2013年初，高通開始進軍車載處理器市場，首款產品是2013年底的602A，在2014年初正式推出，不過推出后反應平平。車載系統開發周期遠比手機開發周期長，芯片至少要考慮5年后的市場，高通在2016年初推出820A（兩款芯片，一款為820A，不帶Modem，另一款為820Am，帶Modem），超前性能立刻獲得好評。

捷豹路虎第一個使用820A做座艙域控制器，在2017年下半年就有路虎星脈和捷豹I-PACE兩款量產車使用820A，隨后大眾、本田、吉利、PSA、比亞迪、瑪莎拉蒂也紛紛采用820A做座艙域控制器。本田的10代雅閣美版也采用820A，已正式上市，國內則因為1.5T發動機機油增多問題，10代雅閣推遲上市。

上圖為路虎攬勝星脈的座艙，采用4塊屏幕，其中全液晶儀表為12.3英寸，Infotainment為10英寸，車載信息顯示也為10英寸，屏上有兩個碩大的鋁合金旋鈕，還有一塊HUD使用的3.1英寸顯示屏。可能由日本松下或哈曼打造。Infotainment屏幕在啟動后會自動前傾，方便駕駛者觀看。Infotainment屏下方的車載信息顯示屏可以對車輛的空調、座椅和車輛設定進行控制，除了空調溫度旋鈕和音量旋鈕，其余都用觸控操作。儀表系統采用QNX，Infotainment用Linux+安卓界面。未來可能用Android Auto。

捷豹的第一款純電動車I-Pace采用了類似星脈的設計，只是把車載信息顯示屏換成了5.5英寸。這套系統中規中矩，唯一的出彩之處是激光HUD。捷豹路虎是第一個使用激光HUD的車廠，激光HUD顯示對比度極高，色彩艷麗。

雖然不能算嚴格意義上的AR HUD，但是已經很不錯了，能與ADAS和導航地圖系統通信。

820A相比NXP的i.mx8或者瑞薩的R-CAR H3，亦或者德州儀器的Jacinto EX，優勢有幾點：

820A的絕大部分開發成本已經由手機廠家分攤完畢，有充足的降價空間

820本來就是針對移動設備的，低功耗不言而喻

CPU和GPU性能強大，同時也是特別為安卓系統設計的

820A最大優勢，內含了4G Modem，無需再添加通訊模塊

820A的劣勢在于它最初不是針對車載市場的，不是按照ISO26262標準的開發流程得來的，安全等級連ASIL A級都達不到，只有AEC-Q100 3級。R-CAR H3是達到了ASIL B級，i.mx8暫時還未申請ASIL級別，但以NXP的能力，也能達到ASIL B級。當然可以通過添加其他元件讓整體系統達到ISO 26262標準，但畢竟是個麻煩。

和奔馳MBUX相比，820Am做域控制器的座艙并未給人帶來多少驚喜，820Am又多了一個強勁的對手，那就是英偉達的Parker。Parker一開始就是瞄準車載市場的，采用ASIL B級安全架構，內含鎖步的R5內核，有內存糾正功能。Parker的另一優勢是深度學習能力。820A的硬件也具備深度學習能力，但是高通的起步稍微晚了點，高通在2017年7月才發布了NPE的SDK。所以這方面應用還未看到，估計要等到下一代820座艙系統了。未來820域控制器可能接管部分ADAS功能，如360環視，車道線與行人識別，前撞報警，車道線偏離報警，不過應該只用于報警系統，不會用于主動執行系統，畢竟它沒有考慮功能安全，用起來還是讓人略微不放心。

此外深度學習這東西，沒有太多理論依據，更多的像蠻力的搜索——非常深的層數，幾千萬甚至上億參數，然后調整參數擬合輸入與輸出。這是一個不可解釋的黑盒子，用在汽車以外的手機上沒什么問題，但汽車領域要有充足的可解釋性，這樣才能評估安全風險。不過要想實現語義級的識別，深度學習幾乎是最好的方法，盡管汽車行業不喜歡這種黑盒子，但還是不得不高度重視深度學習。

高通的NPE主要在Caffe2和Tensor Flow上運行，Caffe2主要是圖形類，Tensor Flow還可以處理語音類。820內部采用異構架構，有三個運算單元，包括CPU、GPU、DSP分別針對不同類型的應用。

820內部的Hexagon 680 DSP內置了一個1024bit的SMID矢量數據寄存器，高通稱之為Hexagon Vector Extensions—Hexagon矢量擴展，簡寫為HVX。HVX每次可以處理四條VLIW向量指令，每個循環可以處理多達4096bit數據，需要注意的是，一般實際應用中的指令比DSP支持的最大指令寬度要小很多，不過借助于SIMD和系統的特性，單個指令可以一次操作多個數據，因此在計算中很多數據可以被一次性填充進入處理過程，實現效能的最大化。

另外，HVX為了實現上下文切換功能，還設計了32個向量寄存器。規格方面，HVX支持32位的定點十進制數的操作，一般為INT8位，但不支持浮點計算，畢竟成本還是要考慮的。VX內部擁有L1數據和指令緩存，4個并行的VLIW標量處理單元，單元的運行頻率為500MHz，還有共享的L2緩存。

此外，HVX中還有兩組獨立的矢量單元，這樣設計實際上是為了執行多線程任務，比如同時處理音頻和圖像處理，矢量單元可以獨立進行計算。ADAS中的視覺處理如360度環視，車道線識別，也就是量化的8比特數據交給DSP比較合適。DSP的能耗比差不多是最優秀的。非量化的32比特數據交給CPU或GPU處理。

上圖為NPE工作流程

座艙領域的深度學習可能會以語音識別或NLP自然語音處理為主要任務，并且是本地化離線與云端結合的NLP。離線NLP對目前高端CPU或者GPU來說處理能力問題不大，關鍵是存儲語音庫模型，消耗成本較高，存儲器價格持續上漲令人頭痛。再有可能就是知識產權的問題，離線的數據包有可能被人破解。

上圖為完整的深度學習平臺，可以說深度學習就是靠英偉達的GPU發展起來的，沒有英偉達的GPU，深度學習不會走到今天這等地步，今天大部分深度學習的訓練部分加速都是GPU完成的。而英偉達在一開始就布局長遠，早在2007年推出CUDA的時候，就想到用CUDA建立了類似英特爾的生態圈。雖然官方發布的 CUDA Toolkit 并不總是最高效的實現，而是存在一定認知“黑洞”，一般用戶無論如何優化CUDA C程序都無法逾越性能瓶頸。

而官方發布的庫，從早期的CUBLAS，CUFFT到后來面向深度學習的CUDNN，都不是用CUDA C寫的，而是NVIDIA內部的編譯器完成的（這個是沒有公開的版本），這樣對NVIDIA好處顯而易見，既能賣硬件，又能在軟件上保持領先，增加用戶粘度。從用戶角度而言，使用高度封裝的庫可以降低開發、調試的門檻，直接調用C API就可以實現自己的算法，無需了解CUDA C的設計細節。即使是谷歌，也是選擇CUDA而不是OpenCL作為TensorFlow的后端。

問題來了，高通的GPU自然不可能用CUDA，只能用OpenCL。CUDA則有強大的生態體系，尤其是深度學習訓練領域，遠比OpenCL易用。OpenCL雖然句法上與CUDA接近，但是它更加強調底層操作，因此難度較高，但正因為如此，OpenCL才能跨平臺運行。基于C語言的CUDA被包裝成一種容易編寫的代碼，因此即使是不熟悉芯片構造的科研人員，也可能利用CUDA工具編寫出實用的程序，程序員更喜歡CUDA。

當然OpenCL與CUDA不是嚴格意義上的競爭關系，CUDA是一個并行計算的架構，包含有一個指令集架構和相應的硬件引擎。OpenCL是一個并行計算的應用程序編程接口（API）。CUDA C是一種高級語言，那些對硬件了解不多的非專業人士也能輕松上手；而OpenCL則是針對硬件的應用程序開發接口，它能給程序員更多對硬件的控制權，相應的上手及開發會比較難一些。所以用高通的GPU做深度學習，難度頗高，好在高通還有個DSP，雖然這個DSP只能做定點運算，但是還是有點用處的，比如語音處理時消除背景噪音。

英偉達的Parker在性能方面優勢比較明顯，在深度學習領域優勢更明顯，但是在功耗方面很可能不如高通820Am，雖然高通未給出準確的TDP數字，英偉達也未給出準確數值，有說7.5瓦，也有說最高21瓦。TDP這個指標已經有點過時了，很難準確評價芯片的功耗，但手機對功耗要求肯定比車載更加苛刻，尤其是高通810被人投訴發熱嚴重，820肯定不會掉以輕心，車載的估計也適當降低CPU性能來降低功耗。

中美貿易爭端的大背景下，高通收購NXP很有可能得不到批準。未來高通的820A，英偉達的Paker會對老牌廠家NXP的i.mx8 （i.mx8QM、 i.mx8QP要到2018年3季度才有量產樣片，且還是28納米的FD-SOI工藝），瑞薩的R-CAR H3、德州儀器的Jacinto 6 Plus構成強大的威脅。820A可能會擠占i.mx8的中端市場，Parker則可能會主打高端市場，擠壓R-CAR H3的市場。