车载芯片 算力转折点

文 / 黄耀鹏

就像燃油车时代要讲动力一样，智能电动车要讲算力。软件定义汽车的趋势，已经成为共识，软件能力的基础就是算力，而算力来源于算力芯片。

动力的计数单位是马力、扭矩这些指标，而算力则是Tops（每秒进行1012次二进制计算）、Flops（每秒浮点计算次数），日益被业内人士接受和熟知。

对于CPU（中央处理器）、DMIPS（106次算逻运算指令，常用来衡量处理器的整数运算能力），就相对陌生。如果智能座舱比较流畅地运行AR、360全景、流媒体、HUD等，至少要超过20000DMIPS。

其实，广义上的算力芯片，不只是各种PU——CPU、GPU（图形处理器）、NPU（神经网络处理器）、TPU（张量处理器），还包括手机和车载比较流行的SOC（系统级芯片，自动驾驶和智能座舱常用SOC方式搭载）和MCU（微控制单元）。

顺便说一句，SOC既然是系统芯片，往往集成了各种PU（看需求）和动态、静态存储，可以视为一个微型的PC机。

MCU地位下降

虽然MCU用途很广泛，多媒体、音响、导航、悬挂、车窗、雨刷等无所不包，但是现在算力的演化趋势，就是拿走了大部分的控制功能。而MCU用途，正在收窄为核心算力SOC的“协处理器”。

用通俗的语言描述，就是紧挨着大脑的“小跟班”。一方面可以充当安全处理器（冗余决策）；另一方面可以分担一些中央SOC的功能，减轻后者的计算压力，比如管理电池、网关和预处理雷达数据。

从主角变成配角，这个趋势虽然没有普及化，但前景已经比较明确。这让MCU的生产商颇为落寞。恩智浦、英飞凌、瑞萨、德仪，这些传统汽车芯片厂家，本世纪以来都在MCU上赚了大钱。但是市场已经开始接受了新势力的方案，就是将大算力的各种PU作为汽车“大脑”的做法。

现在的趋势是，跨国厂商早就开始研发相应E-E架构，但马上拿出来可能还有困难。趋势是没办法回头的。MCU企业曾经幻想，让车企放弃昂贵的各种PU方案，回到相对传统的架构。

车载算力这一块，高通和英伟达尚未完成驱逐传统芯片大厂的过程。一旦大家都实现算力充分集中，可能全球车载算力需求，都会沦为“双寡头”的盘中餐。

从什么时候这个幻想破灭了呢？这要追溯到2019年，特斯拉推出HW3.0芯片，144Tops的算力轰动业界。一时间，高算力芯片炙手可热。自那以后，只要用了大算力平台（无论是自研还是买的），产品的软件体验（座舱和ADAS）马上能上一个档次。

这就让传统芯片企业的风头，都被英伟达和高通掠走了。始作俑者特斯拉，主动终结Mobileye自动驾驶芯片供货之后，又与英伟达分手，自此一直采用自研芯片（代工方为三星和台积电）。

主流和非主流

现在的市场上，只要是2021和2022年上市的、20万元以上的中国品牌车型，座舱芯片齐刷刷都是8155（准确地说是高通的SA8155P）。2023年高通在智能座舱芯片的市占率高达90%。

自动驾驶算力芯片，竞争对手就稍微多一点，但跑不脱英伟达、地平线这几家。德仪、Mobileye、华为海思也拿到一小部分市场。

2023 年上半年的数据，在中国乘用车市场上，具备NCA功能的计算方案市场份额，英伟达独占52.57%，其余为地平线（30.7%）、德仪（8.62%）、Mobileye（4.05%）、华为海思（4.05%）。

有意思的是，座舱芯片除了8155之外，选择其实很多，华为的麒麟710A、恩智浦的i.mx8和6D/Q、联发科的MT2712、德仪的JT6、意法的Accord 7和Accord 5等。但比亚迪似乎剑走偏锋，敢于使用高通的非车规SOC，例如625、665、6350、7325等（手机芯片）。

众所周知，非车规芯片的功能与车规芯片没什么不同，只不过后者的环境适应性要求要苛刻得多。汽车使用非车规芯片，可以缩短开发周期，价格便宜，但可能引起黑屏、宕机等故障。

比亚迪的应对方案是额外配置一颗安全芯片（就是刚才提到的“冗余决策芯片”），以保证主芯片出问题时，能保住核心程序继续运行。这种极致削减成本（开发周期也是成本）的做法，也是其核心竞争力的一部分。

算力巅峰：神仙打架

这样一来，就很清楚了，算力芯片领域，眼下是高通和英伟达“神仙打架”的局面。

值得一提的是，高通是唯一一家没有被限制向中国出售芯片（不止是汽车芯片）的美企。8155能够占有率这么高，有这方面因素。但即便如此，美国的政策翻脸如翻书，国产替代一样充满紧迫性。

高通和英伟达，一直在车载算力芯片上较劲。一方面，比拼算力芯片的巅峰能力；另一方面，都在推出超级算力芯片，统一双智运算，试图把对方的地盘也抢过来。

去年9月，英伟达发布了高达2000Tops算力的Thor，号称“驾舱一体”。意思是，这不是一块纯粹的自动驾驶芯片，而是专为汽车的中央算力架构而生。一块芯片控制所有车载功能，满足所有算力需求。此举无疑顺应了E-E架构由分布式向集中式演进的趋势。

此前发布的254Tops算力的英伟达Orin相形见绌。而且，Thor和Orin一样，都可以叠加多颗使用。当然，史上最强“叠叠乐”，仍是英伟达产品，即DGX GH200（CPU和GPU的组合）。叠加256颗，即可组成1E（1015）Flops算力。但是5兆瓦的功率（相当于一个小城市的用电功率），决定了它只能在冷却完善的机房里运行。

在GH200上可以运行任何大模型，超算能力可以让其充当强大的云端服务器和训练大模型。这样，英伟达就在AI大模型训练硬件上一骑绝尘，并可以建立从云端到车端的连接。既然拥有了空前强大的模型工具，甚至可以用AI发明更强的GPU，这意味着算力正走向“奇点时刻”：用AI发明AI，起码现在就奠定了硬件基础。

高通更强于算逻运算。与英伟达不断强化图形计算能力不同，高通更擅长发展移动CPU这样的路线。不过两者殊途同归，高通2023年1月发布的SA8775，也走向了驾舱一体路线。高通声称，这款4nm芯片，通过组合可以实现与英伟达Thor能力相当的2000Tops算力

这其实就是暗示单块8775无法做到这么高的算力。2022年高通以45亿美元收购自动驾驶芯片公司维宁尔，今年收购通信芯片公司Autotalks，都是为了补强短板，在算力领域与英伟达对抗。

“双寡头”的变数

不过，车载算力的天花板，不但远比超算里面的单颗芯片低，其造价和周期也比后者长。一句话，同样算力，车规芯片有成本劣势。

全新的手机SOC，技术储备支持“拾级而上”的话，两年就能做到。而车规芯片要完成一系列认证，可能研发时间要加倍。

这就决定了汽车芯片的迭代周期没有手机快。不光是因为车规芯片的周期问题，也由于车载硬件方案，要跟随整车研发周期。因此我们看到2019年发布的8155、Orin，都还是装车主力。尽管它们的下一代芯片最晚在2022年发布，但采用者依然寥寥。

不过，由于中国新能源汽车的竞争非常激烈，这个进程正在加速。整体而言，算力芯片上车周期，比国外快1-2年。这已经是很大的差距了。毕竟后者距离算力完全集中，还有很长的路要走。

即便不考虑车规验证周期，算力芯片本身，也很容易产生“寡头”。一旦某个芯片公司取得先发优势，它们会凭借出货量和市场份额，迅速摊平研发成本。利润回笼前就可以进入下一轮研发。优化、开发、积累新的技术，越跑越快，以至于对手从望其项背到丧失上桌资格。

而且寡头化还有个激励因素，就是制程的提高，让流片费用变得非常昂贵，可能单芯就达到数千万美元，失败成本非常高。如果安全性、稳定性、散热性达不到设计，这钱就打水漂了，代工厂是不负责的。这就促使强者愈强。

现在算力这一块，高通和英伟达尚未完成驱逐传统芯片大厂的过程——因为跨国整车厂的节奏没跟上，让后者还有订单。一旦大家都实现算力充分集中，可能全球车载算力需求，都会沦为“双寡头”的盘中餐。

这里面唯一的变数，是中国芯片供应商。目前寒武纪、黑芝麻、华为海思等芯片公司日子都不大好过，出货量太少令其很难追上英伟达的节奏。但是美国的制裁，让英伟达只能向中国客户提供专供版显卡，车载芯片这一块倒尚未限制，但客户们都为这一天积极做准备。这让中国芯片供应商，仍保有商业机会。

车企造芯，基本也是投资功率器件、传感器、MCU、电源管理等。算力芯片门槛太高，直接孵化有困难。合资和战投，是不错的入手方式。地平线获得大众的投资，财务可能一时无忧，但长期看，必须在算力芯片和架构方案的正面战场上赢得市场地位，才能有效解除警报

在雷蒙多访华结束前的一天，华为上架了Mate 60系列。就目前已知的信息，Soc为7nm制程。技术细节还不清楚，有些舆论在猜测为DUV多次曝光方案，替代了EUV（实际上可能并非如此）。

7nm全球代工厂就那么几家，不可能给华为代工。因此华为可能掌握了纯国产的、部署于境内的、美国技术含量为零的7nm代工线，而且产能巨大。因为Mate 60系列首批备货就超过500万部（据说加单至1500万-1700万部，未经证实）。这条生产线必然存在（已经有传闻是中芯代工），而且美国既不掌握其上游技术，就连部署在哪里都不知道。虽然很可能华为用非常规手段绕过设备制程这道坎，至少说明高制程芯片生产，对中国人来说并非高不可攀。而且实现的速度，远超所有人预料。

在2018 年，当时最新上市的Mobileye EyeQ4（28nm制程）自动驾驶芯片，算力为2.5Tops。Mobileye认为，算力并非瓶颈，凭借算法和5个并行核心的多任务模式，就可以处理8颗摄像头数据，足以应对L4场景。它们引以为豪的是该芯片功耗只有3W。

5年过去了，业内对算力的认知、运用和由此产生的需求，都在飞跃发展。2.5Tops算力应对L4的认知，就像上世纪80年代IBM认为，只需要5台大型机（其算力远不如现在的主流手机），就足以满足全球的计算需求。

《汽车人》认为，就算限制在车载场景，算力需求也很难看到终点，就像我们很难预料AI的终点一样（可能所有事物的前方，都有一个大模型，包括人本身）。

人类从历史中学到的唯一教训，是从来不会汲取教训。这句话倒是仍然有效。