在汽车“新四化”浪潮下，汽车由传统的代步工具逐步向具备感知、决策、执行能力，长在轮子上的“智能终端”演进；“软件定义汽车”的商业模式逐步开始颠覆传统汽车制造行业，其产业链价值也产生了重要的变化，汽车电子和软件成为智能汽车时代价值链分配的主要增量。而在这里面汽车芯片作为主导智能化的基石，产生了很大的需求及市场变化。

　　在过去5年，车载芯片的算力增长远超预期（图1），从早一个时代的汽车ADAS技术主要奠基者和引领者Mobileye代表作之一EyeQ4时代的2.2TOPS到英伟达新发布下一代自动驾驶芯片Atlan（预计2025年装车） 1000TOPS算力，短短几年时间算力增长超过400倍。

　　而驱动算力军备竞赛的，正是以特斯拉为首的新势力示范下，使得全球车企都看到采用自动驾驶架构，用数据和算法持续提升，通过智能化能力实现弯道超车的机会。但这种开发模式，就需要强大的自由算力支持和快速迭代调整的适应能力。

　　Mobileye作为近20年的自动驾驶赛道领跑玩家，在这场竞赛中，也被包括英伟达、高通等一众新势力玩家抢占先机。

　　图1：主流自动驾驶赛道玩家芯片算力演进（图源：开源证券）

　　智能汽车算力的提升将给未来汽车形态带来无穷的想象空间：

　　智能座舱

　　娱乐和元宇宙将是座舱未来的第一需求。我国市场座舱智能配置水平的新车渗透率约48.8％，到2025年预计可超过75％。

　　智能座舱最终将成为“移动智能空间”的第三空间，通过人工智能和沉浸式音视频带来革命性的人机交互体验，并结合智慧视觉能力实现实时安全提醒和智能AR导航，其核心能力包括智能化服务（语义理解和视觉感知、空间交互、主动感知人的需求）、沉浸式视听（多屏互动，多声道、沉浸式体验，游戏体验），驱动其进入“算力时代”，进一步对大算力芯片提出四大挑战（图2）。

　　今天的用户购车考量中，座舱智能科技配置水平，成为仅次于安全配置的第二大类关键要素；智能座舱进一步向元宇宙演进中，会对异构计算（CPU/GPU/NPU等）算力的演进提出更高的要求，需要芯片厂家能够快速贴近主机厂需求、满足迭代速度。

　　图2：智能座舱大算力芯片四大挑战

　　自动驾驶

　　行业内自动驾驶两条路线，一是特斯拉为代表的纯机器视觉路线，二是绝大多数主机厂认可的感知融合路线。

　　特斯拉机器视觉路线并不是谁都能玩的路线，高度依赖于样本的训练，对数据+算法有非常强的依赖（特斯拉为此建立全球领先的超级计算机训练平台Dojo），同时从安全角度来看是单保险模式；而主流认可的方向仍然是感知融合，采用“视觉的图像数据+雷达的速度和位置信息数据”融合感知的方式，方案落地相对较快，同时基于摄像头的纯视觉感知+雷达融合感知实现冗余设计。

　　随着激光雷达成本的进一步降低，融合感知路线会更进一步形成势头。多感知能力，要求引入大量传感器数据，对车载算力提出更高的要求；中高端车型包括理想X01、小鹏G9、北汽极狐阿尔法S等都已经搭配超过30+传感器（包括摄像头、毫米波雷达、超声波雷达、激光雷达），摄像头全面引入800万像素，激光雷达普遍上车，整车自动驾驶算力已经从数百TOPS到1000 TOPS的演进（图3）。

　　图3：典型车型传感器部署和自动驾驶芯片算力（图源：银河证券）

　　同时特斯拉与Mobileye的分手和自研FSD芯片的崛起，也进一步说明深度学习是自动驾驶的分水岭；多方入局自动驾驶的底层逻辑是确定性的，即依靠AI在行驶过程中进行视觉识别和判断决策。

　　自2012年以来，不同网络结构的CNN（卷积神经网络）几乎统治了图像识别领域算法；2017年开始，Transformer 网络开始引起广泛关注，统治了NLP（自然语言处理领域）领域，并逐步移植到了很多视觉任务。

　　2020 年 Vision Transformer （ ViT ）横空出世，计算机视觉领域的顶级峰会 CVPR 2021上，特斯拉在算法领域引入Transformer模型，典型应用包括八个摄像头的视频中用传统的 ResNet 提取图像特征，并使用 Transformer 算法将它们融合在一起。

　　未来是各厂商重点布局算法核心能力的时期，而算法仍然是一个快速迭代和变化的时代；在通往高等级自动驾驶过程中，DNN模型数量也会持续增加到数十个。适应这样的变化，需要有稳定的通用大算力性能作为基石，使得自动驾驶软件的不断迭代优化能够享受到硬件算力先行带来的便利。

　　更进一步，汽车电子电气架构从“分布式架构-域控制器-中央计算平台”的演化过程基本成为行业共识。

　　在今天，主力的车型规划基本上都是以域控制器架构为主，车身域、智驾域、座舱域三个方面已经开始形成基本一致；但同时，也有越来越多的主机厂开始进入下一阶段入中央计算平台+区控制器的架构，这带来对车载高性能计算的新要求。

　　中央计算平台硬件可能搭载多颗SOC芯片或者专用SOC配套（如纯粹的AI加速），算力上CPU高达250K到500K DMIPS，AI算力高达600到数千TOPS的要求。

　　随着单芯片进入到<5nm的制程，摩尔定律1.0逐步失效，单片算力增长受限，我们认为芯片级联方案将以更低成本的算力堆积来满足不同场景下智能汽车对于算力的不断需求。

　　伴随着未来智能座舱走向元宇宙时代、自动驾驶走向L4/L5、汽车电子电气架构走向中央计算平台+区控制器模式，对底层基础的算力、算法都会产生快速的变化牵引。

　　回顾过去几年时间，传统的汽车芯片玩家NXP/RENESAS/TI已经遭遇被NVDIA/Qualcomm洗牌，2年前还强势的Mobileye被各大主机厂逐步更换，国内新老芯片势力开始入局。

　　持续的变化代表着这个时代还没有最终的格局性玩家；对于市场已有芯片供应商玩家，如何避免被新的时代变化所抛弃；对于新入局的玩家，甩掉老的惯性，也有机会抓住未来几年 “算力质变支撑应用和算法的持续迭代”的窗口期，获得新一轮较量的先机。