在汽車“新四化”浪潮下，汽車由傳統的代步工具逐步向具備感知、決策、執行能力，長在輪子上的“智能終端”演進；“軟件定義汽車”的商業模式逐步開始顛覆傳統汽車制造行業，其產業鏈價值也產生了重要的變化，汽車電子和軟件成為智能汽車時代價值鏈分配的主要增量。而在這里面汽車芯片作為主導智能化的基石，產生了很大的需求及市場變化。

　　在過去5年，車載芯片的算力增長遠超預期（圖1），從早一個時代的汽車ADAS技術主要奠基者和引領者Mobileye代表作之一EyeQ4時代的2.2TOPS到英偉達新發布下一代自動駕駛芯片Atlan（預計2025年裝車） 1000TOPS算力，短短幾年時間算力增長超過400倍。

　　而驅動算力軍備競賽的，正是以特斯拉為首的新勢力示范下，使得全球車企都看到采用自動駕駛架構，用數據和算法持續提升，通過智能化能力實現彎道超車的機會。但這種開發模式，就需要強大的自由算力支持和快速迭代調整的適應能力。

　　Mobileye作為近20年的自動駕駛賽道領跑玩家，在這場競賽中，也被包括英偉達、高通等一眾新勢力玩家搶占先機。

　　圖1：主流自動駕駛賽道玩家芯片算力演進（圖源：開源證券）

　　智能汽車算力的提升將給未來汽車形態帶來無窮的想象空間：

　　智能座艙

　　娛樂和元宇宙將是座艙未來的第一需求。我國市場座艙智能配置水平的新車滲透率約48.8％，到2025年預計可超過75％。

　　智能座艙最終將成為“移動智能空間”的第三空間，通過人工智能和沉浸式音視頻帶來革命性的人機交互體驗，并結合智慧視覺能力實現實時安全提醒和智能AR導航，其核心能力包括智能化服務（語義理解和視覺感知、空間交互、主動感知人的需求）、沉浸式視聽（多屏互動，多聲道、沉浸式體驗，游戲體驗），驅動其進入“算力時代”，進一步對大算力芯片提出四大挑戰（圖2）。

　　今天的用戶購車考量中，座艙智能科技配置水平，成為僅次于安全配置的第二大類關鍵要素；智能座艙進一步向元宇宙演進中，會對異構計算（CPU/GPU/NPU等）算力的演進提出更高的要求，需要芯片廠家能夠快速貼近主機廠需求、滿足迭代速度。

　　圖2：智能座艙大算力芯片四大挑戰

　　自動駕駛

　　行業內自動駕駛兩條路線，一是特斯拉為代表的純機器視覺路線，二是絕大多數主機廠認可的感知融合路線。

　　特斯拉機器視覺路線并不是誰都能玩的路線，高度依賴于樣本的訓練，對數據+算法有非常強的依賴（特斯拉為此建立全球領先的超級計算機訓練平臺Dojo），同時從安全角度來看是單保險模式；而主流認可的方向仍然是感知融合，采用“視覺的圖像數據+雷達的速度和位置信息數據”融合感知的方式，方案落地相對較快，同時基于攝像頭的純視覺感知+雷達融合感知實現冗余設計。

　　隨著激光雷達成本的進一步降低，融合感知路線會更進一步形成勢頭。多感知能力，要求引入大量傳感器數據，對車載算力提出更高的要求；中高端車型包括理想X01、小鵬G9、北汽極狐阿爾法S等都已經搭配超過30+傳感器（包括攝像頭、毫米波雷達、超聲波雷達、激光雷達），攝像頭全面引入800萬像素，激光雷達普遍上車，整車自動駕駛算力已經從數百TOPS到1000 TOPS的演進（圖3）。

　　圖3：典型車型傳感器部署和自動駕駛芯片算力（圖源：銀河證券）

　　同時特斯拉與Mobileye的分手和自研FSD芯片的崛起，也進一步說明深度學習是自動駕駛的分水嶺；多方入局自動駕駛的底層邏輯是確定性的，即依靠AI在行駛過程中進行視覺識別和判斷決策。

　　自2012年以來，不同網絡結構的CNN（卷積神經網絡）幾乎統治了圖像識別領域算法；2017年開始，Transformer 網絡開始引起廣泛關注，統治了NLP（自然語言處理領域）領域，并逐步移植到了很多視覺任務。

　　2020 年 Vision Transformer （ ViT ）橫空出世，計算機視覺領域的頂級峰會 CVPR 2021上，特斯拉在算法領域引入Transformer模型，典型應用包括八個攝像頭的視頻中用傳統的 ResNet 提取圖像特征，并使用 Transformer 算法將它們融合在一起。

　　未來是各廠商重點布局算法核心能力的時期，而算法仍然是一個快速迭代和變化的時代；在通往高等級自動駕駛過程中，DNN模型數量也會持續增加到數十個。適應這樣的變化，需要有穩定的通用大算力性能作為基石，使得自動駕駛軟件的不斷迭代優化能夠享受到硬件算力先行帶來的便利。

　　更進一步，汽車電子電氣架構從“分布式架構-域控制器-中央計算平臺”的演化過程基本成為行業共識。

　　在今天，主力的車型規劃基本上都是以域控制器架構為主，車身域、智駕域、座艙域三個方面已經開始形成基本一致；但同時，也有越來越多的主機廠開始進入下一階段入中央計算平臺+區控制器的架構，這帶來對車載高性能計算的新要求。

　　中央計算平臺硬件可能搭載多顆SOC芯片或者專用SOC配套（如純粹的AI加速），算力上CPU高達250K到500K DMIPS，AI算力高達600到數千TOPS的要求。

　　隨著單芯片進入到<5nm的制程，摩爾定律1.0逐步失效，單片算力增長受限，我們認為芯片級聯方案將以更低成本的算力堆積來滿足不同場景下智能汽車對于算力的不斷需求。

　　伴隨著未來智能座艙走向元宇宙時代、自動駕駛走向L4/L5、汽車電子電氣架構走向中央計算平臺+區控制器模式，對底層基礎的算力、算法都會產生快速的變化牽引。

　　回顧過去幾年時間，傳統的汽車芯片玩家NXP/RENESAS/TI已經遭遇被NVDIA/Qualcomm洗牌，2年前還強勢的Mobileye被各大主機廠逐步更換，國內新老芯片勢力開始入局。

　　持續的變化代表著這個時代還沒有最終的格局性玩家；對于市場已有芯片供應商玩家，如何避免被新的時代變化所拋棄；對于新入局的玩家，甩掉老的慣性，也有機會抓住未來幾年 “算力質變支撐應用和算法的持續迭代”的窗口期，獲得新一輪較量的先機。