早期，汽车通常以分布式 E CU架构为主，每个模块都拥有单独的 E CU（电子控制单元）。随着汽车电子的发展，越来越多的复杂功能被集成到汽车上，区域中心化架构与整车中心化架构的比例逐年提高。目前，整车中心化架构已经成为智能车的主流架构与发展趋势，对域控制芯片的要求也在提升。
在 自 动 驾 驶 时 代 到 来 后 ， 汽 车 对 芯 片 算 力 的 需 求 暴 涨 。 行 业 报 告 显 示 ， L2 级 别 的 自 动驾 驶 汽 车 会 用 到 6 个 传 感 器 ， L5 阶 段 预 计 单 车 携 带 的 传 感 器 数 量 将 达 到 32 个 。 业 内 人 士 称当 自 动 驾 驶 达 到 L3 级 别 时 算 力 需 求 超 过 250TOPS ， L4 级 别 将 达 到 500TOPS ， L5 级 别 或将 超 过 1000TOPS 。 由 于 要 完 成 大 量 运 算 ， 域 控 制 器 一 般 都 要 匹 配 一 个 核 心 运 算 力 强 的 处理器，能够提供自动驾驶不同级别算力的支持，以CPU为核心的MCU已经无法满足爆棚的算力需求，主控芯片逐渐向SoC异构芯片方向发展。其中TOPS（万亿次每秒）算计级别的AI芯片成为厂商追捧的对象。
现 阶 段 用 于 汽 车 决 策 控 制 的 AI 芯 片 ， 数 据 、 算 力 和 算 法 是 三 大 要 素 ， CPU 配 合 加 速 芯 片 的模式成为典型的AI部署方案。常见的AI加速芯片包括GPU、FPGA、ASIC以及多种类脑芯片 架 构 （ NPU ） 。 目 前 车 载 主 控 以 AI 芯 片 （ 带 有 AI 计 算 能 力 的 SoC ） 为 主 ， 常 由CPU+GPU+DSP+NPU+ 各 种 外 设 接 口 、 存 储 类 型 等 电 子 元 件 组 成 。 对 比 传 统 MCU ， AI芯 片 中 多 了 GPU 与 NPU 模 块 。 实 际 上 完 成 自 动 驾 驶 相 关 计 算 的 主 要 为 ALU （ 逻 辑 运 算 单元 ） ， 其 他 各 个 模 块 的 存 在 都 是 为 了 保 证 指 令 能 够 有 序 执 行 。 由 于 功 耗 与 芯 片 频 率 上 限 的限制，CPU系统在进行深度学习计算时上限较低。对比CPU十百级的并行处理单元，GPU有 上 万 级 的 并 行 处 理 单 元 ， NPU 会 有 百 万 级 的 并 行 计 算 单 元 ， 其 算 法 运 行 速 度 要 远 超 以CPU为主的MCU。
目前几家车载AI芯片厂商采用的芯片架构并不相同；
英 伟 达 和 特 斯 拉 FSD 采 用 CPU+GPU+ASIC 的 设 计 路 线 。 英 伟 达 Orin 芯 片 以 GPU 为 计 算核 心 ， 主 要 有 4 个 模 块 ： CPU 、 GPU 、 DL A （ Deep Learning Accelerator ） 和 PVA （ Programmable Vision Accelerator ） 。 特 斯 拉 FSD 以 NPU 为 计 算 核 心 ， 由 CPU 、GPU 和 NPU （ Neural Processing Unit ） 组 成 。 DL A 与 PVA 是 两 个 专 用 ASIC ， DL A 用于推理 ，PVA用于加速传统视觉算法；
Mobileye 和 国 产 芯 片 厂 商 地 平 线 采 用 CPU+ASIC 架 构 。 Mobileye 的EyeQ5 芯 片 由 CPU 、 CVP （ Computer Vision Processors ） 、 DL A （ Deep Learning Accelerator ） 和 MA （ Multithreaded Accelerator ） 组 成 。 CVP 是 针 对很 多 传 统 计 算 机 视 觉 算 法 设 计 的 ASIC 。 地 平 线 则 自 研 专 用 ASIC 芯 片 BPU （ Brain Processing Unit ） ， 目 前 已 经 形 成 三 种 不 同 架 构 模 型 ， 分 别 是 高 斯 架 构 、 伯 努 利 架 构 与贝叶斯架构。
无 论 各 家 采 用 的 架 构 如 何 变 化 ， 注 重 提 高 芯 片 计 算 性 能 依 旧 是 核 心 目 的 。 未 来 随 着 自 动 驾驶算法的优化与固定，所有架构都将不断趋同。
目 前 ADAS 性 行 主 要 以 “ 硬件预埋，算法迭代，算力均衡”体现。硬件的性能主要通过算力这题途径体现。
自 动 驾 驶 需 要 依 赖 大 量 车 载 传 感 器 对 外 部 环 境 的 探 测 与 采 集 ， 这 些 数 据 会 被 上 传 至 中 央 处理 器 进 行 处 理 ， 用 来 判 断 车 辆 行 驶 的 下 一 阶 段 该 采 取 什 么 操 作 。 整 个 过 程 需 要 在 一 瞬 间 完成，延时必须要控制在毫秒甚至微秒级别，才能保证自动驾驶的行驶安全。除 了 算 力 外 ， 车 载 芯 片 往 往 运 行 在 复 杂 的 环 境 中 ， 所 以 对 算 力 的 利 用 率 也 是 必 须 关 注 的 参数 。 由 于 AI 算 法 需 要 与 内 存 进 行 大 量 数 据 交 换 ， 所 以 目 前 制 约 算 力 运 用 率 的 主 要 因 素 是 内存与带宽。
相 应 的 ， 算 力 损 耗 意 味 着 芯 片 耗 能 增 加 ， 发 热 量 增 加 ， 所 以 能 效 比 也 是 车 载 AI 芯 片 的 重 要参 数 之 一 。 尤 其 是 芯 片 在 高 性 能 模 式 下 ， 芯 片 过 热 会 触 及 芯 片 功 耗 墙 并 降 频 ， 这 对 于 车 载芯 片 来 说 将 是 个 严 重 问 题 。 而 能 效 比 主 要 取 决 于 芯 片 架 构 的 设 计 ， 如 何 提 高 数 据 交 换 带 宽与内存效率是芯片厂商的重要课题。
可以想象的是，未来所有的自动驾驶都会朝着AI方向努力，其市场也是不言而喻的。
