車載芯片 算力轉折點

文 / 黃耀鵬

就像燃油車時代要講動力一樣，智能電動車要講算力。軟件定義汽車的趨勢，已經成為共識，軟件能力的基礎就是算力，而算力來源于算力芯片。

動力的計數單位是馬力、扭矩這些指標，而算力則是Tops（每秒進行1012次二進制計算）、Flops（每秒浮點計算次數），日益被業內人士接受和熟知。

對于CPU（中央處理器）、DMIPS（106次算邏運算指令，常用來衡量處理器的整數運算能力），就相對陌生。如果智能座艙比較流暢地運行AR、360全景、流媒體、HUD等，至少要超過20000DMIPS。

其實，廣義上的算力芯片，不只是各種PU——CPU、GPU（圖形處理器）、NPU（神經網絡處理器）、TPU（張量處理器），還包括手機和車載比較流行的SOC（系統級芯片，自動駕駛和智能座艙常用SOC方式搭載）和MCU（微控制單元）。

順便說一句，SOC既然是系統芯片，往往集成了各種PU（看需求）和動態、靜態存儲，可以視為一個微型的PC機。

MCU地位下降

雖然MCU用途很廣泛，多媒體、音響、導航、懸掛、車窗、雨刷等無所不包，但是現在算力的演化趨勢，就是拿走了大部分的控制功能。而MCU用途，正在收窄為核心算力SOC的“協處理器”。

用通俗的語言描述，就是緊挨著大腦的“小跟班”。一方面可以充當安全處理器（冗余決策）；另一方面可以分擔一些中央SOC的功能，減輕后者的計算壓力，比如管理電池、網關和預處理雷達數據。

從主角變成配角，這個趨勢雖然沒有普及化，但前景已經比較明確。這讓MCU的生產商頗為落寞。恩智浦、英飛凌、瑞薩、德儀，這些傳統汽車芯片廠家，本世紀以來都在MCU上賺了大錢。但是市場已經開始接受了新勢力的方案，就是將大算力的各種PU作為汽車“大腦”的做法。

現在的趨勢是，跨國廠商早就開始研發相應E-E架構，但馬上拿出來可能還有困難。趨勢是沒辦法回頭的。MCU企業曾經幻想，讓車企放棄昂貴的各種PU方案，回到相對傳統的架構。

車載算力這一塊，高通和英偉達尚未完成驅逐傳統芯片大廠的過程。一旦大家都實現算力充分集中，可能全球車載算力需求，都會淪為“雙寡頭”的盤中餐。

從什么時候這個幻想破滅了呢？這要追溯到2019年，特斯拉推出HW3.0芯片，144Tops的算力轟動業界。一時間，高算力芯片炙手可熱。自那以后，只要用了大算力平臺（無論是自研還是買的），產品的軟件體驗（座艙和ADAS）馬上能上一個檔次。

這就讓傳統芯片企業的風頭，都被英偉達和高通掠走了。始作俑者特斯拉，主動終結Mobileye自動駕駛芯片供貨之后，又與英偉達分手，自此一直采用自研芯片（代工方為三星和臺積電）。

主流和非主流

現在的市場上，只要是2021和2022年上市的、20萬元以上的中國品牌車型，座艙芯片齊刷刷都是8155（準確地說是高通的SA8155P）。2023年高通在智能座艙芯片的市占率高達90%。

自動駕駛算力芯片，競爭對手就稍微多一點，但跑不脫英偉達、地平線這幾家。德儀、Mobileye、華為海思也拿到一小部分市場。

2023 年上半年的數據，在中國乘用車市場上，具備NCA功能的計算方案市場份額，英偉達獨占52.57%，其余為地平線（30.7%）、德儀（8.62%）、Mobileye（4.05%）、華為海思（4.05%）。

有意思的是，座艙芯片除了8155之外，選擇其實很多，華為的麒麟710A、恩智浦的i.mx8和6D/Q、聯發科的MT2712、德儀的JT6、意法的Accord 7和Accord 5等。但比亞迪似乎劍走偏鋒，敢于使用高通的非車規SOC，例如625、665、6350、7325等（手機芯片）。

眾所周知，非車規芯片的功能與車規芯片沒什么不同，只不過后者的環境適應性要求要苛刻得多。汽車使用非車規芯片，可以縮短開發周期，價格便宜，但可能引起黑屏、宕機等故障。

比亞迪的應對方案是額外配置一顆安全芯片（就是剛才提到的“冗余決策芯片”），以保證主芯片出問題時，能保住核心程序繼續運行。這種極致削減成本（開發周期也是成本）的做法，也是其核心競爭力的一部分。

算力巔峰：神仙打架

這樣一來，就很清楚了，算力芯片領域，眼下是高通和英偉達“神仙打架”的局面。

值得一提的是，高通是唯一一家沒有被限制向中國出售芯片（不止是汽車芯片）的美企。8155能夠占有率這么高，有這方面因素。但即便如此，美國的政策翻臉如翻書，國產替代一樣充滿緊迫性。

高通和英偉達，一直在車載算力芯片上較勁。一方面，比拼算力芯片的巔峰能力；另一方面，都在推出超級算力芯片，統一雙智運算，試圖把對方的地盤也搶過來。

去年9月，英偉達發布了高達2000Tops算力的Thor，號稱“駕艙一體”。意思是，這不是一塊純粹的自動駕駛芯片，而是專為汽車的中央算力架構而生。一塊芯片控制所有車載功能，滿足所有算力需求。此舉無疑順應了E-E架構由分布式向集中式演進的趨勢。

此前發布的254Tops算力的英偉達Orin相形見絀。而且，Thor和Orin一樣，都可以疊加多顆使用。當然，史上最強“疊疊樂”，仍是英偉達產品，即DGX GH200（CPU和GPU的組合）。疊加256顆，即可組成1E（1015）Flops算力。但是5兆瓦的功率（相當于一個小城市的用電功率），決定了它只能在冷卻完善的機房里運行。

在GH200上可以運行任何大模型，超算能力可以讓其充當強大的云端服務器和訓練大模型。這樣，英偉達就在AI大模型訓練硬件上一騎絕塵，并可以建立從云端到車端的連接。既然擁有了空前強大的模型工具，甚至可以用AI發明更強的GPU，這意味著算力正走向“奇點時刻”：用AI發明AI，起碼現在就奠定了硬件基礎。

高通更強于算邏運算。與英偉達不斷強化圖形計算能力不同，高通更擅長發展移動CPU這樣的路線。不過兩者殊途同歸，高通2023年1月發布的SA8775，也走向了駕艙一體路線。高通聲稱，這款4nm芯片，通過組合可以實現與英偉達Thor能力相當的2000Tops算力

這其實就是暗示單塊8775無法做到這么高的算力。2022年高通以45億美元收購自動駕駛芯片公司維寧爾，今年收購通信芯片公司Autotalks，都是為了補強短板，在算力領域與英偉達對抗。

“雙寡頭”的變數

不過，車載算力的天花板，不但遠比超算里面的單顆芯片低，其造價和周期也比后者長。一句話，同樣算力，車規芯片有成本劣勢。

全新的手機SOC，技術儲備支持“拾級而上”的話，兩年就能做到。而車規芯片要完成一系列認證，可能研發時間要加倍。

這就決定了汽車芯片的迭代周期沒有手機快。不光是因為車規芯片的周期問題，也由于車載硬件方案，要跟隨整車研發周期。因此我們看到2019年發布的8155、Orin，都還是裝車主力。盡管它們的下一代芯片最晚在2022年發布，但采用者依然寥寥。

不過，由于中國新能源汽車的競爭非常激烈，這個進程正在加速。整體而言，算力芯片上車周期，比國外快1-2年。這已經是很大的差距了。畢竟后者距離算力完全集中，還有很長的路要走。

即便不考慮車規驗證周期，算力芯片本身，也很容易產生“寡頭”。一旦某個芯片公司取得先發優勢，它們會憑借出貨量和市場份額，迅速攤平研發成本。利潤回籠前就可以進入下一輪研發。優化、開發、積累新的技術，越跑越快，以至于對手從望其項背到喪失上桌資格。

而且寡頭化還有個激勵因素，就是制程的提高，讓流片費用變得非常昂貴，可能單芯就達到數千萬美元，失敗成本非常高。如果安全性、穩定性、散熱性達不到設計，這錢就打水漂了，代工廠是不負責的。這就促使強者愈強。

現在算力這一塊，高通和英偉達尚未完成驅逐傳統芯片大廠的過程——因為跨國整車廠的節奏沒跟上，讓后者還有訂單。一旦大家都實現算力充分集中，可能全球車載算力需求，都會淪為“雙寡頭”的盤中餐。

這里面唯一的變數，是中國芯片供應商。目前寒武紀、黑芝麻、華為海思等芯片公司日子都不大好過，出貨量太少令其很難追上英偉達的節奏。但是美國的制裁，讓英偉達只能向中國客戶提供專供版顯卡，車載芯片這一塊倒尚未限制，但客戶們都為這一天積極做準備。這讓中國芯片供應商，仍保有商業機會。

車企造芯，基本也是投資功率器件、傳感器、MCU、電源管理等。算力芯片門檻太高，直接孵化有困難。合資和戰投，是不錯的入手方式。地平線獲得大眾的投資，財務可能一時無憂，但長期看，必須在算力芯片和架構方案的正面戰場上贏得市場地位，才能有效解除警報

在雷蒙多訪華結束前的一天，華為上架了Mate 60系列。就目前已知的信息，Soc為7nm制程。技術細節還不清楚，有些輿論在猜測為DUV多次曝光方案，替代了EUV（實際上可能并非如此）。

7nm全球代工廠就那么幾家，不可能給華為代工。因此華為可能掌握了純國產的、部署于境內的、美國技術含量為零的7nm代工線，而且產能巨大。因為Mate 60系列首批備貨就超過500萬部（據說加單至1500萬-1700萬部，未經證實）。這條生產線必然存在（已經有傳聞是中芯代工），而且美國既不掌握其上游技術，就連部署在哪里都不知道。雖然很可能華為用非常規手段繞過設備制程這道坎，至少說明高制程芯片生產，對中國人來說并非高不可攀。而且實現的速度，遠超所有人預料。

在2018 年，當時最新上市的Mobileye EyeQ4（28nm制程）自動駕駛芯片，算力為2.5Tops。Mobileye認為，算力并非瓶頸，憑借算法和5個并行核心的多任務模式，就可以處理8顆攝像頭數據，足以應對L4場景。它們引以為豪的是該芯片功耗只有3W。

5年過去了，業內對算力的認知、運用和由此產生的需求，都在飛躍發展。2.5Tops算力應對L4的認知，就像上世紀80年代IBM認為，只需要5臺大型機（其算力遠不如現在的主流手機），就足以滿足全球的計算需求。

《汽車人》認為，就算限制在車載場景，算力需求也很難看到終點，就像我們很難預料AI的終點一樣（可能所有事物的前方，都有一個大模型，包括人本身）。

人類從歷史中學到的唯一教訓，是從來不會汲取教訓。這句話倒是仍然有效。