2024年汽車智能駕駛芯片行業(yè)專題報告：充分重視OEM自研智駕芯片的長期意義

2024年汽車智能駕駛芯片行業(yè)專題報告：充分重視OEM自研智駕芯片的長期意義一、如何看待OEM自研智駕芯片？芯片分類：四類主流芯片覆蓋市場不同應用場景當前市場上流通的主流芯片包括四大類：1）處理器芯片，包括CPU、GPU、DSP、和MCU，負責系統(tǒng)的運算和控制核心，以及信息處理和程序運行的最終執(zhí)行單元。2）存儲器芯片：包括靜態(tài)（SRAM）以及動態(tài)（DRAM）隨機存取存儲器等，用于數據的存儲。3）模擬-數字轉換器(ADC)和數字-模擬轉換器(DAC)：這兩種芯片分別用于模擬信號和數字信號的互相轉換，廣泛應用于傳感器和測量儀器中。4）片上系統(tǒng)(SoC)：集成微控制器/處理器/存儲器/通信接口和傳感器等元件，通過簡單編程可以實現豐富的功能。AI芯片是屬于SoC片上系統(tǒng)芯片的特殊分支，是指針對人工智能算法做了特殊加速設計的芯片，專門用于處理人工智能應用中的大量計算。AI芯片分類：GPU以及ASIC主導訓練/推理應用為滿足行業(yè)發(fā)展對于芯片處理性質單一但規(guī)模龐大的數據計算的需求，產業(yè)基于GPU圖像處理器的并行計算能力持續(xù)升級，開發(fā)了以極致性能為代表的GPU以及以極致功耗為代表的ASIC芯片，以及介于二者之間，兼具靈活性和高性能的FPGA等不同類型芯片，應用于包括云端訓練以及邊緣段推理等不同場景。未來，AI芯片將持續(xù)迭代，開發(fā)高度模擬人腦計算原理的類腦芯片，圍繞人腦的神經元/脈沖等環(huán)節(jié)，實現計算能力的飛躍提升以及能耗的大幅下降。芯片生產：設計為基礎，制造最核心，封測保性能芯片制造分為三大步驟，分別是芯片設計、芯片制造、封裝測試。芯片設計：在EDA軟件工具的支持下，通過購買授權+自主開發(fā)獲得IP，遵循集成電路設計仿真驗證流程，完成芯片設計。首先明確芯片目的（邏輯/儲存/功率），編寫芯片細節(jié)，形成完整HDL代碼；其次利用EDA軟件（高制程工藝軟件市場集中度高）將HDL代碼轉為邏輯電路圖，進一步轉為物理電路圖，最后制作成光掩模。芯片制造：壁壘最高！三大關鍵工序光刻、刻蝕、沉積，在生產過程中不斷重復循環(huán)三工序，最終制造出合格的芯片。過程中要用到三種關鍵設備，分別是光刻機、刻蝕機、薄膜沉積設備。封裝測試：測試是指在半導體制造的過程中對芯片進行嚴格的檢測和測試，以確保芯片的質量和穩(wěn)定性和性能；而封裝則是將測試完成的芯片進行封裝，以便其被應用在各種設備中。設計環(huán)節(jié)：EDA軟件格局集中，IP模塊是核心產權EDA：(ElectronicDesignAutomation)電子設計自動化，常指代用于電子設計的軟件。目前，Synopsys、Cadence和Mentor（SiemensEDA）占據著90%以上的市場份額。在10納米以下的高端芯片設計上，其占有率甚至高達100%。國產EDA工具當前距離海外龍頭有較大差距。IP核：指一種事先定義、經過驗證的、可以重復使用，能完成特定功能的模塊（類似于excel模板），物理層面是指構成大規(guī)模集成電路的基礎單元，SoC甚至可以說是基于IP核的復用技術。其包括處理器IP（CPU/GPU/NPU/VPU/DSP/ISP…)、接口IP（USB/SATA/HDMI…）、存儲器IP等等幾類。對于當前智駕領域AI芯片而言，常用IP核包括CPU、GPU、ISP、NPU、內存控制器、對外接口（以太網【用于連接不同車身設備以交換數據】和PCIe接口【用于主板上的設備間通訊】）等。制造環(huán)節(jié)：設備/工藝/材料多環(huán)節(jié)，高壁壘高集中度芯片制造三大關鍵工序：光刻、刻蝕、沉積，三大工序在生產過程中不斷循環(huán)，最終制造出合格的芯片；其中，設備+工藝+材料等環(huán)節(jié)尤為關鍵；芯片制造以臺積電、三星、英特爾寡頭壟斷。設備：三大關鍵工序要用到光刻機、刻蝕機、薄膜沉積設備三種關鍵設備，占所有設備投入的22%、22%、20%左右，是三種難度和壁壘最高的半導體設備。工藝：芯片制造需要2000道以上工藝制程，主要包括光刻、刻蝕、化學氣相沉積、物理氣相沉積、離子植入、化學機械研磨、清洗、晶片切割等8道核心工藝。材料：硅晶圓和光刻膠是最核心的兩類材料，90%以上的芯片在硅晶圓上制造，光刻膠是制造過程最重要的耗材，半導體光刻膠壁壘最高，全球CR5接近90%。二、第三方玩家自研智駕芯片成效如何？廠商布局比較：英偉達/特斯拉最全，其余快速跟進綜合OEM主機廠以及Tier環(huán)節(jié)供應商，我們梳理自研智駕芯片并已有或即將有成熟產品量產出貨的玩家進行橫向對比：英偉達/特斯拉目前云端&邊緣端芯片硬件以及對應底軟&工具鏈布局最為完善，高通聚焦邊緣端自研&Tier1落地模式迅速落地，地平線/黑芝麻智能由低到高布局。英偉達：高舉高打，算力+生態(tài)最強音發(fā)展歷程：由GPU起構建軟硬件壁壘，拓展全行業(yè)英偉達成立于1993年，由黃仁勛聯(lián)合Sun公司兩位年輕工程師共同創(chuàng)立。最初致力于GPU的研發(fā)，1999年成功上市。隨著GPU在圖形和高性能計算領域的成功，英偉達逐漸擴展至人工智能、深度學習、自動駕駛和醫(yī)療等領域。公司的GPU技術在科學計算、游戲和專業(yè)工作站等領域取得巨大成功，成為全球領先的半導體公司之一。CUDA：更好加速GPU計算，構建英偉達生態(tài)壁壘CUDA是NVIDIA發(fā)明的一種并行計算平臺和編程模型，全稱ComputeUnifiedDeviceArchitecture它通過更好地調用圖形處理器(GPU)的處理能力，對算法運行進行加速，可大幅提升計算性能，并構建英偉達自身的軟件生態(tài)。CUDA的優(yōu)勢在于：1）并行計算：CUDA允許開發(fā)者使用GPU的大量核心進行并行計算，以加速各種計算密集型任務；2）高效內存管理：CUDA提供了高效的內存管理機制，包括全局內存、共享內存、常量內存等，可以最大限度地利用GPU的內存資源；3）強大的工具支持：CUDA提供了一系列強大的工具支持，包括CUDA編譯器、CUDA調試器、CUDA性能分析器等，可以幫助開發(fā)者更加高效地開發(fā)和調試CUDA程序。圍繞芯片硬件，時序進化覆蓋不同行業(yè)應用英偉達主要系列芯片包括GeForce、Quadro、Tesla、Tegra、Jetson和DXG，算力&架構持續(xù)迭代。1999年，英偉達推出GeForce系列芯片，主要應用于游戲娛樂；此后，專業(yè)級GPUQuadro系列芯片憑借強大的計算能力和大容量顯存，廣泛應用于專業(yè)可視化領域；2008年推出的Tesla系列芯片可提供快速運算和推理，作為深度學習加速器運用于數據中心；2015、2016年分別推出Jetson系列和DGX系列，計算推理能力進一步提高，應用于數據中心、汽車、醫(yī)療等領域。英偉達憑借其算法架構的迭代升級，不斷開拓產品線，專業(yè)化高算力芯片提高整體競爭力。產品線：未來汽車芯片等相關業(yè)務有較大增量空間汽車方面，高算力芯片助力智駕功能突破升級。1）硬件方面，自動駕駛平臺經歷了DRIVEPX、DRIVEPX2、DRIVEXavier、DRIVEPegasus、DRIVEOrin、DRIVEThor的迭代。最新一代自動駕駛平臺DRIVEThor支持L4/L5級別智駕，算力可達2000TOPS，同時，自動駕駛開發(fā)平臺Hyperion也將搭載Thor實現性能升級；2）軟件方面，CUDA+TensorRT持續(xù)優(yōu)化DRIVEOS，進而提升DRIVESDK整體性能。醫(yī)療方面，2016年英偉達開始布局醫(yī)療領域；2017年合作醫(yī)療保健解決方案提供商，將AI帶入醫(yī)學影像；2018年發(fā)布Clara平臺；2021年合作Schr?dinger，利用DGXA100擴大計算藥物發(fā)現平臺的速度和準確性；2022年發(fā)布IGX平臺，改善人機協(xié)同。GPU微架構持續(xù)迭代，制程升級，覆蓋更多領域英偉達GPU微架構持續(xù)迭代升級，Fermi、Kepler、Maxwell、Pascal、Volta、Turing、Ampere、AdaLovelace和Hopper，每一代都在性能、能效和特定任務方面取得不斷進步：2017年后引入TensorCore，減少乘加操作時間，提供更快計算速度，成為企業(yè)級AI首選，年拓展專業(yè)可視化市場，2020年之后正式引入支持AI神經圖形以及算力稀疏化的微架構方案。華為：技術對標英偉達，聯(lián)合車企培育生態(tài)車端：華為智能汽車E/E架構，軟硬件全覆蓋以“計算+通信”為核心—CCA架構+VehicleStack跨域集成軟件框架。以ICT技術為基礎，建立以一個架構（CCA）、五大智能系統(tǒng)（智能駕駛/智能座艙/智能電動/智能車云/智能網聯(lián)）、全套智能化部件（智慧屏+AR-HUD+集成式熱管理+感知鐵三角等）組成的全棧式解決方案。昇騰計算產業(yè)類比英偉達布局，軟硬件/工具鏈全面基礎硬件是核心：基于華為達芬奇架構，Atlas訓練集群可提供256P~1024PFLOPSFP16的總算力，并可提供能效比小于2TOPS/W的邊緣端算力，滿足效率與能耗的雙重需求。適配不同類型需求，華為提供異構計算架構CANN/AI框架/應用使能等不同類型開發(fā)工具：面向上層應用開發(fā)者以及專業(yè)AI模型開發(fā)者，華為分別提供MindX/MindSpore完整開發(fā)工具包；面向底層算子開發(fā)者，華為提供CANN以及MindStudio支持底層開發(fā)。邊緣端芯片：自研達芬奇架構造就昇騰310邊緣應用華為昇騰芯片是華為發(fā)布的兩款人工智能處理器，包含昇騰310用于推理和910用于訓練業(yè)務，均采用自研達芬奇架構。昇騰310整數精度（INT8）算力可達16TOPS，主要應用于邊緣計算產品和移動端設備等低功耗的領域。昇騰910整數精度（INT8）算力可達640TOPS，在業(yè)界其算力處于領先水平，性能水平接近于英偉達A100，支持全場景人工智能應用。昇騰310是一款高能效、靈活可編程的人工智能處理器，在典型配置下可以輸出16TOPS@INT8,8TOPS@FP16，功耗僅為8W。采用自研華為達芬奇架構，集成豐富的計算單元，提高AI計算完備度和效率，進而擴展該芯片的適用性。全AI業(yè)務流程加速，大幅提高AI全系統(tǒng)的性能，有效降低部署成本。云端：昇騰NPU+鯤鵬CPU打造Atlas云端服務器Atlas系列硬件產品基于昇騰處理器和業(yè)界主流異構計算部件，通過模組、板卡、小站、服務器、集群等豐富的產品形態(tài)，打造面向“云、邊、端”的全場景AI基礎設施方案，包括Atlas200AI加速模塊、Atlas300AI加速卡、Atlas500智能小站、Atlas800AI服務器、Atlas900AI集群等產品，覆蓋深度學習領域推理和訓練全流程；以鯤鵬系列CPU+昇騰系列NPU結合，在人工智能計算中心、城市智能人工中樞、通用訓練服務器以及視頻圖像分析等領域，由大到小細節(jié)全覆蓋。三、下游OEM玩家如何做？19年自研FSD智駕芯片，自研NPU保障算力領先特斯拉自動駕駛硬件解決方案持續(xù)升級，2016年10月由Mobileye黑盒轉為英偉達開放，逐步掌握智駕算法后，2019年全自研FSD芯片上車，2024年新一代方案預計上車，芯片再升級。自研智駕芯片保障成本與性能雙領先。特斯拉自2016年2月組建智駕芯片研發(fā)團隊，2019年4月FSD芯片正式搭載上車，單車搭載2顆FSD芯片；每顆配置4個三星2GB內存顆粒，單FSD總計8GB，同時每顆FSD配備一片東芝的32GB閃存以及一顆Spansion的64MBNORflash用于啟動。憑借NPU針對AI計算更好的專業(yè)適用性，3.0時代FSD芯片以14nm制程+260mm2面積實現144TOPS算力，相比英偉達12nm制程+350mm2支持30TOPSAI算力更為領先。放棄通用GPU自研專用D1芯片，強化計算+傳輸可擴展+強計算，特斯拉D1性能表現業(yè)內領先。1）基礎性能方面，特斯拉D1由臺積電代工，采用7nm制程工藝，芯片面積為645mm2，小于英偉達A100（826mm2）；D1芯片擁有多達354個訓練節(jié)點，是特斯拉專門設計的特別用于AI訓練相關的8×8乘法的芯片，浮點計算性能FP32算力22.6TFLOPS(英偉達A100為19.5)，對應熱功耗僅為400W；D1芯片集成四個