人工智能（AI）在汽车领域的应用可以追溯到上世纪90年代，但是真正大规模应用却发生在最近十年。
2014年特斯拉推出Autopilot自动驾驶功能，使用了深度学习算法进行视觉识别和行为决策；2016年Alphabet的Waymo推出了自动驾驶汽车，使用了机器学习算法进行感知、定位和路径规划；2017年百度推出了Apollo自动驾驶平台，基于深度学习技术进行感知、决策和控制；2018年英特尔宣布与博世合作开发自动驾驶技术，其中包括使用深度学习技术进行环境感知和决策等等。
AI深刻地影响着整个汽车产业链，这种趋势并不意外，经济学家约瑟夫·熊彼特提出过“创造性破坏”（creative destruction）概念，新技术的引入导致旧技术被淘汰，从而推动经济发展，AI在汽车的应用就正在推动着“创造性破坏”，加速汽车行业发展。
在汽车设计和制造过程中，AI通过模拟和优化车辆的性能和结构，提高汽车的燃油效率和安全性；在驾驶过程中，AI智能辅助系统帮助驾驶员避免交通事故，提高驾驶的舒适性和体验；在自主驾驶方面，AI更是发挥着至关重要的作用，实现了汽车的全面智能化和自动化。
AI持续演进将推动经济效益提升，麦肯锡认为，人工智能在汽车行业有望创造超过3800亿美元的经济价值，集中在三个领域：自动驾驶约3350亿美元、为车主提供个性化体验约300亿美元、车队资产管理约150亿美元，可以看到，自动驾驶在汽车AI应用中首当其冲。
有自动驾驶就有AI
自动驾驶可视为高级驾驶辅助系统（ADAS）的终极形态，是汽车智能化的目标。业界定义了不同级别的驾驶自主性，不同级别的自动驾驶所需的AI技术和算法不同。
图注：图上为自动驾驶级别；图下为各运输设施所需代码行
L1级别的自动驾驶主要使用传统的控制算法和传感器数据，虽然没有直接使用AI技术，但是需要对大量的传感器数据进行实时处理和分析，以实现车辆的自动控制和安全驾驶。
L2级别的自动驾驶开始采用基于AI的控制和决策算法，例如基于机器学习的自适应巡航控制和车道保持辅助等。这些算法需要使用大量的传感器数据进行训练和优化，以实现更加准确和智能的控制和决策。
L3级别的自动驾驶开始采用基于深度学习的视觉和语音识别算法，以实现更加准确和智能的感知和决策。这些算法需要使用大量的图像和语音数据进行训练和优化，以实现车辆在不同场景下的智能决策。
L4和L5级别的自动驾驶则需要使用更加复杂和智能的算法和技术，例如基于深度强化学习的决策和规划算法，以及基于多模态传感器的感知和预测算法。这些算法需要使用大量的数据和计算资源进行训练和优化，以实现车辆在复杂和多变的环境中的高度智能和自主驾驶。因此，随着自动驾驶的级别越来越高，使用的AI技术也越来越复杂和智能化。
要使汽车完全自主，需要进行大量机器学习模型训练，以实现在理想状态下，驾驶员基本上可以成为乘客，将所有驾驶委托给系统。分析指出，汽车平均每秒要处理超过1TB数据才能完全自主，企业正在转向各种云解决方案，进行数据标记处理和算法优化等。
因此自动驾驶不仅要求AI芯片具备高算力，还要求具有实时性、低功耗、可靠性。自动驾驶需要实时响应传感器数据和环境变化，因此需要AI芯片具有低延迟的处理能力。由于汽车电源有限，AI芯片需要具有低功耗的特性，以确保整个系统的能耗控制。自动驾驶还需要具有高度的可靠性和安全性，因此AI芯片需要具有错误检测和纠正机制、高度的防护能力，以保证系统的稳定和安全。
如何权衡算力？
尽管L4、L5自动驾驶的商业化为时尚早，但可以确定的是，高级自动驾驶势必需要更先进的算法，用于分析处理系统数据并让系统做出准确决策，算力也由此变得更加关键。当前，行泊一体、舱泊一体、舱驾一体、一芯多屏等汽车电子焦点同样需要算力支撑。
在迈向自动驾驶的过程中，汽车OEM和Tier1面临的一个问题是，域控制器需要多少算力的主芯片？如何衡量选择的主芯片算力是否足够？如何让用户体会到这些算力能带来多少实际价值？
图注：孙鲁毅，安霸半导体技术（上海）有限公司软件研发高级总监
安霸半导体技术（上海）有限公司软件研发高级总监孙鲁毅表示，上述问题可以归结为：如何定义算力；针对汽车域控系统，哪些才是决定算力大小、算力是否有效等问题的主因。
域控处理器算力可分为CPU算力和AI算力。CPU算力通常以DMIPS指标衡量，DMIPS衡量的是整数计算性能，因为CPU上运行的大部分算法都是整数计算。一般说来，对于“行泊一体”系统，需要20K DMIPS以上的主芯片，才容易做出比较好的算法效果，如果CPU算力不足，就需要借助某些硬件加速方法来补充，这些硬件加速可能是一些传统视觉算法加速算子、DSP等硬件资源，并且其设计可以用来替代CPU相关计算。
但不同芯片厂商的CPU，简单对比DMIPS数字有时并不科学，其原因在于，有些芯片方案中需要CPU参与多项计算，包括神经网络前处理、图像畸变矫正等，所以实际正常运行基于图像的AI计算时，留给用户的CPU资源并不多。而有的方案，比如安霸的CV2系列芯片则内置多项硬件加速，所有CPU资源都可以让用户自由使用。
AI算力一般是以TOPS为单位，或者有时候以AI TOPS、eTOPS等变种来表现。行业常见的方法是以8bit定点数的AI算力作为评价，这是因为大部分基于神经网络的算法在8bit量化下可以取得比较好的准确度。然而，仍有一些AI芯片厂商可能采用4bit等数据使得算力数字看上去更大，但实际并不会增加有效算力。
这里我们就要面对一个“什么是有效算力？”的问题，简单来说，有效算力就是可以达到算法设计的目标、输出正确的结果同时保证必要精度的算力。
有效算力要考虑到算法实际运行的效率，比如实际算法运行的时候，硬件是否可以充分并行化执行；是否AI算法用的算子有对应的硬件支持；是否算力单元的性能受到系统内存带宽占用的影响；是否受CPU的占用率影响；以及算法本身是否是为了嵌入式计算设计；其本身的效率如何等等，这些因素对于不同芯片厂商的芯片中的不同架构或者不同设计千差万别，所以，有效算力比较难以用简单的“多少T”来衡量，一个更有价值的方法就是“实际跑一下算法，看看能跑多少FPS”，以及“算法移植到芯片运行的实际精度和原始模型精度的差别”。
这里就产生了一个新的问题，有的芯片厂商的工具链支持不好，导致很多常见的CNN类型神经网络的移植、量化和精度优化变成了一个很费时费力的工作，而且新型的网络，比如Transformer，要么支持不好，要么精度有比较大问题。
安霸的CV2系列ADAS及智能座舱芯片、CV3-AD大算力域控芯片、以及即将推出的CV72系列芯片，支持客户非常容易地从Pytorch、Tensorflow、Caffe等训练框架移植各种常见网络到安霸的芯片平台，并迅速自动完成满足精度要求的量化，以及为性能加速而采用的非结构化稀疏，还有对网络结构、网络调度、硬件优化特定的传统机器视觉算法等优化。在各项神经网络的性能、支持广泛程度、精度方面，都达到了嵌入式AI推理计算的行业领先水平。
安霸的大算力平台CV3-AD系列，可以分别很好地满足客户开发11V/12V加毫米波雷达、激光雷达L2+~L4级别自动驾驶的需求。能很好地支持BEV/Transformer等流行的神经网络，并已完成了部署和实际测试，在相关的性能测试里性能居于行业领先水平，可达到或超过友商大算力GPU芯片3倍以上的实际计算能力，而功耗却是其几分之一。CV72单芯片可以很好地满足客户开发6V5R全时行泊一体系统的算力需求，在有效算力的对比中，CV72达到或超过了友商标称30~40 TOPS算力的GPU平台性能。
安霸的“算法优先”策略，不仅提供AI开放平台给客户，而且提供CV系列芯片的相应工具链，进行AI性能评估，通过运行各种开源算法以及客户的实际算法，给出算力的精确体验，这种基于实际算法的实际运行体验是最准确而且也最有说服力。 确定了算力之后，开发人员如何综合考虑选择AI芯片？
定制化RISC-V IP供应商Codasip认为，算力虽然不是衡量汽车人工智能芯片性能的唯一指标，但它是最重要的指标之一，这是因为车辆本身就是一个复杂系统，驾驶和座舱的功能对算力和相应计算和控制需求差异巨大。在智能汽车时代，汽车芯片算力如何已成为智能汽车整体性能的一个关键因素，同时汽车行业对相关计算器件还有特定的要求和经过验证的手段，所以Codasip与行业伙伴合作，基于其L31 RISC-V处理器IP推出双核锁步解决方案，帮助汽车芯片设计企业快速推出符合车规和行业规范要求的芯片。
除了算力之外，汽车智能系统还需要其他支持性软件和硬件，以便车载人工智能芯片实现其最佳性能，而此时需要考虑各种因素，包括能效比、实时性、多模态处理、可靠性和安全性等。此外它还需要配备合适的传感器、通信模块、车载计算平台和软件算法，以实现全方位的功能和性能。
架构演变，AI渗透更加细微
无论是自动驾驶，还是车联网、汽车“三化”，功能需求都在增加，同时出于成本控制、可维护性等需求，迫使汽车电子电气架构向多域（multi-domain）、再到中央计算演进。
通过架构演变，汽车制造商可以减少硬件和软件的复杂性和成本，提高生产效率，并更容易地进行软件更新和硬件升级，以适应未来的功能需求和技术变革。当前汽车通常被分为动力域、车身域、自动驾驶域、底盘域和信息娱乐域，人工智能在不同域有不同体现：
图注：Gilberto Rodriguez，Imagination汽车产品管理总监
Imagination汽车产品管理总监Gilberto认为，AI芯片在人类难以或者不能编程的复杂任务中更有用，这就是为什么“自动驾驶领域”已被人工智能高度主导。人工智能被用来寻找物体，在周围环境中定位汽车，预测物体是如何移动的，并计划旅行的路线。
信息娱乐领域正受益于消费者应用，人工智能被用来改善语音命令、驾驶监控、手势检测和ADAS可视化的整体体验。
其他系统越来越多地使用人工智能来提高整体性能，但由于任务和数据吞吐量较低，通常使用较小水平的人工智能计算。例如，人工智能现在被应用于控制汽车的电池充电和监测消耗。
Gilberto预计，在自动驾驶趋势的推动下，多域控制器市场预计将在未来五年大幅增长，但同时面临多方面挑战：与多个电子控制单元相比，单一控制单元使汽车容易受到网络攻击，导致安全和设备故障问题；软件开发和集成变得复杂；不同Tier 1和Tier 2供应商的ECU之间没有标准化，设备尺寸和功耗优化变得困难。
软件定义汽车，AI芯片先行
汽车架构转变有助于实现“软件定义汽车”，汽车OEM和软件供应商可以定制越来越多的软件升级建议，为车主提供个性化体验。
据悉，“软件定义汽车”是一个新兴的概念，强调的是依托强大的计算能力，汽车的核心功能和特性可以通过软件来实现。这种方法可以提高车辆的灵活性和可定制性，同时也为消费者提供更好的用户体验。面对软件定义汽车的新设计要求，汽车人工智能芯片/主芯片需要有更高的计算性能，更好的通用性、安全性和安保性能。但是未来的汽车是一个复杂的计算系统，并不只需要强大的中央计算平台，而且还包括与之配合的多样化的计算与控制系统，这些都是Codasip的处理器IP、定制化开发工具及其客户高度关注和积极投入的领域。
在中央计算平台方面，车厂、软件商和芯片商需要进行紧密合作，共同实现软件定义汽车的目标。车厂需要提供开放的软件平台和接口，以便软件商和芯片商可以进行集成和开发。软件商和芯片商需要提供高质量和高可靠的软件和芯片方案，以满足车厂的需求和汽车行业的要求，并协同开发和测试。另外，为了确保软件定义汽车的安全性、功能安全性和可靠性，车厂、软件商和芯片商还需要建立有效的安全性管理机制，其中也包括引入远程无线升级（OTA）等模式。
作为实现软件定义汽车的一种手段，OTA可远程升级车辆的软件，不断改进和完善车辆的功能和性能。Gilberto认为，OTA代表了一种非常新的汽车消费体验，管理用户在基本固件、用户体验升级和新功能方面的感知和期望，需要谨慎处理。多数汽车制造商都希望向用户提供OTA解锁和功能升级。但一次性收费解锁新功能很难与付费硬件、订阅软件区分开来，因此用户对于OTA的接受度有所不同。
软件定义汽车的目的是将软件开发从基础硬件中抽离出来，为了实现这一目标，在定义中间件软件标准和硬件计算能力的时候至少考虑几点：第一，可扩展性，软件可以在不同的汽车模型中部署；第二，灵活性，每个OEM部署不同的软件；第三是效率，即底层异构硬件必须高效，最大限度减少运行软件所需功耗，在这一方面，Imagination可提供关键的构建模块IP，包括GPU、CPU、AI加速，同时也提供相关软件以及服务，也包括与中国汽车芯片企业进行深度定制化合作，以支持国内汽车芯片企业应对诸如ADAS、硬件虚拟化、车联网、人机交互和自动驾驶等各种需求。软件定义汽车使得汽车产业链上下游的合作纵横交错，Gilberto指出，OEM和Tier 1都在关注与汽车SoC生态系统之间更紧密的关系，甚至从IP开始，芯片设计方法将会更加全面，使得汽车制造商和软件/芯片供应商的合作比以往更加紧密。
汽车AI芯片与消费电子AI芯片有所不同，Gilberto补充道，汽车级AI芯片的设计和制作要求远高于工业级芯片和民用消费级芯片。在设计汽车芯片时要着重考虑可靠性、安全性和长效性。汽车芯片从架构设计开始就要把功能安全作为车规芯片非常重要的一部分，ASIL-B和ASIL-D这两个术语在整个行业都有广泛的应用。这意味着硬件和软件的可靠性非常高，从设计到生产的所有阶段都需要遵循非常严格的开发和安全验证过程。例如Imagination在IP设计之处就考虑到了功能安全性，其IP已获得了ISO 26262功能安全认证。
汽车AI芯片的复杂性使得Codasip这样的IP供应商脱颖而出，据介绍，作为一家欧洲本土企业，Codasip周围有着世界上最大的汽车创新和制造市场，这使Codasip能够与领先的专家和客户密切合作，通过深入了解挑战来建立一流的解决方案，使Codasip汽车客户和终端客户以及更广泛的汽车行业受益。
众所周知，当涉及到汽车安全时，没有错误或妥协的余地。从先进的安全性到舒适性和便利性功能，软件定义汽车实际上已经在汽车行业掀起了风暴，成为创新的催化剂。通过使用Codasip经过验证的系列产品，可以减少开发时间和成本、并提高系统的可靠性和安全性。Codasip的处理器旨在提供高性能和低能耗、同时还具有灵活性和易定制性，通过Codasip独特的定制计算服务于汽车行业，从而协助客户实现差异化，解锁创意，构建高效产品。
此外，随着汽车智能化的不断提高，培养新一代的创新工程师也非常有必要。Codasip可通过大学计划，免费为高校和研究机构提供课程设置，高品质的IP和设计自动化软件，从教育层面促进创新，为未来做足准备。
国内汽车芯片发展现状
在AI芯片的国产化上，Gilberto指出，第三方IP仍然是芯片公司有效开发具有竞争力芯片的最佳方式。现成的IP可以很好地与其他方案配合使用，使企业能够利用市场中的新兴机会，架构和专利许可帮助更成熟的客户将他们的专业知识和第三方IP更紧密地结合起来，以提高竞争优势。
图注：张翔，北方工业大学汽车产业创新研究中心研究员
芯片产业格局出现一些变化，对国内汽车产业有什么影响？北方工业大学汽车产业创新研究中心研究员张翔表示，目前没有出现针对汽车芯片的管制，再者国内汽车芯片企业规模尚未成型，无论是订单量还是盈利都存在困难。不可否认，汽车智能化造就了市场机会，但是要获得更高市占率，国内芯片厂商仍然需要一个漫长的路要走。此外，他认为ChatGPT盛行，但还没有促使AI应用对汽车行业产生直接影响，短期内，ChatGPT的带动作用仅限于人机交互、内容创作方面的应用，其车载应用还没有形成市场。
图注：郭涛，天使投资人、知名互联网专家
显而易见的是，国内新能源汽车行业高速增长，单车半导体使用数量增多，大市场为国内芯片企业带来充足的发展机会。天使投资人、知名互联网专家郭涛表示，近几年来，国家不断提升芯片行业的战略地位，陆续出台财税政策、专项补贴、人才引进、技术攻关和产业投资等利好举措，加快推动产业高质量发展。在汽车“缺芯”和芯片国产化替代的大背景下，车规级芯片领域存在巨大的国产化替代机会。在车规级AI芯片领域，全球基本处于同一起跑线，国内AI芯片厂商有望迎来换道超车的新机会。不过，国内车规级AI芯片厂商起步较晚，技术积累时间不长，占市场主流的美日欧系整车品牌与国际芯片厂商保持长期稳定合作关系，国内芯片公司渗透进度较慢，国产化率还较低，产业发展亟待破局。以ChatGPT为代表的AI大模型对算力提出了更高的要求，需要强大的AI芯片来提供算力基础保障。当前，AI深度学习正在逼近现有芯片的算力极限，对芯片设计厂商提出了更高要求，AI芯片研发有望提速，也将推动车规级AI芯片的发展。
小结
由于人工智能的进步及其在汽车行业的应用，使得汽车行业正处于重大转变的风口浪尖。从汽车的制造、设计到销售和营销，再到服务和维护，人工智能可以在智能高效方面发挥作用。此外，在“软件定义汽车”趋势下，汽车架构和设计工作流程都将发生变化，促使汽车芯片算力提升，以满足功能和汽车的定制化。AI和高算力芯片都在不断迭代，对汽车的重大革新只是时间问题。
来源于芯闻路1号，作者
赵工
13488683602
zhaojh@kw.beijing.gov.cn
欢迎各公众号，媒体转载，申请加白名单秒通过
投稿/推广/合作/入群/赞助/转发 请加微信13488683602