汽车芯片之变
近半年来，汽车芯片短缺的问题被逐步放大，演变至今，不少车企都只能通过减产甚至停产来过渡。
对于汽车来说，芯片有多重要呢？
这样的架构功能划分清晰，并且供应商也能够有针对性地进行开发和研究。但这样的架构会导致模块太多，并且可控性可拓展性都较弱。在90年代初，一辆汽车上平均的MCU数量不足10个，而现在一辆车的MCU就超过了100个，高端车型的MCU可能还会达到300个。在汽车功能发展越来越繁多复杂时，车内所需要的控制器也越来越多。面对这种进化，传统的电子电气架构ECU和线束的数量都会大幅增长，并且传统架构下数据传输、ECU功能协同能力较差。
这个时候就需要一套新的电子电气架构来适应时代的发展。
集中式电子电气架构就此诞生。当下车企主要是采用域集中的概念来对电子电气架构进行优化，跟车汽车电子部件功能将整车划分为动力总成、车辆安全、车身电子、智能座舱、智能驾驶等几个域，使用处理能力更强的芯片去集中控制每个域。这样可以降低ECU的使用量，并且提升整车的可拓展能力。
而汽车电子电子架构目前的终极形态是形成一个超级中央计算机，通过中央集中式架构，实现计算集中化。这样整车的芯片和线束数量都得到了简化，整车的成本会随之降低，整车的资源利用及统筹也会更为彻底，有利于新技术快速落地。另外，这样的架构也会让车辆的软件研发主导权回归到车企和产品本身，而非头部的供应商，这样也有利于车企们研发出差异化的产品。
但无论是传统的分布式架构或是未来的中央集中式架构，芯片都是不可或缺的硬件。以往对芯片算力和集成度要求不高，未来ECU数量减少，就会对集中控制的ECU芯片有更高的要求，包括算力、功耗、成本等等。
自动驾驶芯片的演化
在智能汽车中，因为功能的多样性和复杂性，对芯片的要求会更高。尤其是在座舱系统和自动驾驶这两个部分，这也是近年来我们经常会在新车发布会上看到厂方宣传自家产品用了最新芯片的原因。而在这两部分中，自动驾驶系统对芯片的要求会更高，因为自动驾驶系统拥有数十个传感器，芯片要将这些数据“吞下”进行计算，最后得出决策，这对芯片的算力要求是非常高的。所以无论是特斯拉还是当下的头部车企，自动驾驶部分，始终是一个独立的控制域。
ADAS（Advanced Driving Assistance System）驾驶辅助系统早在数十年前就开始研究。按照美国汽车工程学会SEA对自动驾驶水平的划分（L0-L5），早期的自动驾驶技术都在L1-L2内，具体的功能包括了自适应巡航、车道偏离提示、车道保持、盲区监测、主动刹车等等。
对于跟车、主动刹车等功能，厂商或供应商们会选择使用毫米波雷达作为硬件，通过雷达测算出前车的距离以及速度，感知到的数据会在芯片中进行计算分析，最终实现自适应巡航等功能。
以Mobileye为代表的企业，则是以摄像头作为硬件，感知前方车辆以及道路标线，将采集到的画面传输到芯片分析后，获得自适应巡航、车道保持、主动刹车等功能。
而当下更为常见的硬件方案是毫米波雷达+摄像头，通过两种传感器的融合，可以实现更高级的功能，例如集成式智能巡航等功能。而这样的硬件架构下，厂商通常会选择一个传感器作为主控制器，再接受另外一个传感器的数据，最后进行统一的计算分析。
无论是单毫米波雷达、摄像头或是雷达+摄像头的硬件方案，它们的分析数据、场景都是固定的，所以对芯片的能力要求并不太高，只需要满足特定的计算分析即可。
这种环境下，大部分车企会选用Mobileye提供的视觉感知方案，因为Mobileye拥有从摄像头到芯片和算法的完整视觉驾驶辅助解决方案。而毫米波雷达则会选用大陆、博世等头部供应商产品，雷达内部计算芯片则来自赛灵思。
如果说自动驾驶辅助功能就此停留在这个阶段的话，那就没有当下自动驾驶芯片争斗的故事了。
可偏偏一条鲶鱼——特斯拉的出现，加速了自动驾驶领域的演变和进化。
特斯拉在2014年推出Model S时，搭载的是 Mobileye的EyeQ3驾驶辅助芯片，并且摄像头等硬件也都是由Mobileye提供的。但Mobileye挤牙膏的视觉感知方案并不能满足激进的特斯拉，二者从技术路线的布局就有分歧。
在2016年1月份，一辆Model S在美国公路开启Autopilot行驶时，撞上了一台横过马路的白色货柜车，导致车主 Joshua Brown当场死亡。这个事故Mobileye认为它们的驾驶辅助方案本来就有限定使用场景，而特斯拉激进的开放权限和过度的宣传，导致了驾驶员以为系统能够实现全自动驾驶功能。特斯拉方面则是认为这个事故是雷达和摄像头的识别错误，认为Mobileye方案还不够完善。
原本就有技术分歧，加上后来的死亡事故，让特斯拉和Mobileye在2016年7月宣布分手，特斯拉在此后的新车不会使用Mobileye的EyeQ4芯片。
特斯拉下一个合作的对象是Nvidia英伟达。
英伟达在2015年推出了基于Tegra X1的Drive PX自动驾驶芯片。Drive PX相比以往的驾驶辅助芯片区别在于它使用了深度神经学习技术，Drive PX可以从激光雷达、毫米波雷达、摄像头等传感器中获取数据，然后利用深度学习实现动态识别包括行人、汽车、路标等各类对象。
特斯拉看中英伟达Drive PX的正是它的深度学习技术。
深度学习实际上是人工智能的一个分支，也是机器学习下的一个子集。学术点来说，深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。简单点来看，深度学习是用多层次的分析和计算手段得到结果的一种方法。深度学习最显著的应用是计算机视觉和自然语言处理领域。
在传统算法中，人脸识别、物体检测、物体跟踪以及行为预测都是比较难计算解决的。深度学习通过卷积神经网络模拟人脑，可以实现对人脸、车或其他物体的识别。而深度学习这样的能力对自动驾驶是有很大帮助的，通过深度学习技术，可以让自动驾驶系统拥有更强大的障碍物识别能力，并且厂商还能在云平台进行数据学习升级，再OTA提升车辆的自动驾驶能力。
Drive PX发布时，英伟达老板黄仁勋就表示，Drive PX可以从道路行驶中的车辆上获取数据反馈，从而帮助完善深度神经网络。当在路上工作的Drive PX系统遇到无法识别的物体时，它会通过网络传输到云后台，对应的团队会利用深度学习技术训练系统认知理解这个新图像，并且将学习到的数据实时反馈到所有量产车的Drive PX中，让车辆的自动驾驶能力得到实时的提升。
2016年10月，特斯拉正式宣布，Model S、Model X和当时即将推出的Model 3都会搭载英伟达DRIVE PX 2 AI计算平台，这个自动驾驶平台使用了特斯拉开发的神经网络。
使用DRIVE PX 2芯片后，特斯拉就在开始推出了测试版的高速导航自动驾驶辅助功能，2018年这项功能正式实现推送使用。
显然，深度学习技术，让特斯拉自动驾驶进展大大提速。而这个改变，也让自动驾驶芯片供应链产生了变化：
第一点是越来越多车企开始采用自动驾驶域控制器的玩法，也就是将雷达、摄像头等数据直接传递到自动驾驶域控制器内进行统一处理和计算，这样传统在雷达和摄像头中的计算芯片也就不在需要。
第二点是由于自动驾驶硬件中的数据都直接传输到自动驾驶域控制器中，这对于自动驾驶域控制器的大脑也就是芯片的算力有了更高的要求。
第三点是自动驾驶功能开始往更高级别发展，这其中脱离不了AI人工智能的技术辅助，这对芯片企业和车企都有了新的门槛。
在此后，芯片巨头们开始陆续入局自动驾驶，几乎每年都会有新芯片、新平台迭代推出，自动驾驶芯片也开始在算力上较劲。
巨头们的竞赛
英伟达
对于擅长打造GPU的英伟达而言，自动驾驶是新的业务增长点。因为深度学习技术的兴起其中一个原因，就是GPU计算能力增长，卷积神经网络可以通过大数据进行训练。
而在Orin芯片都没有量产车出现时，英伟达在2021年4月就公布了下一代的自动驾驶芯片：DRIVE Atlan，其单颗芯片的算力达到了惊人的1000TOPS，英伟达表示这块自动驾驶将会用于L4及L5级别自动驾驶系统中。DRIVE Atlan 2023年将会向开发者提供样品，2025年开始量产装车。
虽然说英伟达2021财年（2020年1月26日-2021年1月31日）汽车业务下滑23%，收入为5.36亿美元，但英伟达老板黄仁勋表示，未来6年，英伟达汽车系统业务年销售额有望超过80亿美元。
英特尔
同样是芯片巨头的英特尔，因为错过移动处理器市场，对于开始爆发的汽车芯片市场自然是不容落下的。
英特尔在2017年以超过150亿美元的高价收购了Mobileye（同年英伟达全年营收为628亿美元）。
虽然从AI人工智能和算力角度来看，英伟达都更占优势，但实际销售中，Mobileye作为多年的ADAS头部供应商，其EyeQ系列芯片已经被超过27家汽车厂商应用。去年Mobileye芯片出货超过1750万片，营收达到了9.67美元，同比增长10%。
高通
在手机芯片领先的巨头高通同样想分一块蛋糕。
高通早些年一直在调解器芯片方面作为汽车零部件供应商，而在2014年和2016年高通推出了602A和820A两款车机芯片，用于给车机及座舱提供计算，但应用的厂商并不多。直到2016年，高通推出的820A芯片才迎来爆发，本田、路虎、领克、小鹏等厂商继续使用820A给座舱提供算力。去年，高通发布了最新一代的座舱芯片8155，它是第一块采用7纳米工艺打造的车规级数字芯片。
不过这些芯片都是应用于车机中的，在自动驾驶方面，高通直到2020才拿出了自己的武器——骁龙Ride自动驾驶平台，这个平台最大的特色是将会使用一块5nm 芯片，这将会是首款采用5纳米制程的自动驾驶芯片。高通表示，Ride自动驾驶平台支持L1-L4级别的自动驾驶，并且平台的拓展性很强，既能实现700TOPS的顶级性能，也能做低功耗的10TOPS基础算力。使用Ride平台首个量产车型将会在长城汽车中诞生，在2020年底。长城和高通宣布将会使用Ride平台打造咖啡智驾系统，并在2022年量产的长城汽车高端车型中采用。
另外值得一提的是，2016年高通打算用470亿美元收购恩智浦，后者是全球最大的汽车芯片、移动支付芯片、和微控制器供应商。但在2018年由于没有通过全部国家的审批，最终高通宣布放弃收购。
华为
海外的芯片巨头有动作，其实国内也风起云涌。
在2018年，华为就推出了自动驾驶的移动数据中心MDC，MDC涵盖芯片、平台、操作系统、开发框架，可以让客户在数据中心中完成一系列的自动驾驶功能。首发的MDC 600搭载华为Ascend（昇腾）芯片，多片并联最高可提供352Tops的算力，并且支持接入摄像头、毫米波雷达、激光雷达、GPS等传感器数据。不过MDC600仅仅是华为进军自动驾驶行当的宣誓，当时并没有真正有厂家合作落地。
来到2021年，华为发布了MDC 810，其稠密算力达400TOPS，并且搭载智能驾驶平台软件MDC Core，可实现拥堵跟车、高速巡航、自动泊车等应用场景的使用需求。MDC 810已经通过了包括车规级在内的全部测试，进入了量产状态。目前已率先搭载在ARCFOX极狐阿尔法S上并量产上市，后续将有越来越多的搭载不同MDC系列产品的新车型陆续量产上市
而华为ADS高阶自动驾驶全栈解决方案则更高级别，这套方案使用了为ADS方案定制的芯片，其入门算力为400TOPS，高阶版本则拥有800TOPS算力。并且华为表示芯片采用了标准化设计，未来在保持尺寸不变的情况下，支持硬件升级、算力升级。
华为并没有具体公布单独的自动驾驶芯片数据，华为的想法更多是作为一个深度供应商，可以给企业提供完整的自动驾驶解决方案，从硬件到开发工具到软件，一应俱全。
地平线
地平线是一家2015年成立，专注于边缘人工智能芯片的企业。在2019年，地平线发布了国内首款车规级AI芯片——征程2，其等效算力为4TOPS，制程则为28纳米。
2020年9月，地平线发布征程3芯片，其工艺从原来的28纳米升级为16纳米，单颗芯片算力也提升到5TOPS。基于征程3芯片，地平线推出了Horizon Matrix®Mono辅助驾驶解决方案，支持120度水平视场角、800万超高像素前视摄像头，确保了对更大范围及更高精度的视觉感知能力。
地平线预计在今年内会推出征程5芯片，其单颗芯片算力也提升到达到了96TOPS。通过搭载4颗征程5P芯片可组成自动驾驶计算平台，最高算力达到512TOPS。地平线创始人余凯在此前采访中表示，征程6已经在研发路上，征程6规划算力400TOPS，采用的是车规级的7纳米工艺，工程样片推出时间为2023年，车型量产预计会在2024年。
当然，也有一些跑的快的车企觉得芯片厂商们的动作慢，于是乎车企就干脆自己造自动驾驶芯片。这个案例的典型代表，就是特斯拉。
在2016年开始与英伟达合作时，特斯拉就做好了自己下场的准备，开始建立由传奇芯片设计师Jim Keller（原AMD首席芯片架构师）领导的芯片架构师团队，以开发自己的芯片。
在2019年，特斯拉自研FSD（Full Self Driving全自动驾驶）芯片正式亮相，在HW 3.0自动驾驶平台中，特斯拉使用了两块FSD芯片，算力为144TOPS，单片算力达到了72TOPS。特斯拉在2018年三季度时已经表示，公司已经对大型的神经网络进行了训练，神经网络在工作表现优异，但由于当时特斯拉车型计算能力有限，无法部署到车型中，而使用FSD芯片的HW3.0自动驾驶硬件能够满足这些神经网络的计算需求。随后在2020年底，特斯拉在Model 3上小范围推送了FSD beta版进行测试，这个版本支持城市中自动驾驶。
在HW3.0推出时，特斯拉就表示已经开始研发下一代芯片，马斯克表示新一代芯片预计会比FSD性能提升三倍。而最近有消息指出，特斯拉和三星合作，使用5纳米制程生产下一代的自动驾驶芯片。
就在上个月，小鹏被曝出正在自研自动驾驶芯片，如果项目进展顺利，预计今年年底或明年初流片。
总结
自动驾驶的大脑也就是自动驾驶芯片，在这短短十年中有了翻天覆地的变化和演变，并且商业格局也有了变化。2012-2025年，自动驾驶芯片将会出现一批性能极强的代表，车企能否依靠这些芯片推出更先进的自动驾驶功能，就让我们拭目以待。（图/文/摄：太平洋汽车网 杜庆炜）