品也需要龐大團隊的深度優化。主要原因一方面在于之前提到過的，ASIC芯片從研發之初就需要考慮算法適配情況；另一方面，ASIC芯片生態較為碎片分散，開發者上手難度較高。
相較于ASIC廠商，得益于GPGPU泛用性優勢，GPGPU廠商商業化應用做的更好一些。以海光為例，據其官方透露，海光深算一號目前已完成與百度、阿里等廠商互證，主要客戶是智算中心等“新基建”項目、行業用戶、AI廠商及互聯網企業，已商業化部署數十萬片。
在國內自動駕駛、AIGC、垂直大模型等AI應用愈發火熱的今天，國產AI芯片有希望撐起海量AI算力的需求。在解決性能問題之后，國產AI芯片面對國外巨頭是有彎道超車可能性的，雖然未來仍需在生態建設與商業化發展方面大步追趕。
GPGPU和ASIC技術路線齊頭并進
對于訓練芯片，目前主要分為GPGPU和ASIC兩類技術路線。
GPGPU是從GPU衍生而來，是弱化圖形處理，增強計算能力的產物。模型在訓練過程中，存在大量的矩陣計算，GPU架構特點即在于擅長處理并行計算，因此GPGPU芯片可適合絕大多數AI計算場景，通用性更強。當前AI芯片霸主-英偉達的主要產品A100、H100等，就屬于GPGPU架構。
目前，國內投入GPGPU芯片領域的廠商較少，原因在于GPGPU研發需要有充足的技術和資金儲備。知名的有海光信息、壁仞科技、沐曦等，其中較為領先的為海光。
海光深算一號早在2022年6月就實現了商用。據了解，海光深算一號性能不弱于主流的英偉達芯片，也能兼容英偉達的CUDA環境，適配性好。并且最大優勢在于，深算一號是國內唯一支持全精度計算的AI芯片，這讓海光可支持科學計算、AI計算、大數據計算等多種計算場景。
另一類技術路線為ASIC，一種為特定場景專門設計的集成電路，比如NPU。在AI算法領域，卷積神經網絡是仿造生物的視知覺機制構建而成，是深度學習的代表算法之一。為滿足深度學習效率需求，隨著AI算法發展，模仿生物腦神經的NPU應運而生。
由此可看出，ASIC芯片需要結合大模型算法做定向開發和調配，通用性沒有GPGPU那么強。國內主要在做ASIC芯片的包括寒武紀、華為昇騰等，以及一些互聯網大廠，比如阿里含光、百度昆侖芯、騰訊紫霄等等，其性能也能滿足大多數計算場景的需要。
在大模型計算日益復雜的今天，由CPU+GPGPU+ASIC組成異構計算系統成為算力供給最佳方案，絕大多數AI算力還是需要依靠GPGPU供給。
