概述
汽车是芯片应用场景之一，汽车芯片需要具备车规级。 车规级芯片对加工工艺要求不高，但对质量要求高。需要经过的认证过程，包括质量管理标准ISO/TS 16949、可靠性标准 AEC-Q100、功能安全标准ISO26262等。 汽车内不同用途的芯片要求也不同，美国制定的汽车电子标准把其分为5级。汽车各系统对芯片要求由高到低依次是：动力安 全系统 > 车身控制系统 > 行驶控制系统 > 通信系统 > 娱乐系统。
自动驾驶芯片产品趋势：一体化
云和边缘计算的数据中心，以及自动驾驶等超级终端领域，都是典型的复杂计算场景，这类场景的计算平台都是典型的大算 力芯片。大芯片的发展趋势已经越来越明显的从GPU、DSA的分离趋势走向DPU、超级终端的再融合，未来会进一步融合成超 异构计算宏系统芯片。
BOSCH给出了汽车电气架构演进示意图。从模块级的ECU到集中相关功能的域控制器，再到完全集中的车载计算机。每个阶段 还分了两个子阶段，例如完全集中的车载计算机还包括了本地计算和云端协同两种方式。
英伟达一体化方案（thor 芯片官网信息）
高通一体化方案
2020年CES上，高通推出全新自动驾驶平台高通Snapdragon Ride，自动驾驶芯片“骁龙 Ride”。 该平台包括安全系统级芯片SoC（ADAS应用处理器）、安全加速器（自动驾驶专用加速器）和自动驾驶软件栈，可支持L1-L5 级别的自动驾驶；安全系统级芯片SoC和安全加速器的功能安全安全等级为ASIL-D级；平台高度可扩展、开放、完全可定制化， 且能够提供功耗高度优化的自动驾驶解决方案；平台将于2020年上半年交付OEM和Tire1进行前期开发，搭载该平台的汽车预 计将于2023年投产。
Snapdragon Ride视觉系统是基于4纳米制程的系统级芯片（SoC）打造，集成了专用高性能的Snapdragon Ride SoC和Arriver下一 代视觉感知软件栈，并采用基于定制神经网络架构开发的800万像素广角摄像头。
就在英伟达发布 Thor 两天后，高通就推出“业内首个集成式汽车超算 SOC”Snapdragon Ride Flex，单颗算力 600TOPS 以上， 综合 AI 算力能够达到 2000TOPS。Snapdragon Ride Flex确切的说是一个SoC产品家族，其包括Mid、High、Premium三个级别。 最高级的Ride Flex Premium SoC再加上外挂的AI加速器（可能是NPU，MAC阵列）组合起来，就可以实现2000TOPS的综合AI算 力。Snapdragon Ride Flex作为一个超算芯片家族，其最大的目标是实现车内的中央计算——即同时为智能驾驶、智能座舱、通 信等能力提供计算支持，这也与英伟达Thor雷神芯片一致。
向先进制程延伸
高端自动驾驶芯片向先进制程延申：用于L1-L2 自动驾驶的芯片只需要28nm制程即可制造，L3 及以上的高阶自动驾驶对算力 的要求越发苛刻，规划中针对L4/L5 自动驾驶的SoC芯片普遍需要7nm，甚至5nm的先进制程。先进的制程可以影响功耗，先 进的制程又可以影响集成度；而功耗则影响可靠性，集成度影响性能。 目前的 5nm制程芯片尚处于研发或发布状态，均未进入量产阶段；不过 7nm芯片中，已有 Orin、FSD、EyeQ5、8155 等芯片实 现量产，其他芯片则在未来几年陆续实现量产，这预示着先进制程车用芯片开始进入量产加速期。
高算力
三种主流架构
当前主流的AI芯片主要分为三类，GPU、FPGA、ASIC。GPU、FPGA均是前期较为成熟的芯片架构，属于通用型芯片。
CPU遵循的是冯·诺依曼架构，其核心是存储程序/数据、串行顺序执行。因此CPU的架构中需要大量的空间去放置存储单 元（Cache）和控制单元（Control），相比之下计算单元（ALU）只占据了很小的一部分，所以CPU在进行大规模并行计 算方面受到限制，相对而言更擅长于处理逻辑控制。
GPU（GraphicsProcessing Unit），即图形处理器，是一种由大量运算单元组成的大规模并行计算架构，早先由CPU中分出 来专门用于处理图像并行计算数据，专为同时处理多重并行计算任务而设计。GPU中也包含基本的计算单元、控制单元 和存储单元，但GPU的架构与CPU有很大不同，其架构图如下所示。
与CPU相比，CPU芯片空间的不到20%是ALU，而GPU芯片空间的80%以上是ALU。即GPU拥有更多的ALU用于数据并行处理。
CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计的更小、更高效的核心组成的大规模并 行计算架构，这些更小的核心专为同时处理多重任务而设计。
CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来 处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复 杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。
GPU 的众核体系结构包含几千个流处理器，可将运算并行化执行，大幅缩短模型的运算时间。 目前 GPU 已经发展到了较为成熟的阶段。利用 GPU 来训练深度神经网络，可以充分发挥其数以千计计算核心的高效并行 计算能力，在使用海量训练数据的场景下，所耗费的时间大幅缩短，占用的服务器也更少。如果针对适当的深度神经网络进行合理优化，一块 GPU 卡可相当于数十甚至上百台 CPU服务器的计算能力，因此 GPU 已经成为业界在深度学习模型 训练方面的首选解决方案。
芯片关键评估指标
国内外智驾域控制器方案
资料引用：
海通国际-电子行业：自动驾驶芯片研究框架-230115.pdf (dfcfw.com)
英伟达官网
