“舱驾一体”渐行渐近“好用”的车载AI芯片该若何设计与定义？_芯片_座舱

出品 | 焉知汽车

当前，在域掌握器集中式架构阶段，智能驾驶和智能座舱是车载AI芯片的两个主要运用领域。
充分挖掘在这两个场景下的运用需求是车载AI芯片厂商的核心驱动力。
新算法模型的引入，以及整车EE架构的发展，都会对车载AI芯片的迭代产生较大的影响。

1）不管是智能座舱，还是智能驾驶，所运用的算法模型都在不断地变革和演进，尤其是在智能驾驶领域，更为明显，从先前的CNN网络演进到现在的BEV+ Transformer+OCC网络，匆匆使车载AI芯片向适应更新的算法模型的架构方向进化。

2）车载AI芯片的迭代与整车EE架构的演进相互协同发展。
在域掌握器集中式架构阶段，车载AI芯片基本都是针对特定功能域下的运用处景去设计和开拓，比如，智能座舱或智能驾驶。
随着整车EE架构进入跨域领悟阶段，“舱驾领悟”成为重点的关注方向，芯片厂商须要兼顾智能座舱和智能驾驶的运用需求，设计出一款高度适配“舱驾一体”的车载AI芯片。

一、新的算法模型对车载AI芯片的影响

当前，在智能驾驶领域，头部车企在城区NOA方面开始“攻城略地”，“BEV + Transformer”已成为实现这一计策目标的紧张技能手段；在智能座舱领域，天生式AI大模型被逐渐引入，用来强化舱内的AI视觉和语音等人机交互体验。
因此，在车载AI芯片上所运行算法的繁芜度、模型参数以及数据规模均会大幅上升，倒逼车载AI芯片向新架构、大算力等方向演进。

但是，新的算法模型与传统的芯片架构之间存在着一定的“隔阂”，比如，不少业内人士反响，Transformer 网络在一些车载AI芯片上很难支配，紧张缘故原由在于过去传统端侧的AI芯片紧张是针对CNN网络去设计开拓，通用性比较差，对付Transformer等较新的算法模型适应性较弱。

针对这一问题，奕行智能创始人兼CEO刘珲回答说：“首先，Transformer和CNN两者打算类型完备不同。
CNN属于打算密集型网络，全体网络是非常规整的、一层层的卷积操作，每层里多少通道的卷积核作为权重是可以被输入特色共享的存储数据。

“Transformer属于访存密集型网络，特点是算法模型里不规则形状的张量多，须要大量矩阵操作的Transpose/Permute/Reshape等算子，表示在硬件上便是对片上内存的容量和访存带宽的哀求会比以CNN为目标的加速芯片高很多。
映射在打算里面的表现便是对访存的来回操作，在内存中搬运的次数会比较多。
以是，是否能够适应Transformer模型，不仅要看AI芯片是否具备足够的访存容量，而且还要有足够的访存带宽。
访存带宽有多个层级，从打算内核到L1，再到L2，以及把这些东西连接起来的总线，都是决定成分。

“其次，Transformer对付浮点算力的哀求非常高，由于Transformer的Attention模块是矩阵乘+ Softmax，它实在是一个指数运算，对精度的哀求非常高。
传统的AI芯片紧张针对CNN网络设计，可以通过Int8来完成，基本上没有预留浮点算力。
没有浮点算力，对打算精度会造成很大的影响，以是浮点打算资源不敷是过去很多AI芯片存在的问题之一。

“末了，向量打算资源对付完成Transformer运算也非常主要。
上面已经提到Attention是一个矩阵乘+Softmax来回重复操作的过程。
矩阵乘是比较规则的矩阵运算，Softmax属于指数运算。
而指数运算实质上是向量运算，向量运算就须要用向量引擎去做，如果用矩阵运算单元去做向量运算，效率会很低，因此，须要有足够的向量打算资源去支撑。
”

那么，Transformer算法模型随意马虎在什么样的芯片架构上支配，或者说如何才能提高芯片对新的算法模型的适配度呢？

1）专门增加干系的算法模型引擎

传统 AI 推理专用芯片大多针对 CNN/RNN网络设计， 普遍针对INT8精度，险些不考虑浮点运算，并行打算效果不佳。
如果将Transformer网络大略量化为INT8精度后，整体的性能会显著低落，紧张是由于普通的激活函数量化策略无法覆盖全部的取值区间。

英伟达在设计GPU新架构Hopper时，专门增加了Transformer引擎，即专门为Transformer算法做了硬件优化，它凑集了新的 Tensor Core、FP8 和 FP16 精度打算，以及 Transformer 神经网络动态处理能力，旨在加速AI打算的效率。
Transformer引擎能够在演习神经网络的每个步骤中动态选择神经网络中每一层所需的精度，可以折衷动态范围和准确度，比如，可以根据事情负载在FP8和FP16格式之间进行自动切换，期望跑的每一步都只用最低精度需求，同时又不丢失精度的情形下来演习模型，以期达到最高的效率。
下一代车载AI芯片Thor便是采取这样的GPU架构。

英伟达 Transformer 引擎事情事理示意图（图片来源：英伟达官网）

2）针对特定算子进行优化

设计一款什么算法模型都支持的芯片也不太现实，如果这样，本钱一定高，研发周期一定长。
那么，若何才能让芯片尽可能多地去支持不同类型的网络呢？安霸半导体研发副总裁孙鲁毅谈到：“Transformer模型的核心算子是Self-Attention和 Cross-Attention ，中间包含了一些打算类型，比如矩阵乘法、Softmax等。
首先，要从事理上支持他们中间的各种打算；其次，芯片以及工具链要具备足够的灵巧性，后期便可以通过修正调度工具链，使得芯片在打算效率不低落的情形下去支持新的算法。

“网络模型的核心打算的地方集中在一些反反复复进行特定打算的操作上。
正由于如此，才可以通过设计专门的芯片去提高效率。
如果全体网络都是乱序的，那么，专用途理器就没法设计，只能做通用途理器了。
因此，我们专门优化了一些很主要的算子，比如，针对Transformer里面的矩阵打算以及一些非线性打算的算子进行优化，来提高芯片对付一些特定网络的打算效率。
”

3）适当增大内存带宽，避免其成为打算的“瓶颈”

在内存带宽的需求上，比较CNN，Transformer不仅模型更宽、更深、参数更多，其算子繁芜度也更高，打算单元须要频繁地从存储单元中存取数据与指令，因此，Transformer网络对付SRAM的利用率，对付内部总线突发大带宽访问等方面提出了更高的哀求。
那么，到底须要多大的带宽？某芯片公司研发工程师回答说：“这不能一概而论，算力、SRAM大小、算法模型类型都会导致对存储带宽产生不同的需求。
因此，芯片设计也不可能按照最大带宽来设计，否则芯片本钱无法接管，须要依据详细的运用需求做出合理方案”

4）因时制宜，不同的运用处景适宜不同的设计办法

后摩智能联合创始人&产品副总裁信晓旭说“Transformer在性能上虽然比CNN有了很大的提升，但我以为它并不是全体自动驾驶算法的结局，将来一定还会涌现新的算法模型，能够更好地办理目前尚未办理的问题。
在此情形下，如果把芯片做得过于专用化，可能在这一代芯片上，BEV /Transformer可以跑得很好，但当新的网络模型出来的时候，可能应对起来就比较吃力。

“现在，对付打算类芯片，大家的核心追求是打算效率。
专用的芯片是基于算法定义芯片的办法，是个中一种提高打算效率的办法和手段。
然而，自动驾驶是一个繁芜的系统，在最开始做芯片设计时候，我们就须要能够真正的理解自动驾驶的业务流，并能够以此为导向来设计NPU：一定要从系统的维度去看，去设计，而不是大略的拼积木的形式。
更多的时候，从传感器数据流进入系统开始，就要想着怎么设计才能让系统更高效的运行。

“因此，在智驾领域，不同的细分市场可能须要用不同的办法去定义和设计芯片。

前视一体机方案适宜采取‘算法定义芯片’的办法，由于前视一体机不须要实现太繁芜的功能，常日也不会涉及到更前辈的算法，这样的办法能够在最大程度长进步打算效率。
对付高阶智能驾场景，还有很多Corner case尚未完备办理，大家在做芯片的时候就要考虑通用性，以及未来对新算法的适配性。
芯片的底层设计要充分考虑上层运用算法的发展，在供应足够通用性的条件下，还要兼顾打算效率，这也是后摩智能当时选择做存算一体架构的缘故原由之一。
”

5）把NPU当成AI处理器来设计，而不是大略的AI加速器

针对当前最新盛行的算法模型，爱芯元智联合创始人&副总裁刘建伟认为：“谈到处理器，一样平常都会有指令集的观点，我们是把算子作为这些处理器的指令集，即所谓的算子集便是处理器的指令集。
以前的NPU紧张是针对CNN网络去开拓，如果是从设计加速器的角度去考虑，当时会很随意马虎陷入到只考虑 CNN网络模型的惯性思维中去。
而我们是把‘到底须要什么样算子’的需求分解到底层，相称于直接去考虑处理器的指令集该当如何设计。
在这种情形下，当BEV和Transformer 出来之后，只须要增加一些BEV 和Transformer干系的算子就可以。
以这样的思路去设计AI芯片，才能更好地兼顾通用性和灵巧性。

“ 首先，把NPU当成一个AI处理器来设计，关注的是处理器的指令集。
虽然网络构造变了，只是网络里面的算子的组合办法不一样，但是算子本身的变革没有那么大。

“ 其次，新的算法模型出来，到底须要什么样的算子？我们要做的事情是把这些算子实现好，让算子在硬件上跑得足够快。
对算法工程师来讲，只须要考虑这个硬件能支持哪些算子，若何才能让这些算子在硬件上跑得快。
随着韶光的推移，硬件和对应算子的适配度会越来越高。
”

6）基于“软件定义芯片”的理念去设计AI芯片

要想设计好一款芯片，首先一定要深刻理解算法和软件。
一位业内专业人士曾开门见山的提到，为什么当前一些AI芯片不能很好地适配最新的算法，最大的缘故原由可能在于他们前期的市场调查做得不充分，前瞻算法的发展趋势研究不透彻，导致设计出来的产品不具备有前瞻性，虽然能够办理以前客户提出的问题，但却不一定能够办理现在以及未来可能涌现的问题。
”

在笔者看来，地平线便是一家奉行“软件定义芯片”类似设计理念的公司。
地平线智能驾驶产品方案与市场总经理吕鹏谈到：“我们一贯都是强调要‘从软件中来，到软件中去’的理念去设计芯片，以软件驱动芯片的设计和创新的架构设计去支撑全体软件算法的开拓。
举个例子，如果一家芯片公司没有软件的Know-How，设计芯片时没有考虑清楚将来量产的时候最主流的算法会是什么，那么，一旦芯片量产后，运行当时最前辈、主流的算法的效率可能会非常低，因此，芯片便很难支撑前辈的算法落地。
从实质上来说，征程6对Transformer高效的支持性能也是基于地平线对付算法的深刻理解而推演出来的结果。
”

征程6采取地平线新一代纳什架构BPU，原生支持Transformer网络。
针对Transformer网络模型，地平线在J6上有几个独特的设计：

a.强大的并行浮点算力：支持多线程并发的SIMT Vector Processing Unit（VPU）；支持BF16/FP16/FP32 多种浮点数据类型，在性能和精度之间取得更好的平衡。

b.特殊优化的超越函数：支持 Layer-norm&Softmax 算子的硬件加速；支持 Transpose&Reshape算子的硬件加速。
Transformer模型中有一些非常关键的算子，虽然打算量不大，但繁芜度很大。
也便是说，打算量可能只占3%的算子，运行韶光可能要占到10%~30%。
因此，通过设计超越函数的算子，使得原来非常长的打算韶光得到快速的缩减。

c.采取全新的存储系统设计，片上包括L0M、L1M、L2M，共三级存储系统，用于数据缓冲和交流。
同时，前辈的总线架构合营高带宽的DDR，有效缓解内存墙的问题。

二、舱驾一体对车载AI芯片的影响

1）为什么要做“舱驾一体”？

当前，主机厂大多处于域掌握器集中式架构阶段。
在以功能划分的域掌握器根本上，为进一步降落本钱和增强不同域之间的协同，涌现了跨域领悟，即将多个域领悟到一起，比如，将动力域、底盘域以及车身域三者合并为整车掌握域；将更高算力需求的座舱域和智驾域整合为“舱驾一体”打算域。

黑芝麻智能高等市场产品总监徐晓煜认为：“随着自动驾驶的部分功能成熟运用并且相应体验得到市场和用户的接管，智能化配置的装置率会快速提高并快速趋同，随之而来的行业寻衅便是如何在担保功能、性能等产品指标的条件下优化本钱并让不同定位的车型都可以标配。

“行业共识的有效路径便是对不同的系统作进一步的整合和集成，原来多个供应商的多个硬件须要领悟为一个别系、一套硬件，从而在域掌握器本身、硬件材料、连接线材、软件用度等多方面降落本钱。

“现阶段是一个恰逢其时的韶光窗口，新型的电子电气架构为舱驾领悟在整车层面供应了底座根本，智驾和座舱的标准智能化也已逐渐趋向于成熟，同时，更主要的是芯片方面，新一代的高性能处理器已经问世，新的架构和技能可以更好地支持多功能的集成，从而可以更进一步将多芯片舱驾一体系统推向单芯片舱驾一体系统。
”

2）实现“舱驾一体”面临的寻衅是什么？

据干系业内人士透露，在2025年旁边，会有轻量级的单SoC芯片舱驾一体方案量产落地。
但也有部分业内人士没有那么乐不雅观，他们认为单SoC芯片舱驾一体方案量产落地可能不会那么快，还存在一些问题待办理。
整体来讲，舱驾一体肯定是大势所趋，大家普遍对在这方面的布局也比较认可。

“舱驾一体”面临的寻衅，从技能角度，可以从硬件和软件两个维度来看：

硬件层面

对付芯片厂商而言，开拓一款得当的舱驾一体SoC芯片本身就存在很大的寻衅。
由于它须要将多个别系和功能领悟在一起 ，并且还要能兼顾不同运用处景的需求 —— 有的重视相应，须要及时反馈；有的侧重安全，须要高稳定可靠性；有的既要性能强，还要兼容软件丰富，通用性好。

安霸半导体孙鲁毅谈到：“空想型的舱驾一体SoC须要在支持智能驾驶全功能高负荷运行的时候，还要支持座舱内的用户交互和娱乐系统，这非常有寻衅性。

“要担保用户交互和娱乐系统非常好的相应速率和较强的3D图像渲染能力，舱驾一体SoC不仅须要充足的内存带宽，而且对GPU和CPU的性能哀求也比较高。
除非舱驾一体SoC单芯片的总性能大于即是单独的座舱SoC和智驾SoC这两颗芯片性能之和，否则很难担保两边同时事情的效果。
而且，两边的DRAM系统最好是分开的，相互不影响内存带宽和访问延迟；其余，在GPU资源的利用上，座舱的娱乐系统和智驾系统最好也完备分开利用；如果AI打算利用专门的NPU，也要考虑是否被两套系统共享。
”

“但这样的芯片，本钱和功耗自然都不会低，而且繁芜度很高，出问题的概率也会增加。
而且，座舱和智驾的功能安全需求等级不一致，如果两边都做成知足智驾水平的功能安全等级，一定会抬高本钱。
如果两边按座舱的标准去做功能安全，智驾系统则存在安全性风险。
总之，单Soc芯片舱驾一体方案目前仍是一个值得探索但尚未被成功验证的道路。
”

软件层面

座舱和智驾如何进行安全有效的隔离？智驾域的特点是高可靠性和低时延性；而座舱域更看重娱乐和用户体验，须要更丰富的功能和较高的OTA频率。
如何把两个别系能进行很好的整合，担保不同任务的优先级情形和不同功能安全等级的实现，这都存在很大的寻衅。

目前座舱和智驾中干系模块对功能安全的哀求：智能座舱中控娱乐模块须要达到ASILA等级，仪表模块须要达到ASILB等级；智能驾驶停车模块至少须要达到ASILB等级，行车模块须要达到ASILD等级。
那么芯片底层的加速器资源针对这些不同功能安全等级的运用如何进行有效隔离是很棘手的问题。

对付单SoC舱驾一体方案，某Tier1智驾域控专家曾这样说到：“座舱和智驾这两种安全级别不一样的软件放在一起该如何共存？可以采取虚拟机的办法，也可以采取Container的办法。
通过这些办法都可以在软件层面上把不同的运用隔离出来，但更大的问题在于隔离完往后该怎么办？通讯怎么办理、调度怎么办理、资源怎么担保，把这些问题都办理好才是更具寻衅性的难题。
”

从非技能层面来看，便是旧调重弹的一些问题了，比如缺少行业技能标准，以及组织架构不匹配等，但这些非技能问题办理起来的难度可能比技能问题更大。

行业技能标准的问题

对付自动驾驶系统来讲，L0~L2有相应的标准。
但是高阶自动驾驶尚处于演进过程中，业界没有统一的标准：传感器方案没有统一，感知的数据格式不一致，那么，它对芯片处理架构的需求不一样。
可想而知，把高阶自动驾驶和丰富的座舱功能进行跨域领悟和打通，形成所谓的“舱驾一体”，在业内更是没有统一的技能和产品标准去约束。

“舱驾一体落地须要行业标准的推动，乃至须要强制一些厂商逐渐把他们的软件架构打开。
制订行业标准的目的便是把大家的利益统一起来，谁不随着行业标准走，谁就会亏损、掉队，乃至面临淘汰，这样才能逐渐推动全体行业的发展和进步。
”某Tier1智驾域控专家先容说。

组织架构方面的问题

针对舱泊行一体方案，研发部门的分工问题目前虽然已经被大家普遍意识到了，办理问题须要芯片厂家、主机厂以及一级供应商的通力协作。
目前，在履行层面，主机厂的座舱和智驾项目大部分还依然是由两个独立的部门去完成，怎么能够跨部门把这个项目去落地， 须要有更符合方案需求、更具竞争力的产品以及全方位的技能支持来一起推动方案落地量产。

其余，目前大部分座舱和智驾系统分别还须要选择多个不同的供应商来完成，如何供应有竞争力的产品，在单一芯片上实现座舱、停车以及行车赞助驾驶功能，帮助整车厂优化本钱，降落研发投入，提升盈利；给终端消费者带来更优的用户体验，是芯片厂家和整车厂商所共同面对的机遇与寻衅。

芯擎科技计策业务发展副总裁孙东认为：“做舱驾一体须要芯片厂家、主机厂或者Tier1在座舱开拓、停车开拓和行车开拓方面有一定的积累。
因此，舱驾一体落地更大的寻衅是要供应实际需求的产品，比较现有方案，要能够给整车厂降本增效，能够让参与者受益和提升竞争力。
新生事物肯定要冲破以前的惯性，以前任何的一个组织架构都受到当时的技能条件和产品形态影响。
随着市场的发展和技能的进步，舱泊行一体方案的发展，也会随之有新的东西出身。
对付芯片厂、软件公司、Tier1以及主机厂，都是很大的寻衅，从产品技能方案、供应商的选择、互助办法以及团队组织架构方面，都须要有做出相应的调度来加速这个趋势的发展，使自身更好的在技能方案演进的过程中受益，并成为行业发展的引领者。
”

3）“舱驾一体”的演进路径

舱驾领悟是未来的发展趋势，已经成为行业内的共识。
虽然现在还存在一些问题和寻衅，但是只要我们创造了问题，问题究竟会被逐个办理。
但是，大家依然会关心：单SoC芯片的舱驾一体方案什么时候可以落地？舱驾一体的发展路线又将会是若何的呢？

后摩智能信晓旭认为：“舱驾一体的发展路径该当是从One Box 到One Board，再到One Chip，循规蹈矩式的发展，不太可能一下子就超过到单SoC芯片舱驾一体的‘完美’办理方案。
比如，先通过One Box或One Board的方案，先试着去办理组织上的问题，把开拓过程中碰到的问题以及各方的职责先梳理清楚，把该踩的坑先踩一遍。
”

多数人基本赞许舱驾一体会走渐进式的发展路线，在硬件层面，会从One Box，One Board，再到One Chip。
同样，在功能层面，也是会先集成已经成熟稳定的功能，逐步再集成更高阶、更繁芜的功能。

谈到舱驾一体发展路线时，芯驰科技CTO孙鸣乐认为：“座舱整合智驾干系功能，一个可能的路线是：座舱首先集成360环视、APA等停车功能，再进一步集成ADAS行车功能，然后再集成更高阶的自动驾驶功能。
L2.x的ADAS和座舱的集成，是相比拟较有可行性的。
而对付L3级别自动驾驶的集成，其难题在于，自动驾驶的边界到现在为止还没有完备清晰。
比如最近“有图”和“无图”的方案谈论得很激烈，激光雷达是否会成为标配大家也有不同的见地，这些都是高阶智能驾驶面临的方向性问题，在这些技能路线问题尚未统一的情形下，高阶智驾功能就不太随意马虎和座舱系统做集成。
”

“从长期来看，终极方案 —— 单SoC芯片舱驾一体方案的发展是大方向。
但现阶段，由于高阶智驾的功能需求尚未完备稳定，目前市场也没有性能和本钱都比较空想的单SoC芯片能够很好地支持座舱和高阶自动驾驶的所有功能。
因此，在市场需求的驱动下，当前舱驾一体会勾留在L2.x的ADAS和座舱功能集成，高阶自动驾驶和座舱功能还会采取多SoC芯片方案来实现。

芯擎科技孙东也基本认同这样的演进路线：“ 目前，L2及以下的赞助驾驶功能，方向于直接集成到座舱的SoC芯片去完成，芯擎科技现有产品的算力能够完备知足需求，并且具有极佳的性价比。
L3以上的高阶智能驾驶方案，方向于用更大算力的智驾SoC芯片去实现。

“ 目前，赞助驾驶在市场的渗透率也才30%旁边，NOA功能的渗透率更低。
如果有企业率先在市场上把舱驾一体方案推出来，并且切实降落了本钱或在不增加用户本钱的根本上，将原来中高端车型的智驾功能扩大到中低端车型，赞助驾驶的渗透率将会更快的提升，全体行业都会受益。
新的事物进入到市场上，肯定要有一定的导入期。
只要方案有代价，并且是可靠的，方案的全行业落地实现无非便是韶光上的问题。
”

关于舱驾一体方案的量产落地韶光问题，徐晓煜认为：“谈论舱驾一体须要相对准确地定义不同的市场阶段所须要领悟的东西。
当前已进入成熟期的L2+级别自动驾驶与已大规模遍及的座舱功能的领悟，2025年起会进入量产和快速发展期。

“更高算力以及更高阶智驾的领悟尚需韶光，随着下一阶段未来5年高阶智驾的打破，面向2028年后的领悟功能边界会逐渐清晰。
同时，下一代工艺所支撑的新一代领悟SoC芯片也会面世，进而可以支撑更高算力性能，更多算力类型的需求。

“可以看到，一些主机厂和Tier1已经开始预备舱驾一体的平台项目，可以预见2024年将是舱驾一体打破期的出发点，目前企业在折衷不同部门开拓模式上的寻衅，软件上集成管理更多大型软件模块的寻衅，新型芯片的软硬件完善和成熟方面寻衅等，都会随着领先的OEM/Tier1的实际项目展开而得到快速办理。
”

4）“舱驾一体”须要一款什么样的车载AI芯片？

对付单芯片舱驾一体方案，按实现的难易程度可以划分为：轻量级单SoC舱驾一体和高阶单SoC舱驾一体。

轻量级单SoC舱驾一体方案，汇合成成熟的L2级的驾驶赞助功能+基本的座舱功能。
面向的细分市场紧张是针对20~25万旁边的车型。
徐晓煜认为：“对付这类的芯片，性价比是第一要素，通过单芯片最大程度减少系统元器件数量。
除了可以将座舱和智驾各自须要的算力类型安全可靠地集成在一个芯片架构之上，还须要考虑将独立MCU、独立的外围接口芯片等都尽可能地做集成。
寻衅在于对芯片的架构、综合性能、面积、功耗等都带来了新的问题须要占领。
”

高阶单SoC舱驾一体方案，将汇合成L2+乃至L3以上的高阶智能驾驶功能+丰富的座舱功能。
未来，这样的方案一定是用于搭载于高端车型上。
但是，由于高阶智能驾驶和高阶智能座舱的功能迭代和技能发展路线尚未完备收敛，同时，目前也尚未有一款得当的SoC芯片推出，以是，短期内很难量产落地。
那么，那这样一款芯片该当具备什么样的特质呢？

高通Snapdragon Flex SoC 参考方案示意图（图片来源-高通）

创新的硬件架构：知足跨域多场景需求，能够基于虚拟化技能将异构资源进行合理和安全地隔离分配 —— 把不同类型的算力，根据不同场景，以不同规格和安全哀求进行灵巧的搭配和组合。

总之，实现高阶的单SoC舱驾一体方案，对SoC芯片的哀求会更高：须要在设计芯片时，就能方案好座舱和智驾对CPU、GPU及NPU等各种算力的类型的需求，并在可行的工艺制程下，全面灵巧地实现性能、功耗和本钱之间的最佳平衡。

三、如何才算一款“好用”的车载AI芯片？

如何去判断一款车载AI芯片是否好用呢？可以从以下几个维度去不雅观察：

1）车载AI芯片的软件生态

“软件生态决定芯片代价”，已经成为了芯片行业的共识。
由于构建在芯片之上的软件生态对芯片的“可用性”具有较大的影响。
如果一家AI芯片企业具备软件生态上风，意味着客户在其芯片上面做开拓，开拓周期更短，开拓本钱更低。

AI开拓套件是软件生态里比较主要的一部分，常日包括算子库、AI工具链等。
什么样的芯片才算是“好用”的芯片？一样平常来讲， 首先，算子库丰富；其次，工具链好用。
奕行智能刘珲认为：“工具链好用表现在两个方面：第一，编译支配的时候，要能够把客户须要的算子都能署下去，不但能支持，并且性能还要好。
第二，不但根本举动步伐要好，而且在根本举动步伐之上的那些管理调度系统也须要做好，这是软硬结合的过程。

“其余，奕行智能自主研发的AI打算架构把RISC-V和DSA结合起来，办理了在传统AI加速器上所面临的通用性和专用性的抵牾问题。
基于软硬结合的前瞻理念，我们看到AI编译技能对大模型在端侧落地这件事上的主要性。
奕行智能采取了多层次AI编译器，我们通过一个著名模型——屋顶线模型（Roofline model），利用硬件微架构与软件编译器协同设计，把运用程序从Memory Bound转变成Computer Bound，以此来提高打算效率。
”

那么，一个良好的车载智能打算芯片软件生态应具有哪些特点呢？徐晓煜总结为以下两点：

2）车载AI芯片的适配性

主机厂或域掌握器Tier1在选择一款主控SoC芯片时，常日会参考的指标包括：能效比、AI算力和效率、车规级安全认证、办理方案的灵巧性和全面性、芯片适配性等多方面指标。
个中，AI芯片的适配性是关系到芯片是否“好用”的一项关键指标。

整体来讲，车载AI芯片的适配性可以从硬件、软件以及通讯三个层面去稽核。
在硬件层面，芯片的适配性包括传感器的适配，配套外围电路的适配，例如存储芯片（如LPDDR、NOR Flash）、通信芯片（如以太网交流芯片）、音视频数据接口以及干系处理芯片（如解串行芯片）等等；软件层面，芯片的适配性包括与底软、中间件以及上层算法层面的适配；通讯层面，紧张是芯片与总线的适配，涉及到CAN、以太网等总线，即芯片和其它组件的之间的通信和数据交流是否适配。

安霸半导体孙鲁毅认为，芯片的适配性要看客户的定义，而不是芯片厂商自己来定义。
泛泛来讲，芯片的适配性好不仅意味着全体系统方案的性能达标，而且硬件的支持、兼容性以及软件的成熟度等各方面也要高度适配。
比如软件驱动如果存在bug或者对某特定硬件不适配，可能导致相应硬件的功能或者性能发挥不出来，或者有偶发的故障，这些都是“不适配”的表现。

总之，芯片的适配性好可以理解为它可以使得产品达到预期的功能。
不仅要看它与硬件之间的关联，还要看与软件之间的关联，终极的判断依据是芯片跟其它系统组件是否能够很好地协作并达到预设的目标。

3）车载AI芯片的平台化设计

芯片厂商发展到一定阶段，在充分理解主机厂的需求后，为了降本增效以进一步提升产品的核心竞争力，一定会去打造并沉淀出自己的平台化方案，用平台化的方案去适配和兼容客户的差异化需求。
比如，地平线的征程6系列以及安霸的CV3系列等。

某域掌握器Tier1硬件平台专家曾对外透露，他们最开始是用不同的SoC和MCU芯片去为各家主机厂做事。
但经由一两个项目，他们创造每家主机厂的需求都不一样，用不同的芯片去匹配，研发本钱太高。
后来，他们干脆就深入研究一个系列的SoC芯片，用他们去灵巧匹配不同主机厂的项目，纵然个别项目拿不下或者不赢利，但整体来看，他们收益大大增加，本钱也趋向最小化，并且在行业内还形成了自己的口碑。

这个案例间接解释，是否具备较好的平台化设计方案，在后期也将是芯片厂商的核心竞争力之一。

在最近一次地平线征程6技能开放日活动中，在被问到征程6系列的芯片是如何做平台化设计的时候，地平线芯片产品方案与市场总经理尹凌冰回答说：“面向从低到高的全阶智能驾驶场景，征程6基于统一芯片设计理念进行平台化设计，秉持同代同等、代际兼容、高度集成、系统最优（DTCO，STCO）等理念，使其具备统一的软硬件技能特性，包括统一硬件架构、统一工具链和统一软件栈，进而供应平台化的系列打算方案，助力客户降本增效，缩短智驾系统开拓周期，打造系统本钱更优的智能驾驶方案。
”

地平线征程6系列芯片平台化设计（图片来源：地平线）

结语：

站在主机厂或者域控Tier1的角度，他们对芯片厂商的核心诉求是什么？回归到商业的实质，总结起来就三个字：“性价比”。
目前，芯片公司亟需办理的最痛点问题便是如何从客户的整体方案和业务角度考虑，帮助客户降落本钱的同时还能提高性能，从而创造更高代价。

大略来说，主机厂对付芯片产品的诉求，便是“既好又便宜”。
对付客户这样的诉求，爱芯元智刘建伟举例说到：“如何评价一个处理器？我们给客户推举用的是‘FPS/$’。
对付客户来讲， 最关心的是花了多少钱，达到了若何的性能。

“我们现在希望站在客户的角度，去卷 FPS/$。
卷到足够好用，那用得人就足够多。
‘FPS/$’这个评价标准包含两层含义：第一，显性本钱，这个大家能直不雅观感想熏染到，买芯片花多少钱，功耗多少，为此须要增加多少散热本钱等等，比如我们的M76芯片，可支持高速NOA功能，用自然散热的办法即可，可用于搭载在10~15万的燃油车上。
第二，隐性本钱。
如果我们IP的软件足够成熟，对客户来讲，可以大大降落人力本钱的投入，同时还能大幅缩短开拓周期。
”

总之，随着Transformer等新的算法模型引入到车端，以及EE架构不断向前推进，车载AI芯片正在掀起一轮新的竞争范式。
一款车载AI芯片终极能否上车，什么时候上车，以及上车后能否被大规模推广运用，既是技能和市场双轮共同驱动的结果，也是由算力、功耗、本钱、易用性和兼容性等多个维度成分综合平衡后的结果。