点击图片查看原图
件 库存6556件
一周前，NVIDIA发布了智能汽车最强核心Thor，单芯片算力2000TOPS，性能是Orin的8倍，算力几乎是前段时间被禁的A100的4倍类似准确性。
更可怕的是，托尔的出现，直接扼杀了摇篮里尚未释放的亚特兰。
然而，话并没有落下。三天后的投资者见面会上，另一家芯片巨头高通也大动作，宣布推出“集成车用超算SoC”：骁龙RideFlex，该SoC外挂NPU的综合算力也将达到2000TOPS.
据说，一位高通工程师在朋友圈表示：这是我们的回应，为这场计算竞赛增添了一丝火药味。
英伟达与高通的较量，真实反映了智能汽车数字指标上贫富差距越来越大——燃油车时代，即便是轩辕这样的买菜车，F1方程式赛车的马力也只有On一辆智能电动车，下一辆车的计算能力可能是你的车的几十倍甚至上百倍。
通过平均智能汽车芯片算力的膨胀，我们尝试回答几个问题：
1、汽车芯片的算力是如何达到2000T的？
2、智能车芯片更厉害？
3、汽车智能芯片的超算会不会成为英伟达和高通的较量？
1
算力王
近几年智能驾驶的发展史，在某种程度上可以概括为芯片算力暴涨的历史。
2016年，因辅助驾驶引发的致命事故与Mobileye分道扬镳的特斯拉找到英伟达定制计算平台DrivePX2，计算能力达到24TOPS[1]。一般来说，TOPS越高，每秒可以进行的AI计算越多，可以承载的人工神经网络的性能就越好。
就像手机和电脑经常以芯片基准作为卖点一样，在席卷汽车行业的深度学习浪潮中，TOPS成为衡量智能驾驶能力是否先进的首要指标。NVIDIACEO黄仁勋也有句名言：“TOPS是新的马力”[2]。
在今年的CES展会上，在算力上吃亏的Mobileye发布了EyeQUltra，算力达到了176T，比EyeQ4高出50倍。同样，Horizon今年即将登陆理想的L8的J5芯片，算力128T，是J2芯片的34倍，以免落后于竞争对手。
英伟达也深谙算力即算力的游戏规则。继DrivePX2之后，英伟达在6年内发布了三代智能驾驶芯片，从Xavier、Orin到Thor，算力实现了从30TOPS到254TOPS再到2000TOPS的过渡，每一代都是“芯帝”般的存在。
如果以DrivePX2为基准，英伟达智能驾驶芯片的AI算力在10年内提升了83倍，比传统的摩尔定律还要快。
英伟达雷神智能驾驶芯片
智能驾驶芯片为何如此“疯狂”堆积算力？其中，不仅有英伟达每两年更新一次芯片架构的努力，也有台积电不断提升芯片制造工艺极限的功劳，更重要的是有市场。翻译意味着下游公司遭受了计算能力的饥饿。
首先，智能汽车上传感器的规格和数量近年来都有了飞跃，带来了数据的激增。
比如今年开始交付的蔚来ET7，搭载了33个传感器，包括11个8像素高清摄像头、1个高精度激光雷达、5个毫米波雷达等，传感器生成8G图像每秒数据。，大约相当于一部90分钟的高清蓝光电影[3]。
为了满足智能驾驶的实时处理需求，蔚来不得不用4个Orins组成算力1016T的计算平台——传感器过多导致数据爆炸，单核算力无法应对.
同时，智能驾驶算法的“大规模建模”也让芯片的计算能力越来越难。
TeslaFSD感知算法比早期的Autopilot算法复杂得多
去年，特斯拉率先在智能驾驶系统的感知模块中启用了新的神经网络Transformer。与传统的CNN相比，Transformer的性能大幅提升，可以帮助系统实现三维感知，拥有与人类相同的“记忆”能力。.
特斯拉开道后，Transformer迅速席卷了整个行业，但它也不是没有代价的——参数太多，而且消耗大量计算资源。计算能力的100倍（在训练方面）[4]。”
其次，汽车电子电气架构的集中化也在催生超级芯片。
为了方便车载数据交互，降低综合成本，汽车行业正在努力降低数百个ECU，将它们负责的计算任务集成到尽可能少的芯片中——汽车电子电气架构已经从最早的分布式计算迭代到现在的域控计算，下一代将需要更少的芯片中心计算.
相应地，提出了“驾驶舱一体化”的概念，这是一个终极目标：一个主芯片同时负责智能驾驶和智能座舱的计算任务（当然，还会有其他小芯片来完成）助攻）。数千TB级自动驾驶的算力需求，以及车内几块2K屏的大屏趋势，迫使这款芯片在性能上一拥而上。
面对这些需求，NVIDIA果断砍掉了去年发布的智能驾驶专用芯片——算力1000T的Atlan，取而代之的是算力2000T的Thor。高通Flex平台紧急跟进，两家公司（口头）将智能汽车芯片带入超算时代。
2
计算能力越大，效果越好
在分析英伟达称霸AI芯片市场，其股价5年暴涨20倍的原因时，分析师经常抛出一个观点：算力为王。车企在推广智能汽车时，往往有意无意地向用户传达一个想法：算力越大，X就越好。
但这种情况并非如此。在真正的智能驾驶系统中，更大的算力只提供了很大的可能性，但并不能保证很大的确定性。
一方面，企业通常宣传的TOPS是芯片的AI算力峰值，但在实际运行中，芯片的算力很难得到充分利用。
一个鲜为人知的事实是，在大数据量的计算任务中，最大的瓶颈往往是存储带宽而不是计算能力。由于计算单元的运行频率远高于存储单元，芯片会陷入“算力等数据”的状态，高算力实际上处于闲置状态[5]。
这相当于餐厅里有个米其林大厨，做菜又快又好吃，却受限于切菜机的效率，导致送餐率不断下降。