行業觀點：

汽車電子發展初期以分布式 ECU 架構為主流，芯片與傳感器一一對應，隨著汽車電子化程度提升，傳感器增多、線路復雜度增大，中心化架構 DCU、MDC 逐步成為了發展趨勢；

隨著汽車輔助駕駛功能滲透率越來越高，傳統 CPU 算力不足，難以滿足處理視頻、圖片等非結構化數據的需求，而 GPU 同時處理大量簡單計算任務的特性在自動駕駛領域取代 CPU 成為了主流方案；

從 ADAS向自動駕駛進化的過程中，激光雷達點云數據以及大量傳感器加入到系統中，需要接受、分析、處理的信號大量且復雜，定制化的ASIC 芯片可在相對低水平的能耗下，將車載信息的數據處理速度提升更快，并且性能、能耗和大規模量產成本均顯著優于 GPU 和 FPGA，隨著自動駕駛的定制化需求提升，ASIC 專用芯片將成為主流。

目前出貨量最大的駕駛輔助芯片廠商 Mobileye、Nvidia 形成“雙雄爭霸”局面，Xilinx 則在 FPGA 的路線上進軍，Google、地平線、寒武紀在向專用領域 AI 芯片發力，國內四維圖新、全志科技等也在自動駕駛芯片領域積極布局。

Mobileye 的核心優勢是EyeQ 系列芯片，可以處理攝像頭、雷達等多種傳感器融合產生的大量數據，在 L1-L3 自動駕駛領域具有極大的話語權，目前出貨量超過了 2700 萬顆；

NVIDIA 在 GPU 領域具有絕對的領導地位，芯片算力強大且具備很強的靈活性，但功耗高、成本高，AI機器學習并不太適合 GPU的應用；

此外 Google、地平線、寒武紀、四維圖新等更聚焦在針對不同場景下的具體應用，芯片設計也開始增加硬件的深度學習設計，自動駕駛上 AI 的應用已經成為未來的趨勢。

一、車載芯片的發展趨勢（CPU-GPU-FPGA-ASIC）

過去汽車電子芯片以與傳感器一一對應的電子控制單元（ECU）為主，主

要分布與發動機等核心部件上。隨著汽車智能化的發展，汽車傳感器越來

越多，傳統的分布式架構逐漸落后，由中心化架構 DCU、MDC 逐步替代。

隨著人工智能發展，汽車智能化形成趨勢，目前輔助駕駛功能滲透率越來越高，這些功能的實現需借助于攝像頭、雷達等新增的傳感器數據，其中視頻（多幀圖像）的處理需要大量并行計算，傳統 CPU 算力不足，這方面性能強大的 GPU 替代了 CPU。再加上輔助駕駛算法需要的訓練過程， GPU+FPGA 成為目前主流的解決方案。

著眼未來，自動駕駛也將逐步完善，屆時又會加入激光雷達的點云（三維位置數據）數據以及更多的攝像頭和雷達傳感器，GPU 也難以勝任， ASIC 性能、能耗和大規模量產成本均顯著優于 GPU 和 FPGA，定制化的ASIC 芯片可在相對低水平的能耗下，將車載信息的數據處理速度提升更快，隨著自動駕駛的定制化需求提升，ASIC 專用芯片將成為主流。本文以如上順序梳理車載芯片發展歷程，探討未來發展方向。

二、車載芯片的過去—以 CPU 為核心的 ECU

2.1 ECU 的核心 CPU

ECU（Electronic Control Unit）是電子控制單元，也稱“行車電腦”,是汽車專用微機控制器。一般 ECU 由 CPU、存儲器（ROM、RAM）、輸入/ 輸出接口（I/O）、模數轉換器（A/D）以及整形、驅動等大規模集成電路組成。

ECU 的工作過程就是 CPU 接收到各個傳感器的信號后轉化為數據，并由 Program區域的程序對 Data 區域的數據圖表調用來進行數據處理，從而得出具體驅動數據，并通過 CPU針腳傳送到相關驅動芯片，驅動芯片再通過相應的周邊電路產生驅動信號，用來驅動驅動器。即傳感器信號——傳感器數據——驅動數據——驅動信號這樣一個完整工作流程。

2.2 分布式架構向多域控制器發展

汽車電子發展的初期階段，ECU 主要是用于控制發動機工作，只有汽車發動機的排氣管（氧傳感器）、氣缸（爆震傳感器）、水溫傳感器等核心部件才會放置傳感器，由于傳感器數量較少，為保證傳感器-ECU-控制器回路的穩定性，ECU 與傳感器一一對應的分布式架構是汽車電子的典型模式。

后來隨著車輛的電子化程度逐漸提高，ECU 占領了整個汽車，從防抱死制動系統、4 輪驅動系統、電控自動變速器、主動懸架系統、安全氣囊系統，到現在逐漸延伸到了車身各類安全、網絡、娛樂、傳感控制系統等。

隨著汽車電子化的發展，車載傳感器數量越來越多，傳感器與 ECU 一一對應使得車輛整體性下降，線路復雜性也急劇增加，此時 DCU（域控制器）和MDC（多域控制器）等更強大的中心化架構逐步替代了分布式架構。

域控制器（Domain Control Unit）的概念最早是由以博世，大陸，德爾福為首的 Tier1 提出，是為了解決信息安全，以及 ECU 瓶頸的問題。根據汽車電子部件功能將整車劃分為動力總成，車輛安全，車身電子，智能座艙和智能駕駛等幾個域，利用處理能力更強的多核 CPU/GPU芯片相對集中的去控制每個域，以取代目前分布式汽車電子電氣架構。

而進入自動駕駛時代，控制器需要接受、分析、處理的信號大量且復雜，原有的一個功能對應一個 ECU 的分布式計算架構或者單一分模塊的域控制器已經無法適應需求，比如攝像頭、毫米波雷達、激光雷達乃至 GPS 和輪速傳感器的數據都要在一個計算中心內進行處理以保證輸出結果的對整車自動駕駛最優。

因此，自動駕駛車輛的各種數據聚集、融合處理，從而為自動駕駛的路徑規劃和駕駛決策提供支持的多域控制器將會是發展的趨勢，奧迪與德爾福共同開發的 zFAS，即是通過一塊 ECU，能夠接入不同傳感器的信號并進行對信號進行分析和處理，最終發出控制命令。

三、車載芯片的現在—以 GPU 為核心的智能輔助駕駛芯片

人工智能的發展也帶動了汽車智能化發展，過去的以 CPU 為核心的處理器越來越難以滿足處理視頻、圖片等非結構化數據的需求，同時處理器也需要整合雷達、視頻等多路數據，這些都對車載處理器的并行計算效率提出更高要求，而 GPU 同時處理大量簡單計算任務的特性在自動駕駛領域取代CPU成為了主流方案。

3.1 GPU Vs. CPU

CPU 的核心數量只有幾個（不超過兩位數），每個核都有足夠大的緩存和足夠多的數字和邏輯運算單元，并輔助很多復雜的計算分支。而GPU 的運算核心數量則可以多達上百個（流處理器），每個核擁有的緩存大小相對小，數字邏輯運算單元也少而簡單。

CPU和 GPU 最大的區別是設計結構及不同結構形成的不同功能。CPU的邏輯控制功能強，可以進行復雜的邏輯運算，并且延時低，可以高效處理復雜的運算任務。而 GPU邏輯控制和緩存較少，使得每單個運算單元執行的邏輯運算復雜程度有限，但并列大量的計算單元，可以同時進行大量較簡單的運算任務。

3.2 GPU 占據現階段自動駕駛芯片主導地位

相比于消費電子產品的芯片，車載的智能駕駛芯片對性能和壽命要求都比較高，主要體現在以下幾方面：

1、耗電每瓦提供的性能；

2、生態系統的構建，如用戶群、易用性等；

3、滿足車規級壽命要求，至少 1 萬小時穩定使用。

目前無論是尚未商業化生產的自動駕駛 AI 芯片還是已經可以量產使用的輔助駕駛芯片，由于自動駕駛算法還在快速更新迭代，對云端“訓練”部分提出很高要求，既需要大規模的并行計算，又需要大數據的多線程計算，因此以GPU+FPGA 解決方案為核心；在終端的“推理”部分，核心需求是大量并行計算，從而以 GPU為核心。

3.3 相關公司

3.3.1 NVIDIA

NVIDIA 在自動駕駛領域的成就正是得益于他們在GPU 領域內的深耕，NVIDIA GPU 專為并行計算而設計，適合深度學習任務，并且能夠處理在深度學習中普遍存在的向量和矩陣操作。相對于 Mobileye 專注于視覺處理，NVIDIA 的方案重點在于融合不同傳感器。

2016 年，英偉達在 Drive PX 2 平臺上推出了三款產品，分別是配備單 GPU 和單攝像頭及雷達輸入端口的 Drive PX2 Autocruise（自動巡航）芯片（下圖左上）、配備雙 GPU 及多個攝像頭及雷達輸入端口的 Drive PX2 AutoChauffeur（自動私人司機）芯片（右上）、配備多個 GPU 及多個攝像頭及雷達輸入端口的 Drive PX2 Fully Autonomous Driving（全自動駕駛）

芯片（下方）。

以目前的銷售情況，Drive PX 2 搭載上一代Pascal 架構GPU 已經實現量產，并且已經搭載在Tesla 的量產車型Model S 以及Model X 上。目前PX 2 仍然是NVIDIA 自動駕駛平臺出貨的主力，Tesla，Audi 和ZF 等對外公布Drive PX 2 應用在量產車上。

Xavier 是Drive PX 2 的進化版本，搭配了最新一代的Volta 架構GPU, 相較于 Drive PX 2 性能將提升近一倍，2017 年年底量產。由于多家主機廠 L3 級別以上自動駕駛量產車的計劃在2020 年左右，而 Xavier 的量產計劃將能和自動駕駛車的研發周期相互配合（一般3 年左右），因此 Xavier 的合作都是有量產車落地計劃的。

而對于較早與 NVIDIA 達成合作的車廠來說，他們在小批量測試、量產的優先級別以及可定制化空間等方面都能獲得一定的優勢。

圖表13：NVIDIA DRIVE Pegasus AI計算平臺

目前，L4 及以上的市場基本上被 NVIDIA 壟斷，CEO 黃仁勛稱全球有 300 余家自動駕駛研發機構使用 Drive PX2。Drive PX 2 單價為 1.6 萬美金，功耗達 425 瓦，但目前沒有達到車規，按功耗和成本看，只能小規模測試階段使用。

3.3.2 四維圖新

國內地圖行業龍頭，向 ADAS 和自動駕駛進軍。公司成立于 2002 年，是國內首家獲導航地圖制作資質的企業（目前僅 13 家），為領先的數字地圖內容、車聯網與動態交通信息服務、基于位置的大數據垂直應用服務的提供商之一。其拳頭業務——地圖業務，以國內 60%的份額穩居壟斷地位。 2017 年以來，公司收購杰發科技、入股中寰衛星與禾多科技，“高精度地圖+芯片+算法+軟件”的自動駕駛產業鏈全方位布局雛形已現。

高精度地圖：代表國內最高水平。公司以地圖起家，目前國內高精度地圖僅兩家玩家（另一家為高德），公司深度綁定獲得寶馬、大眾、奔馳、通用、沃爾沃、福特、上汽、豐田、日產、現代、標致等主流車企發展，占絕對優勢。2017 年公司實現支持 L3 級別（至少 20 個城市）的高精度地圖，計劃于 2019 年覆蓋所有城市，并為 L4 的推出做準備。公司地圖編譯能力亮眼，全球首位提供 NDS 地圖從生產到編譯環節。此外，公司在荷蘭、美國硅谷、新加坡等地設立研發中心和分支機構，合作伙伴涵蓋國際主流車廠、新一代整車企業以及騰訊、滴滴、搜狗、華為等國內知名企業。

芯片：收購杰發科技布局汽車芯片。杰發科技（2017 年 3 月完成收購）脫胎于聯發科，主攻車載信息娛樂系統芯片?，F階段在國內后裝市場市占率超 70%，前裝超 30%（主要為吉利、豐田等車企），其車規級IVI 芯片被多家國際主流零部件廠商采用，并計劃推出 AMP、MCU 及 TPMS（胎壓監測）芯片等新一代產品。公司通過收購杰發科技，具備了為車廠提供高性能汽車電子芯片的能力，打通從軟件到硬件的關鍵性關卡，并與蔚來、威馬、愛馳億維等造車新勢力公司達成了合作。

該芯片采用 64 位 A53四核架構，內置硬件圖像加速引擎，支持雙路高清視頻輸出，和四路高清視頻輸入，能同時支持高級車載影音娛樂系統全部功能和豐富的 ADAS 功能。功能包括：360°全景泊車系統、車道偏移警示系統 LDW、前方碰撞警示系統 FCW、行人碰撞警示系統 PCW、交通標志識別系統 TSR、車輛盲區偵測系統 BSD、駕駛員疲勞探測系統 DFM 和后方碰撞預警系統 RCW 等。

3.3.3 全志科技

在今年 5 月的 CES Asia，全志科技發布首款車規級處理器 T7，同時發布基于 T7 的多種智能座艙產品形態。T7 是數字座艙車規（AEC-Q100）平臺型處理器，支持 Android、Linux、QNX系統，集成多路高清影像輸入和輸出，完美支持高清多媒體處理，內置的 EVE 視覺處理單元可提升輔助駕駛運算效率。

該款芯片雖然是首款通過車規的國產中控主機芯片，但還處于起步階段，根據正常汽車電子芯片的生命周期，要規模應用至少需要兩年時間，而等到形成較多的用戶和良好的生態還需很多資源投入以及時間的積累。因此國產車載芯片不論在自動駕駛領域還是中控或輔助駕駛領域，想要真正形成量產與國外老牌巨頭競爭，都還需要大量人力、資本和時間。

四、車載芯片的未來—以 ASIC 為核心的自動駕駛芯片

4.1 ASIC vs GPU+FPGA

GPU適用于單一指令的并行計算，而 FPGA 與之相反，適用于多指令，單數據流，常用于云端的“訓練”階段。此外與 GPU對比，FPGA沒有存取功能，因此速度更快，功耗低，但同時運算量不大。結合兩者優勢，形成GPU+FPGA 的解決方案。

FPGA 和 ASIC 的區別主要在是否可以編程。FPGA 客戶可根據需求編程，改變用途，但量產成本較高，適用于應用場景較多的企業、軍事等用戶；而 ASIC 已經制作完成并且只搭載一種算法和形成一種用途，首次“開?！背杀靖?，但量產成本低，適用于場景單一的消費電子、“挖礦”等客戶。目前自動駕駛算法仍在快速更迭和進化，因此大多自動駕駛芯片使用GPU+FPGA 的解決方案。未來算法穩定后，ASIC 將成為主流。

計算能耗比，ASIC > FPGA > GPU > CPU，究其原因，ASIC 和 FPGA 更接近底層 IO，同時FPGA有冗余晶體管和連線用于編程，而 ASIC 是固定算法最優化設計，因此 ASIC 能耗比最高。相比前兩者，GPU 和 CPU 屏蔽底層 IO，降低了數據的遷移和運算效率，能耗比較高。同時 GPU 的邏輯和緩存功能簡單，以并行計算為主，因此 GPU能耗比又高于 CPU。

4.2 ASIC 是未來自動駕駛芯片的核心和趨勢

結合 ASIC 的優勢，我們認為長遠看自動駕駛的 AI 芯片會以 ASIC 為解決方案，主要有以下幾個原因：

1、由于處理的傳感器信息需要大量冗余，自動駕駛對終端算力要求極高，并且車速越快，對計算能力要求越高；

2、自動駕駛對終端計算的實時性要求極高。任何超出一定范圍的延遲，都有可能造成事故，因此終端會負責自動駕駛的核心計算和決策功能；

3、對能效要求高，否則降低車輛續航，影響駕駛體驗。高能耗同時帶來的熱量也會降低系統穩定性。例如下一代支持 L4 的 NVIDIA Drive Pegasus 功耗為 500 瓦，只能應用于小規模的測試車；

4、高可靠性。真正滿足車規的自動駕駛芯片需要在嚴寒酷暑、刮風下雨或長時間運行等惡劣條件下，都有穩定的計算表現。

綜上 ASIC 專用芯片幾乎是自動駕駛量產芯片唯一的解決方案。由于這種芯片僅支持單一算法，對芯片設計者在算法、IC 設計上都提出很高要求。

以上并非下定論目前 ASIC 為核心的芯片一定比 GPU+FPGA 的芯片強，由于目前自動駕駛算法還在快速迭代和升級過程中，過早以固有算法生產ASIC 芯片長期來看不一定是最優選擇。

4.3 相關公司

4.3.1 Mobileye

Intel 在ADAS 處理器上的布局已經完善，包括Mobileye 的ADAS 視覺處理，利用Altera 的FPGA 處理，以及英特爾自身的至強等型號的處理器，可以形成自動駕駛整個硬件超級中央控制的解決方案。

Mobileye 具有自主研發設計的芯片 EyeQ 系列，由意法半導體公司生產供應?，F在已經量產的芯片型號有 EyeQ1 至 EyeQ4，EyeQ5 正在開發進行中，計劃 2020 年面世，對標英偉達 Drive PX Xavier，并透露 EyeQ5 的計算性能達到了 24 TOPS，功耗為 10 瓦，芯片節能效率是 Drive Xavier 的2.4 倍。

英特爾自動駕駛系統將采用攝像頭為先的方法設計，搭載兩塊EyeQ5 系統芯片、一個英特爾凌動 C3xx4 處理器以及 Mobileye 軟件，大規模應用于可擴展的 L4/L5 自動駕駛汽車。該系列已被奧迪、寶馬、菲亞特、福特、通用等多家汽車制造商使用。

從硬件架構來看，該芯片包括了一組工業級四核MIPS 處理器，以支持多線程技術能更好的進行數據的控制和管理（下圖左上）。多個專用的向量微碼處理器（VMP），用來應對ADAS 相關的圖像處理任務（如：縮放和預處理、翹曲、跟蹤、車道標記檢測、道路幾何檢測、濾波和直方圖等，下圖右上）。一顆軍工級MIPS Warrior CPU 位于次級傳輸管理中心，用于處理片內片外的通用數據（下圖左中）。

此外通過行業訪談調研等途徑了解到，Mobileye 在 L1-L3 智能駕駛領域具有極大的話語權，對 Tire1 和 OEM 非常強勢，其算法和芯片綁定，不允許更改。

4.3.2 寒武紀

5 月3 日，寒武紀科技在 2018 產品發布會上發布了多個 IP 產品——采用

7nm 工藝的終端芯片Cambricon 1M、云端智能芯片MLU100 等。

其中寒武紀 1M芯片是公司第三代 IP產品，在 TSMC7nm工藝下 8 位運算的效能比達 5Tops/w（每瓦 5 萬億次運算），同時提供 2Tops、4Tops、 8Tops 三種尺寸的處理器內核，以滿足不同需求。1M 還將支持 CNN、 RNN、SVM、k-NN 等多種深度學習模型與機器學習算法的加速，能夠完成視覺、語音、自然語言處理等任務。通過靈活配置 1M 處理器，可以實現多線和復雜自動駕駛任務的資源最大化利用。它還支持終端的訓練，以此避免敏感數據的傳輸和實現更快的響應。

寒武紀首款云端智能芯片 Cambricon MLU100 同期發布，同時公布了在 R-CNN算法下 MLU100 與英偉達 Tesla V100（2017）和英偉達 Tesla P4

（2016）的對比，從參數上看，主要對標 Tesla P4。

最后說明芯片從設計到落地應用面臨的潛在風險：

4.3.3 地平線

2017 年地平線發布了新一代自動駕駛芯片“征程”和配套軟件平臺方案 “雨果”，同時還發布了應用于智能攝像頭的“旭日”處理器?！罢鞒獭笔且豢顚Ｓ?AI 芯片，采用地平線的第一代 BPU 架構，可實時處理 1080p@30 視頻，每幀中可同時對 200 個目標進行檢測、跟蹤、識別，典型功耗 1.5W，每幀延時小于 30ms。據地平線CEO 余凱介紹，地平線的芯片更聚焦在針對不同場景下的具體應用，相比于英偉達的方案，在功耗上低一個數量級，價格也會有更大的競爭力。

2018 年亞洲 CES，地平線宣布推出從 L2 到 L4 級別全系列的自動駕駛計算平臺。

地平線星云，基于征程 1.0 芯片，能夠以車規級標準滿足 L1 和 L2 級別的自動駕駛的需求，能同時對行人、機動車、非機動車、車道線、交通標志牌、紅綠燈等多類目標進行精準的實時監測與識別；并可滿足車載設備嚴苛的環境要求，以及復雜環境下的視覺感知需求，支持L2 級別 ADAS 功能。

地平線 Matrix 1.0，內置地平線征程 2.0 處理器架構，最大化嵌入式 AI 計算性能，是面向 L3／L4 的自動駕駛解決方案，可滿足自動駕駛場景下高性能和低功耗的需求。依托地平線公司自主研發的工具鏈，開發者和研究人員可以基于 Matrix 平臺部署神經網絡模型，實現開發、驗證、優化和部署。

4.3.4 百度“昆侖”

7 月 4 日百度 AI 開發者大會上，李彥宏發布了由百度自主研發的中國首款云端全功能 AI 芯片——“昆侖”?！袄觥被诎俣?8 年的 AI 加速器經驗的研發，預計將于明年流片。

“昆侖”采用 14nm 三星工藝，是業內設計算力最高的 AI 芯片（100+瓦功耗下提供 260Tops 性能）；512GB/s 內存帶寬，由幾萬個小核心構成。

“昆侖”可高效地同時滿足訓練和推斷的需求，除了常用深度學習算法等云端需求，還能適配諸如自然語言處理，大規模語音識別，自動駕駛，大規模推薦等具體終端場景的計算需求。此外可以支持 paddle 等多個深度學習框架，編程靈活度高。

同時也有媒體對該產品提出疑義，主要有以下兩點：

1、算力一般采用的是基于浮點計算的 TFLOPS，性能從倍精度、單精度到半精度，例如寒武紀公布算力跨度從16 TFLOPS 到166 TFLOPS。昆侖僅提供單一精度數據，且只公開最大整數計算能力（TOPS），與其他芯片的可比性較低；

2、昆侖芯片的TOPS 參數比 NVIDIA 的V100 高，但并未公布芯片的規模，只說明了整合了數萬個小核心，數據可比性也不高。

4.3.5 Google TPU

Google TPU于 2016 年在 Google I / O 上宣布，當時該公司表示 TPU已在其數據中心內使用了一年以上。該芯片專為 Google 的 Tensor Flow（一個符號數學庫，用于神經網絡等機器學習應用）框架而設計。

Google TPU 是專用的，并不面向市場，谷歌僅表示“將允許其他公司通過其云計算服務購買這些芯片?！苯衲?2 月，谷歌在其云平臺博客上宣布的TPU 服務開放價格大約為每 cloud TPU （180TFLOPS 和 64 GB 內存）每小時6.50 美元。Google 使用 TPU開發圍棋系統 AlphaGo 和 Alpha Zero 以及進行 Google 街景視頻文字處理等，能夠在不到五天的時間內找到街景數據庫中的所有文字，此外 TPU也用于提供 Google 搜索結果的排序。

TPU與同期的 CPU和 GPU相比，可以提供 15-30 倍的性能提升，以及 30-80 倍的效率（性能/瓦特）提升。

4.3.6 Xilinx & 深鑒科技

Xilinx（賽靈思）是 FPGA 的先行者和領導者，1984 年，賽靈思發明了現場可編程門陣列 FPGA，作為半定制化的 ASIC，順應了計算機需求更專業的趨勢。FPGA 的好處是可編程以及帶來的靈活配置，同時還可以提高整體系統性能，比單獨開發芯片整個開發周期大為縮短，但缺點是價格、尺寸等因素。

在汽車 ADAS 和自動駕駛解決方案上，賽靈思的 FPGA 和 SOC 產品家族衍生出三個模塊：

自動駕駛中央控制器 Zynq UltraScale+ MPSoC

前置攝像頭 Zynq-7000 / Zynq UltraScale+ MPSoC

多傳感器融合系統 Zynq UltraScale+ MPSoC

▲賽靈思Zynq芯片

Zynq 采用單一芯片即可完成ADAS 解決方案的開發，SOC 平臺大幅提升了性能，便于各種捆綁式應用，能實現不同產品系列間的可擴展性，可幫助系統廠商加快在環繞視覺、3D 環繞視覺、后視攝像頭、動態校準、行人檢測、后視車道偏離警告和盲區檢測等ADAS 應用的開發時間。并且可以讓 OEM和 Tier1 在平臺上添加自己的IP 以及賽靈思自己的擴展。

▲賽靈思多傳感器融合系統

深鑒科技成立于2016 年，其創始團隊有著深厚的清華背景，專注于神經網絡剪枝、深度壓縮技術及系統級優化。2018 年 7 月 17 日，賽靈思宣布收購深鑒科技。自成立以來，深鑒科技就一直基于賽靈思的技術平臺開發機器學習解決方案，推出的兩個用于深度學習處理器的底層架構—亞里士多德架構和笛卡爾架構的DPU 產品，都是基于賽靈思FPGA 器件。

▲亞里士多德架構

▲笛卡爾架構

對于賽靈思來說，看好深鑒科技基于機器學習的軟件、算法，以及面向云側和端側硬件架構的優勢；對于深鑒科技，后期發展高昂的研發費用、高成本的芯片設計、流片、試制、認證、投片量產，投靠賽靈思能夠降低隨之而來的風險，進入芯片戰爭的持久戰。

2018 年 6 月，深鑒科技宣布進軍自動駕駛領域，自主研發的 ADAS輔助駕駛系統——DPhiAuto，目前已獲得日本與歐洲一線車企廠商和 Tier 1 的訂單，即將實現量產。

DPhiAuto，基于 FPGA，是面向高級輔助駕駛和自動駕駛的嵌入式 AI計算平臺，可提供車輛檢測、行人檢測、車道線檢測、語義分割、交通標志識別、可行駛區域檢測等深度學習算法功能，是一套針對計算機視覺環境感知的軟硬件協同產品。功耗方面，可以在 10-20W 的功耗范圍內，實現等效性能，能效比指標高于目前主流的 CPU、GPU方案。

▲DPhiAuto性能

▲DPhiAuto樣品

五、風險提示

自動駕駛及車聯網行業發展不及預期。可能出現自動駕駛及車聯網行業技術發展較慢，或出現相關事故使發展停滯情況。

自動駕駛裝車滲透不及預期。整車廠裝車計劃延遲。、

產品開發不及預期?？刂破?、芯片、傳感器、CID 等開發進度延遲；技術角度來說，自動駕駛越到開發測試的后期技術的提升越困難，提升的幅度越小。需要持續不斷的投入、測試，反復驗證更新解決方案。

產品成本下降不達預期。目前大多數系統及零部件的出貨量還很小，涉足的公司前期投入非常大，如果出貨量不達預期，成本下降有限。

使用場景限制。復雜路況需要的系統魯棒性極高，對于自動駕駛解決方案也是很大挑戰。

法律法規限制自動駕駛發展。道路測試、運行安全、駕駛規則、信息安全、責任劃分等等都需要法律法規的支持。要想推動智能汽車行業發展，完善立法是核心要素之一。

自動駕駛事故影響發展。自動駕駛遭遇嚴重事故案例，類似事故會造成輿論和政策方面的不利影響，延緩自動駕駛進展。