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。
为了方便车内数据交互，降低整体成本，汽车行业正试图减少分散在车内的数百个ECU，并将其计算任务集成到尽可能少的芯片——汽车电子电气架构已经是最早的分布式计算迭代到现在的域控制器计算，下一代将是需要更少芯片的中央计算。
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。
存储容量成为人工智能应用的主要瓶颈
有效利用高计算能力的一种方法是在芯片中放置更多的高速缓存(SRAM)。这种存储单元更靠近计算单元，数据传输的延迟更低，可以有效增加带宽。
例如，特斯拉在其FSD芯片中封装了32MB的缓存，缓存带宽为2TB/s，将每秒图像处理量从DrivePX2的100多帧提高到2300帧，为其FSDBeta算法提供了基础[6]。
但特斯拉做这一切的前提是斥巨资从硅谷寻找顶尖的半导体人才进行自主研发，能同时满足这样条件的车企并不多。
另一方面，即使通过各种方式尽可能地用完芯片的算力，也不代表一切都会好起来——算力是智能驾驶的基础，算法是灵魂。
有一个生动的例子说明了算法在游戏行业中的重要性。在2021年之前，玩家即使拥有性能不错的电脑，也需要等待很长时间才能打开GTA5的在线版本。后来有程序员拆包发现，由于部分代码质量不高，一个只需要一步完成的步骤就被强制跑了19.8亿条if语句——这段代码很简单，但是却占了60%计算资源[7]。
同样的道理在智能驾驶行业也是如此：算力的叠加和消耗并不难，但通过高效的算法将算力转化为真实的用户体验却很难。
经验丰富的算法团队往往可以实现更高的算力性价比。比如，小鹏刚刚在广州地区的P5车型中引入了城市高端辅助驾驶CNGP。当业界大部分基于数百TB的算力实现这一目标时，小鹏P5只搭载了算力30TOPS的Xaiver芯片，很容易依赖。是算法优化和高精度地图加持[8]。
前不久与五菱联合推出低算力助力驾驶解决方案的大疆认为，要实现智能驾驶，传感器、算力、算法、数据四座山，四座山都需要攀登。一起。也就是说，智能驾驶系统其实就是一个木桶，决定了最终的体验是长板，还是短板。
目前整个汽车行业有很多人把芯片的算力堆到了几百甚至上千TB，但是没有有一家车企基于144T算力的辅助驾驶系统，堪比特斯拉的FSDBeta。面对这种情况，很难说智能驾驶行业的短板在于芯片的算力。
3
神仙打架，车企真成组装厂？
英伟达与高通神仙之间的较量，会不会导致第三颗智能汽车芯片之后一无所长的局面？答案是否定的。
这是因为汽车行业对成本更加敏感，市场高度分层，并且比另一个使用芯片的消费电子消费电子产品具有更高的安全要求。目前，一款汽车超算芯片很难同时满足上述条件。
从成本和市场的角度来看，高算力芯片就等于高成本，也就是说只有部分高端车型买得起，而下游车企往往是少数愿意全部买单的硬件预购者钱：先花很多钱放算力，硬件栈高，然后使用OTA更新功能。
英伟达已经量产Orin，采用7nm工艺生产，算力254T，单价达到400美元[9]。目前，仅配备威小利、智机、飞帆等品牌的30万款车型。Thor的计算能力是Orin的8倍，并且采用了更先进的5nm工艺，其价格势必比Orin更加惊人。
从安全的角度来看，虽然管理智能驾驶和智能座舱的超级计算芯片在数据流上更简单、更高效，但代价是硬件级安全冗余的损失。如果芯片隔离不好，智能驾驶和智能座舱的应用可能会相互崩溃（比如汽车碰撞导致辅助驾驶突然退出），影响车辆的安全。这给擅长控制安全的传统汽车半导体制造商留下了机会。
由于成本高，难以满足所有需求，车企也分化为硬件自研群体。比如魏晓丽，一方面呼唤英伟达和高通兄弟，另一方面建立芯片自研团队，研发匹配自家算法和软件的程度。更高的筹码，试图将命运掌握在自己手中。
在广阔的辅助驾驶市场，更主流的其实是服务于中低端车型。他们不追求（也无法使用）高端配置，而是使用低成本的芯片和传感器在有限的场景下很好地执行辅助驾驶功能。
比如今年大疆与五菱联合推出的智能驾驶版KIWIEV就更进一步。它采用2兆像素摄像头作为主传感器，计算平台计算能力仅为16T，全套辅助驾驶套件成本不到1万。
随着此类方案的普及，一些平价的智能驾驶芯片如HorizonJ3（5T算力）和德州仪器TDA4（8T算力）正在开拓一个不断增长的市场。