(报告制作人/作者：张一民财通证券)
1汽车电动化、智能化引领产业新趋势1.1汽车电动化、智能化引领产业变革，重点自动驾驶和智能小屋
汽车工业正在经历电气化和智能化的革命。电气化主要改变汽车的动力和传动系统，智能化改变人与汽车的关系。从PC时代的微软，到智能手机时代的苹果，再到市值万亿的特斯拉，一个全新的智能电动车时代开始了。当前时间是汽车产业新一轮周期的起点，电动化、智能化革命将颠覆整个汽车产业链，也将孕育新的产业活力。目前，我们认为汽车行业正在经历三大趋势：
(1)新能源汽车进入成长期，智能汽车引领新潮流：随着特斯拉、比亚迪等优质供给进入市场，续航里程提升，驾乘体验舒适，需求侧客户开始逐渐接受并选择购买新能源汽车。2021年，国内新能源汽车渗透率超过10%，行业开始进入成长期。汽车产业下一阶段的发展将聚焦于智能汽车时代，这意味着它配备了先进的传感器和人工智能等新技术，使其具有自动驾驶和人机交互的功能，有望成为下一代移动空间和智能应用终端。因此，汽车智能化是抢占行业竞争制高点的关键领域。
(2)作为消费品，汽车的评价中国的核心竞争力将从燃油车时代的马力和电动车时代的电池寿命到智能汽车时代的计算能力:从19世纪80年代的传统燃油车、2010年的电动汽车到2020年的智能汽车，汽车的性能及其核心竞争因素也在发生变化：A、燃油车的评价性能更依赖于内燃机。b .对于电动汽车，我们更注重续航；c .在智能汽车时代，我们更看重车外自动驾驶技术在大计算能力平台上的成熟，以及车内智能驾驶舱带来的人机交互的智能体验。
(3)汽车价值链商业模式与重构：通过软件实现价值链向中后段转移。在汽车的整个生命周期中，与传统燃油汽车的一次性销售不同，智能汽车可以通过硬件嵌入和软件升级。届时，主机厂可以通过OTA升级实现软件可售、软件付费等新的商业模式，从而获得更高的附加值，整车框架结构和商业模式被重新定义。
智能网联是汽车产业下一次变革的风暴中心。汽车要从根本上改变产品形态，从移动工具变成生活伴侣，需要智能化、网络化的发展，彻底解放人从而赋予汽车更丰富的想象力。的焦点新四化将不可避免地转向智能化和网络化。无论是需求方对产品定位和价值诉求的改变，还是供给方在自动驾驶和车联网方面的竞争与合作，都证明了智能网络作为变革浪潮中的核心驱动力，将成为汽车行业发展的长期趋势。"自动驾驶和智能驾驶舱正在逐渐进入大众的视野。不用说智力引领自动驾驶，但是网络也是不可或缺的支持。尤其是对于智能客舱系统，从娱乐的丰富到系统的不断迭代升级，都离不开网络。
1.2汽车的电动化和智能化带来了汽车半导体
手机的蓬勃发展是过去十年半导体产业快速增长的主要动力。电子和智能汽车有望成为半导体产业新的增长层面，产业变革下将诞生新的技术制造商和行业领导者。未来，汽车将和手机、电脑一样，成为整个半导体产业增长的主要驱动力。先进的自动驾驶、智能驾驶舱、车载以太网和车载信息系统将催生新的半导体需求。地平线预测，2030年全球汽车芯片市场规模约为1000亿美元，相比2017年全球汽车芯片市场规模375亿美元，同比增长190%。
新能源汽车搭载的芯片数量是传统燃油汽车的1.5倍左右。预计2028年自行车的半导体含量将比2021年翻一番。自动驾驶水平越高，需要的传感器芯片就越多。L3级自动驾驶平均配备8个传感器芯片，而L5级自动驾驶需要20个传感器芯片。同样，车辆要处理和存储的信息量也与自动驾驶技术的成熟度正相关，进一步增加了控制芯片和存储芯片的承载能力。据统计，到2022年，新能源汽车的平均芯片数量约为1459个，而传统燃油汽车的芯片数量为934个。Strategy Analytics预测，每辆汽车的平均硅含量将从2021年的530美元/辆翻一番，到2028年超过1000美元，而高端制造汽车的硅含量可能超过3000美元。
汽车芯片主要有以下应用领域：
主控芯片用于产生汽车主控信号的计算和产生功能。主控芯片接收各种传感器采集的信号，计算相应的处理措施，并将驱动信号发送给相应的控制模块。因此，主控芯片相当于大脑的车。
动力芯片是新能源汽车价值提升最高的部分。需求端主要是集成了多个IGBT的IGBT、MOSFET、IPM模块，核心用于大电流、高电压的环境。
CMOS芯片是将光子转换成电子进行数字处理的芯片，将图像信号转换成数字信号。它包括微透镜、光电二极管、处理芯片和IO接口，是相机的关键部件。随着自动驾驶水平的提高，预计L3以上辅助驾驶需要18个左右的摄像头，主要用于倒车、环视、前视、转盲点等区域。
射频接收机是无线通信的重要设备。射频芯片是指能将射频信号转换成数字信号的芯片。它包括功率放大器PA、滤波器、低噪声放大器LNA、天线开关、双工器、调谐器等。未来，就像汽车的耳朵一样，射频芯片将有助于C-V2X技术的发展，有机地链接交通参与元素，如人-车-路-云，弥补自行车智能化的不足，促进协同应用服务的发展。
超声波/毫米波/激光雷达是一种感知身体的传感器。智能汽车通过传感器获取大量数据，L5级汽车会搭载20多个传感器。车载雷达主要有超声波雷达、毫米波雷达和激光雷达。其中，中国超声波雷达发展相对成熟，技术壁垒不高；毫米波雷达技术壁垒高，是智能汽车的重要传感器，因此目前处于快速发展阶段。激光雷达技术壁垒高，是高水平自动驾驶的重要传感器。但目前来看，贵，难通过规则，难落地。
内存芯片是记忆随着自动驾驶技术的升级，汽车仪表存储的带宽不断增加是一个长期趋势。未来汽车存储将从GB级走向TB级。
汽车面板呈现多屏趋势。智能和电动汽车的提速将带动普通车辆面板的数量，车载面板开始标准化。从需求来看，显示屏广泛应用于汽车，需求增长强劲。车载显示主要包括中控显示、仪表显示、挡风玻璃复合抬头显示、虚拟电子后视镜显示、后座娱乐显示等。随着车联网、新能源汽车、无人驾驶等因素的推动，人们美国对具有导航、车辆状况、多媒体音频和文章等功能的车载面板的需求将继续扩大。
1.3电子电气架构的发展推动汽车芯片供应链的创新
汽车电子电气架构已经从分布式发展到集中式。传统功能车采用分布式电子电气架构，离散的ECU硬件和软件紧密耦合，各ECU独立性强，硬件资源无法共享，形成数据孤岛，整体循环反馈给用户新需求长达20个月，这使得难以形成持续快速迭代的软件开发模式。因此，软件定义车辆开发模式驱动整车电子电气架构从分布式向集中式演进，其核心是车载计算的集中式开发，以高度集成的域控制器和车载中央计算平台为关键。电子架构演进的优点和缺点如下：
分布式电子电气架构：优点：各模块功能划分明确，独立性强，软硬件耦合性强，各模块可独立开发。缺点：模块间的芯片计算能力可以不协调，它们互为冗余。分布式架构需要大量的内部通信，增加了线束成本；功能更新需要各模块供应商的责任，研发的效率；d和push低，供应链管理难度极大。
(跨域)集中式电子电气架构：优点：集中分散ECU成动力、底盘、驾驶舱、驾驶、车身等几个域控制器。降低内部通信要求和线束成本；软硬件分步解耦，硬件设计先进，软件自研，通过OTA灵活更新。缺点：域分布式计算下的高计算能力SOC芯片成本高，计算能力冗余，单车计算能力处于物理上限。
集中式电子电气架构：优点：电子电气架构进一步简化，降低了线束设计的复杂度和成本。SOA软件架构支持软件功能的迭代和扩展。从车载中央计算发展到车载云计算后，车内和云架构无缝结合。车载计算用于车内信息和数据的实时处理，云计算作为补充提供非实时的数据交互和计算。
汽车半导体行业经过近五年的发展，2016年以来第一波结构性红利基本结束，以纯国货替代为代表的显性机会窗口迅速关闭；大约在2021年，电气化和智能网络是汽车工业变革的新的主要浪潮；
国产替代占优小周期：2016-2021年行业将崛起，主要是传统电子电气框架下的国产替代，以半导体供应链危机正式开启为催化剂，以国产替代大规模登机为高潮，如低端MCU、三胞等领域。
汽车新格局主导大周期：从2022年开始逐步启动的第二轮产业周期，很可能是汽车产业改革真正的主浪潮。这一次，故事主线不仅仅是国产换人，而是高度智能化、电气化的下一代汽车，以及新电子电气架构下的增量功能、增量技术、增量市场；股息额将从国内的1000亿美元
架构下，MCU的使用量减少：Tesla s电子电气架构高度集成，主要是因为特斯拉将很多小ECU的所有功能集成到区域控制器中，所以ECU数量比ID.4/MACH E少，从下表可以看出，Model Y(图片|配置|询价)和ID的ECU数量，4、马赫E分别为26、0。特斯拉的FBCM Model3不仅负责动力分配，还负责左大灯控制、空调控制、热管理等部分功能。它跨越了传统的车身、驾驶舱、底盘和电源领域。
在域架构下，降低线束成本：Amber计算出在域架构下可以降低25%的线束成本，而威视通则认为域架构可以节省50%甚至更多的线束长度。特斯拉的架构更接近域控制架构。Model S(图片|配置|询价)内部线束长度长达3km，Model3内部线束长度仅为1.5km，进一步证明了域架构可以节省线束长度和重量。
2汽车SOC是智能电动车功能实现的核心部件2.1汽车SOC主要负责数据处理，驾驶舱/自动驾驶仪是主要市场。
目前，MCU是汽车芯片的第一细分领域。根据IC Insights发布的数据，2021年，从细分产品来看，全球汽车芯片占比方面，前三名分别是微处理器、模拟芯片和传感器，占比分别为30%、29%和17%。MCU称为微控制单元，又称单片机或单片机。它是将中央处理器的频率和规格适当降低，将内存、计数器、USB、A/D转换、UART、PLC、DMA等外围接口，甚至LCD驱动电路集成在单个芯片上，形成芯片级计算机的计算机。通常单片机只能完成很少的任务，比如开启智能雨刮器，或者下车后自动上锁等。所以豪华车可能有上百个MCU来实现各种智能功能。
片上系统(SOC)诞生于人工智能时代。人工智能时代，计算架构从单芯片模式发展到异构多芯片模式，集成CPU与GPU、FPGA、ASIC等通用/专用芯片，集成AI加速器的片上系统(SOC)应运而生。
高计算汽车SOC主要应用于智能驾驶、智能驾驶舱等领域。广义来说，汽车领域计算能力稍强(2K DMIPS以上)的MCU，可以算是SOC。Arteris预测未来单周期SOC数量为23个，而高计算能力SOC主要面向车辆端的两个领域，即智能驾驶舱和智能驾驶。
从CPUGPUFPGAASIC(xPU)，芯片特异性越来越强。CPU负责逻辑运算和任务调度；GPU作为通用加速器，可以承担CNN等神经网络计算和机器学习任务，并将长期承担主要计算工作；FPGA作为硬件加速器，具有可编程的优势。它在RNN/LSTM/strong化学习等序列机器学习中表现出色，在一些成熟的算法领域发挥了突出的作用。ASIC可以兼顾性能和功耗。ASIC作为一种完全定制的方案，将在自动驾驶算法成熟后成为最终选择。
汽车SOC芯片继续追求先进的制造工艺。从芯片工艺的角度来说，不同的汽车芯片对工艺的要求是不一样的。MCU主要靠成熟工艺，全球MCU产量70%来自TSMC；驾驶舱、自动驾驶SOC、AI芯片等主控芯片继续追求7nm及以下的先进工艺。
未来部分MCU功能会集成到SOC芯片中，ECU数量会减少，导致MCU使用量减少。汽车MCU跟随汽车电子电气架构的发展，SOC芯片会集成一些低端的MCU功能，所以未来MCU的使用会减少，分布式域控制的使用会从现在的30-40逐渐增加到70-80。然而，未来随着集中式架构的实施，计算能力将集中在整车计算平台上，汽车MCU的使用将逐渐减少
在域控制架构下，控制芯片将形成一个MCU SOC 情况。SOC可以替换所有MCU 一方面，它对美国的影响不是所有的MCU都需要连接到SOC芯片，如使转向灯发光的控制方法。如果不采用MCU方案，所有连接到SOC芯片上的都会形成一个星型网络，不仅会增加导线数量，还会大大增加管理的难度。另一方面，需要一部分MCU作为SOC芯片冗余的备选方案。
2.2自动驾驶SOC和驾驶舱SOC的架构比较
拆分自动驾驶SOC结构，包括CPU、GPU和其他类型的定制芯片(如NPU、深度学习加速器(DLAs)、计算机视觉处理器(CVP))。此外，典型的自动驾驶仪SOC结构还包括以下部分：至少一个微处理器(MPU)或数字信号处理器(DSP)，但也可以有多个处理器内核；存储器可以是RAM、ROM、EEPROM和闪存中的一个或多个；振荡器和PLL电路，用于提供时间脉冲信号；外围设备包括计数器、定时器和电源电路；不同的标准连接接口，如USB、firewire、以太网、通用异步收发器、串行外设接口等。电压调节电路和电压调节器。
拆分驾驶舱SOC架构，我们发现很多高分辨率屏幕和流畅系统的背后，不仅是车载芯片的计算能力和文章处理能力，还有AI能力等性能指标。例如，高通8155芯片是高通骁龙第三代汽车数字座舱，是一个异构架构的芯片，包括CPU、GPU、DSP、ISP和AI引擎等。
在CPU部分，8155芯片采用1 3 4 8核设计，核心为高通Kryo485。大核主频2.96GHz，三个高性能核2.42GHz，四个低功耗小核1.8GHz，GPU方面，8155芯片和骁龙855采用Adreno640。同时，与高通骁龙855和855相比，8155芯片采用了同名的Hexagon690DSP和Spectra380ISP。此外，与自动驾驶芯片不同，8155芯片没有独立的NPU内核，AI计算主要由DSP、CPU和GPU组成的AI引擎完成。其中，Hexagon690拥有7TOPS的AI计算能力，CPU和GPU的AI计算能力之和为8TOPS。
自动驾驶仪：传感器配置是滚入式和硬件嵌入成为车企的主流策略。3.1市场概况：L2场景将持续较长时间，封闭场景L4将开始落地。
2015年以前的辅助驾驶功能主要是L1/L0，可以实现加减速或者转向控制。驾驶员继续横向和纵向操纵车辆，代表功能有LKA、AEB等。
2016年将进入L2时代，可以同时实现自动变速和转向。驾驶必须始终掌握驾驶。系统在特定场景下横向和纵向运行，代表功能有ACC、LKA、APA等。一些ECU已经开始以集成的方式开发，但仍然没有域划分。目前L2及以下的一体式自行车的配套价值在15000元左右。
到2020年，正式进入L3级导入期，有条件自动驾驶，可以解放双手。司机不他们不必一直监控系统，但必须时刻保持警惕，并在必要时进行干预。整车划分为5~6个左右的域，控制器的计算能力呈指数级提升，以太网开始出现。L3及以下整体配套价值在2.5万元左右。然而，由于L3级自动驾驶技术的不完善、法律问题、责任认定和高成本，L2级ADAS仍然是短期内可以实现量产的主要产品。
展望未来，我们相信L2辅助驾驶系统将会迅速普及并长期存在。另外，在一些低速、封闭的场景，比如矿山，港口的L4自动驾驶开始落地。基于法律法规和技术成熟度，robotaxi/robotruck在高速开放场景下的落地还需要很长时间，黑芝麻智能单注指出。从L2到L3是一个漫长的过程。在未来很长一段时间内，智能网联汽车仍将处于人机驾驶的状态，这涉及到软件、硬件、数据等技术的密切配合和升级。尤其是大计算力汽车的轨距级芯片，将是高水平自动驾驶突破的核心关键。
3.2硬件趋势：ASIC解决方案集成ISP 的嵌入式计算能力。
3.2.1预计未来CPU ASIC方案将逐渐成为主流选择。
CPU ASIC方案将是自动驾驶SOC的主流架构。目前市面上主流的自动驾驶芯片SOC架构方案分为三种：CPU GPU ASIC、CPU ASIC、CPU FPGA。从发展趋势来看，定制化量产的低功耗低成本专用AI芯片(ASIC)将逐步取代大功率GPU。Nvidia Xaiver芯片主要有四个模块，其中GPU占用面积最大，其次是CPU，辅以两个ASIC。特斯拉FSD芯片架构有三个主要模块，分别是GPU、CPU和NPU，其中NPU是架构的重点。MobileyeEQ5的CVP是专为Mobileye 自有视觉算法，可有效降低功耗。地平线自主研发的基于柔性BPU架构的ASIC芯片。谷歌Waymo采用CPU FPGA 方案，其计算平台采用英特尔至强12核以上的s CPU，搭配Alter的Arria系列FPGAs。I/O板采用英飞凌Aurix系列MCU作为CAN/Flex Ray网络通信接口。自动驾驶算法治愈后，FPGA可能会被ASIC取代。
3.2.2 SOC芯片厂商整合ISP，同时处理多传感器数据，实现成本节约。
ISP参数配置是决定计算机视觉图像质量的关键因素。ISP(图像信号处理)是指图像信号处理器，主要功能是对前端图像传感器输出的信号进行后处理。简单来说，ISP就是相机的照相馆，旨在提高画质。在传统的自动驾驶方案中，ISP和摄像头是一一对应的，也就是说只要有摄像头，就一定有ISP。高性能ISP与SOC芯片的集成是未来的趋势。在车辆端，将ISP集成到SOC中，意味着不需要为每个摄像头传感器提供ISP，从而大大降低了传感硬件的成本。摄像头方面，取消ISP不仅可以解决高像素摄像头带来的严重散热问题，还可以帮助车载摄像头进一步缩小电路板尺寸，降低功耗。
目前市场上的高级自动驾驶SOC芯片中集成了ISP。英伟达 Xavier和黑芝麻智能A1000芯片集成了ISP。据英伟达官网消息，英伟达Xavier s内置ISP每秒可处理15亿像素，黑芝麻智能还将ISP集成到A1000芯片中，每秒可处理12亿像素。
3.2.3对于高级自动驾驶，预嵌入计算能力是未来的主要趋势。
车载计算平台的计算能力上限决定了车辆生命周期内可承载的软件服务升级上限。主机厂会通过向C端收取软件授权和OTA更新服务费来完成闭环商业模式。当量产乘用车的智能驾驶系统处于L3及以下，但智能驾驶技术仍在不断迭代升级时，为了保证车辆在全生命周期内的持续软件升级能力，主机厂采取硬件预置，软件升级在智能驾驶方面，并通过预置大计算能力芯片，为后续软件和算法升级优化提供足够的发展空间。随着摄像头分辨率的提高，激光雷达的数量和传输数据的增加，汽车对计算能力的需求大大增加。高级别的自动驾驶对摄像头像素要求更高，预计未来800万像素摄像头将取代1-200万像素摄像头的主流解决方案。假设一辆智能汽车配备了12个800万像素的摄像头，每秒60帧(FPS)，那么隐含的数据输入速率可能会达到每秒5.76亿像素。通过叠加激光雷达的点云算法，预计智能汽车的计算能力将从目前支持L2 /3自动驾驶的神经网络处理器(NPUs)的100 TOPS(每秒万亿次运算，计算能力的衡量标准)以上和支持2 /3自动驾驶的CPU的500K DMIPS(每秒Dhrystone百万条指令，计算机性能的衡量标准)分别提高到2030年的1000 TOPS和50以上。
"普遍开放和强大的计算能力是未来智能驱动芯片的主要趋势。随着ADAS辅助驾驶功能在新车市场的渗透率越来越高，新势力与领先的自主品牌车企在智能驾驶领域的争斗也越来越激烈，智能驾驶传感器的配置已经成为滚入式。以蔚来、小鹏、极狐为代表的车型率先宣布激光雷达量产。加入高级自动驾驶对摄像头像素要求更高，相应自动驾驶芯片的运算能力也得到不断提升。
3.3软件趋势：AI云培训OTA升级
3.3.1 SOC厂商加速布局自动驾驶AI数据训练
自动驾驶数据集对于训练深度学习模型和提高算法的可靠性非常重要。SOC厂商不仅推出了自主研发的AI训练芯片，还推出了云超级计算机平台。特斯拉推出了人工智能训练芯片D1和道场超级计算机平台，将用于特斯拉自动驾驶神经网络。而且训练算法模型产品也越来越重要，包括2D标注、3D点云标注、2D/3D融合标注、语义分割、目标跟踪等。如Nvidia Drive Sim自动驾驶模拟平台，horizon 埃迪数据闭环训练平台等。
特斯拉已推出Dojo超级计算机培训平台：采用特斯拉自研7nm AI训练芯片D1，依托庞大的客户群收集自动驾驶数据，从而实现深度学习系统的模型训练。根据官方公开的信息，特斯拉Dojo AI系统采用分布式架构，每个Dojo节点都有自己的CPU、内存和通信接口。每个节点有1.25MB的SRAM(静态随机存取存储器)，然后每个节点连接到一个2D网格。目前，特斯拉Autopilot主要使用2D图像标注进行训练和算法迭代。通过Dojo超级计算机平台，自动驾驶仪可以通过3D图像时间戳(4DAutopilot系统)进行训练，4DAutopilot系统将具有可预测性，并标记道路物体的3D移动轨迹，以加强自动驾驶功能的可靠性。
英伟达推出了自动驾驶仿真平台：DRIVE Sim是基于Omniverse的仿真工具，可以利用平台的很多功能。DRIVE Sim生成的数据用于训练构成自动驾驶汽车感知系统的深度神经网络。驱动Sim s的传感器功能包括路径跟踪相机、雷达和激光雷达模型，可以捕捉动态模贴、LED闪烁、卷帘快门和多普勒效应等真实世界的效果。
Eddy平台：Eddy AI开发工具平台是软件2.0的训练、测试和管理的高效工具平台，包括半自动/全自动标注工具、自动模型训练、长尾场景管理、自动软件集成和自动回归测试。最后通过OTA升级将这一整套模型部署到芯片上。
华为章鱼自动驾驶开放平台：章鱼是一个可以按需获取的全栈云平台。其服务涵盖自动驾驶数据、模型、训练、仿真、标签等全生命周期业务。它向汽车公司和开发者提供包括数据服务、培训服务和模拟服务在内的三种服务。(1)数据服务：处理车载硬件平台输出的传感器数据，回放雷达、摄像头等不同格式的数据；支持PB级海量存储、交互式大数据查询和海量数据治理。(2)培训服务：对自动驾驶模型进行管理和培训，不断提高模型在新数据集和测试集上的准确率，不断提高自动驾驶的安全系数。提供平台软硬件加速，可以大大缩短训练时间，提高训练效率。(3)仿真服务：提供仿真、场景库管理、场景片段、评估系统等应用工具。确保自动驾驶模型合规、安全、可测量、质量达标，并快速融入版本。
3.3.2自动驾驶系统的精度可以通过OTA升级来提高。
OTA技术最早应用于PC，后来广泛应用于手机行业，近几年才开始广泛应用于汽车行业。OTA是一种空中下载技术，即通过网络从远程服务器下载新的软件更新包来升级自己的系统，包括固件升级和应用升级，以满足终端厂商和运营商的应用管理需求网络终端的管理要求。通过OTA技术，车企可以进行车辆远程诊断、大数据等应用，快速修复系统故障，增加新功能等。使汽车即使在出厂和使用中也能通过互联网远程升级系统，达到更新功能或修补漏洞。
SOA是OTA落地的前提。SOA(Service-Oriented Architecture)将各个控制器控制的不同硬件和功能抽象成服务，并定义了统一的接口协议。应用开发者可以直接调用相应的服务来实现相关的应用和功能，而不用考虑底层硬件的差异。
进化自动驾驶、点云融合、激光雷达等算法可以通过OTA模式迭代更新，从而提高辅助系统的精度。到2021年6月，ADAS算法中与巡航相关的升级有42项，包括ACC/ATC、主动循环、速度辅助等。其次，新增或优化了23项预警功能，包括碰撞预警、开门预警、车道偏离预警。此外，新增或优化停车系统23个，目标检测识别相关17个，主要包括道路物体或动物、交通标志等的识别优化。此外，环视系统和车道保持系统的优化和升级分别升级了14个和12个。
OTA升级改变整个汽车行业的商业模式，OEM可以发算法更新包向C端客户实现汽车全生命周期充电，而不是一次性出售在传统汽车时代。在过去，传统的汽车行业长期依赖于新车的制造和销售来盈利。现在智能汽车时代，可以按照软件升级汽车保有量通过OTA。
3.4规模增长率：2025年国内智能驾驶SOC规模为138亿元，CAGR=25%。
计算不同自动驾驶级别对应的单个SOC芯片的价格：我们假设可以支持Level2自动驾驶的SOC的成本在50美元左右(与Mobileye近几年的价格一致)。L3自动驾驶芯片价格1500人民币(拆分特斯拉HW3.0域控制器，其自动驾驶域芯片成本约3000人民币，对应两个FSD芯片)。让说L4-L5自动驾驶芯片的价格是400美元(和英伟达Orin芯片价格一样)。
衡量不同自动驾驶级别对应的单个SOC芯片的数量：我们假设自动驾驶需要一个SOC芯片，/L2自动驾驶需要两个SOC芯片(比如李一配两个地平线)，L3自动驾驶需要两个SOC芯片(比如特斯拉HW3.0需要两个FSD芯片)。L4~L5自动驾驶需要4个SOC芯片(例如威马M7搭载4个Orin芯片)。衡量自动驾驶SOC芯片市场规模：随着汽车电动化、智能化的推进，以及自动驾驶普及率的提高，自动驾驶芯片行业将保持高速增长。我们估计中国的市场规模美国自动驾驶芯片2025年将达到138亿元，2030年将达到289亿元，十年复合增长率25.1%。
4智能驾驶舱：感知、交互、场景应用升级，驾驶舱芯片向集成解决方案演进4.1市场概述：智能驾驶舱是第三空间成为车企差异化竞争的关键点。
智能化逐渐成为消费者购车时比较关心的指标之一。汽车驾驶舱的智能化发展由三部分驱动，即车内/车外环境感知、视觉、听觉等多模态人机交互方案、具有整体感知计算的车联网。汽车驾驶舱的智能化发展是通过装备智能化、网络化的车载产品，实现与人、道路、汽车的智能交互，是人车关系从工具向伙伴进化的重要环节和关键节点。
驾驶舱正在成为具有拟人化交互能力的驾驶伙伴。目前智能驾驶舱系统主要包括内饰和电子两大系统，如车内座椅、空调、灯光、仪表盘、中控屏、车联网、语音识别、手势识别等。目前智能驾驶舱处于智能辅助的初级阶段。硬件方面，舱内物理按键简化，大屏多屏趋势明显。软件方面，语音交互技术应用广泛，人脸识别技术、手势识别技术也有尝试，驾驶舱实现的功能趋于多样化。
智能驾驶舱的渗透率会逐渐提高，未来中国市场的渗透率会远远高于全球。目前，全球和中国搭载智能驾驶舱的新车普及率分别为49.7%和53.3%。目前智能驾驶舱在国内的普及率早已过半。预计未来中国智能驾驶舱产品渗透率将领先全球市场。目前，中国智能座舱主要装备在中高端车型，低端车型装备率较低。
智能驾驶舱的兴起催生了新的硬件投资机会，催生了对大计算能力SOC芯片的需求。与传统多核多屏方案相比，高计算单芯片方案大大降低了系统成本，并能提供多屏互动的智能互联体验。"一核多屏已经成为发展趋势，芯片本身也在向小型化、集成化、高性能方向发展。座舱SOC芯片技术壁垒高，市场集中度高。在国产替代趋势下，国内座舱SOC厂商有望迎来发展机遇。
4.2硬件趋势：从单核单屏到跨域集成，计算能力逐渐提升。
汽车的E/E架构将朝着分布式域集中中央计算。与汽车E/E架构同步，驾驶舱芯片方案也将经历三个发展阶段：单核单屏单核多屏综合发展:(1)分布式架构下，不同的驾驶舱电子设备由不同的控制器控制，显示单核单屏。然而，随着驾驶舱功能的改善，缺点单核单屏逐渐出现：(1)跨芯片信号传输存在。2)成本压力开始上升。(2)集中域方案使用系统级主控芯片SOC来实现
主流座舱SOC CPU计算能力接近100K DMIPS。现在的座舱SOC以CPU为核心，CPU计算能力从过去的几K DMIPS提升到今天的速度，只用了不到7年的时间超过100 K DMIPS。驾驶舱SOC不仅需要处理仪表、驾驶舱屏幕、AR-HUD等多屏场景，还需要进行语音识别、车辆控制等操作。因此，驾驶舱系统的响应速度、启动时间、连接速度等用户体验指标直接决定了汽车品牌的竞争力，智能汽车对驾驶舱SOC的性能和计算能力的需求持续上升。目前高通骁龙SA8155P的CPU功率在105K DMIPS左右，SA8195P在150K DMIPS左右，高通第四代座舱SOC芯片SA8295甚至达到200K DMIPS以上。在国内，华为麒麟990的CPU功率超过75K DMIPS，新驰科技最新推出的驾驶舱芯片X9U的CPU功率达到100K DMIPS，瑞芯微最新推出的智能驾驶舱芯片RK3588MCPU也达到100K DMIPS。驾驶舱SOC集成的AI计算能力也有了很大的跃升。其中，三星量产的ExynosAutoV910的AI计算能力约为1.9TOPS，三星计划在2025年左右投入量产的ExynosAutoV920驾驶舱芯片的NPU计算能力将达到30TOPS左右；高通生产的SA8155P芯片的AI计算能力约为8TOPS，其第四代座舱SOC的NPU计算能力高达30TOPS，是目前已发布的座舱SOC产品中AI计算能力最高的，计划于2023年投产。国内座舱SOC方面，新驰科技的座舱产品从中级产品到至尊产品都嵌入了AI算力，其X9U产品AI算力达到1.2TOPS；瑞芯微最新座舱SOCRK3588M，AI计算能力6 TOPS吉利新青科技旗下的龙鹰一号的AI，计算能力约为8TOPS。
从架构演进来看，过去驾驶舱SOC芯片中没有独立的NPU单元，但随着对AI计算能力的需求越来越大，驾驶舱SOC中开始出现独立的NPU单元。比如8155芯片没有独立的NPU核，AI计算主要由DSP、CPU、GPU组成的AI引擎完成。其中，Hexagon690拥有7TOPS的AI计算能力，CPU和GPU的AI计算能力之和为8TOPS。高通8295芯片的运算能力为30TOPS，AI运算能力是高通8155的7.5倍，是两个六边形张量DSP。
4.3软件趋势：软硬件解耦，OEM需要标准化、开放的基础软件平台。
软件定义汽车算法和应用程序的开发与计算平台的分离。软件不再基于固定的硬件开发，而是具有可移植性、可迭代性和可扩展性的特点。随着人工智能的框架和工具链越来越成熟，算法的准确性和成熟度更依赖于数据量和标注质量。后期算法迭代速度越来越快，但硬件迭代速度没那么快。所以软件定义汽车更容易利用算法或者软件迭代的特点。售后会通过OTA扩展汽车的功能和性能，提升驾驶体验。在芯片平台的硬件基础上，将加载Hypervisor、Linux等内核系统，管理软硬件资源，完成任务调度。在AUTOSAR的框架下，开发和扩展各种功能软件，调用和处理传感器和执行器的数据，执行自动驾驶算法，实现感知融合、决策规划、控制执行、HMI等各种应用功能。
智能座舱的软硬件解耦已经基本成为共识。在基于SOA的软件服务架构基础上，实现车辆底层硬件和软件的解耦复用，实现软件功能的快速迭代，通过与车主的个性化OTA交互，打造个性化、差异化的座舱产品体验。此外，为了应对驾驶舱软件不断变化的需求，SOA服务架构的设计也需要强调可重用性和可扩展性。目前智能驾驶舱软件平台如大陆EB、中科创达、东软睿驰、华为、澄迈科技、斑马智行等多家科技公司都有自己的布局。中科创达发布智能驾驶舱平台TurboAuto 4.5，基于SOA架构，实现场景与服务的解耦，可以快速完成场景服务的开发、变更和升级迭代。东软睿驰搭建了通用的标准化软件架构和平台，能够快速适配不同市场主流SOC的硬件平台，实现高、中、低端平台的智能驾驶舱量产，满足不同汽车厂商、不同车型的定位和需求。
4.4规模增长率：2025年国内驾驶舱SOC规模112亿，CAGR=25%。
单车智能驾驶舱SOC芯片数量：目前智能驾驶舱的核心一般是1~2片SOC芯片。目前驾驶舱屏的数量一般是两个一、，有些稍微多一点的型号会用三个或四个。但是随着车载屏幕数量的增加和电子元器件(音响、监控等)的增加。)在车辆中，单个芯片可能难以处理这些信息。这时候有两种方法可以应对：(1)使用运算能力更高的芯片。但是，这种方法会导致采购和开发成本的增加。例如，如果浓度采用高通8295，则相应的芯片值会更高；(2)采用多SOC模式对芯片进行分工。虽然可以实现一核多屏，但是大量的数据堆在一起，需要配合更复杂的算法。比如目前李一就采用了这种智能座舱芯片，李一配备了骁龙820A芯片和德州仪器的Jacinto6芯片。其中，骁龙820A芯片负责驱动Android Automotive的底层系统，用于16.2英寸的中央屏幕和12.3英寸的副驾驶娱乐屏幕，Jacinto6芯片负责驱动用于液晶仪表盘和驾驶员辅助显示服务的Linux系统。
单座舱SOC芯片价格：低端座舱芯片，如20多万元的热销车型比亚迪韩，搭载的是老625芯片(625是消费级芯片，当时主要用于红米Note4、坚果Pro、小米等手机)，成本价15美元/片左右(折合人民币100元)。高通骁龙625虽然是老芯片，但它的优点是成本低，性能稳定。高通820A的价格是60美元；高通骁龙8155P SOC售价约250美元(折合人民币约1688元)。预计2025年中国智能驾驶舱SOC市场规模为112亿元：根据中国汽车工业协会的数据，2021年中国乘用车销量为2148.2万辆，假设未来以CAGR=3%增长；假设单个SOC价格按750元计算，预计2025年国内座舱SOC市场规模将达到112亿元，CAGR为24%。
汽车SOC 5高技术壁垒，国产厂商以差异化服务切入自主品牌5.1设计/OEM/整车法规认证是SOC芯片的核心壁垒。
大功率SOC芯片的设计制造有着非常高的门槛，需要综合性能、功耗、成本、车辆安全等诸多因素。
(1)异构多核SOC的设计和优化能力直接决定了大计算能力芯片的性能、可靠性和安全性。有两个主要的技术问题。一方面，要了解客户需要的，就是深入理解AI算法，尤其是背后使用的神经网络。因此，有必要前瞻性地认识新的AI算法，否则芯片开发出来后如果发现算法与硬件架构兼容性差，芯片效率会大大降低。自动驾驶是一种高级人工智能，相比人脸、语音识别、大数据分析等领域，对安全性和实时性的要求更高，而且由于驾驶涉及人类，需要更高的认知和推理能力。另外，对货源也要有足够的了解，即CPU、ISP、DSP等SOC芯片内部的核心。可以通过ip授权获得，只有深入了解各种IP才能设计出有用的芯片。
(2)性能/功耗比是评价AI芯片的关键指标，而作为创业公司，应该有足够的资金进行先进的工艺流程。每个新一代SOC的每瓦峰值处理能力都在逐步提高：NVIDIA s Drive Orin可以达到3.6TOPS/watt的性能，相比其上一代Xavier s 1.1点/瓦。Mobileye的EyeQ4也可以从0.83次/瓦提高到1.6次/瓦，在即将推出的Ultra版本中可能会超过1.76次/瓦。特斯拉已经在2019年的HW3.0中实现了2.0TOPS/watt，并期待在下一代HW4.0平台中有更多实质性的改进。持续提升AI芯片性能的方法有：a .持续优化SOC架构。如推出更强大的ASIC芯片3354神经网络加速器(NNAs)、NPU或DLAs；b .采用更先进的芯片制造技术，可以有效降低整体功耗。根据IBS的估计，开发一个芯片的成本，包括ip许可、EDA(电子设计自动化)软件、R & amp16纳米技术节点的d、流片(最终设计流程)、封装和测试成本总计为1.06亿美元；对于7nm技术节点，流媒体总成本为2.98亿美元；对于5纳米技术节点，流传输的成本为5.42亿美元。因此，先进制造工艺是否有足够的资金，能否获得先进制造工艺的生产能力，也是能否量产的关键因素。
(3)功能安全流程、车辆法规可靠性认证、ASPICE软件认证等一系列严格的车辆法规需要逐一打破。从定义芯片功能到完成芯片/封装测试大约需要2年时间。如果早期的汽车仪表芯片不涉及功能安全，那么这个过程可以加快。但是从芯片测试完成到量产大概需要一年半到两年的时间，这是必不可少的，因为涉及到AECQ100、ISO 26262、夏冬认证、一级软件认证等功能安全认证
5.2国内SOC厂商在芯片设计之初就需要考虑多重因素。
5.2.1知识产权：自主开发的XPU IP是各大自动驾驶SOC芯片厂商竞争的焦点。
各大自动驾驶SOC芯片厂商将专注于自主研发XPU IP。SOC多为异构设计，包括GPU、CPU、加速核、NPU、DPU、ISP等不同的计算单元。一般来说，芯片的计算能力不能简单评价，芯片的带宽、外设、内存、能效比、成本都要考虑进去。同时，在芯片设计中，异构ip的配置非常重要。自动驾驶SOC芯片厂商也在不断加强核心ip的研发，以保持自己的关键竞争力：特斯拉：经历了早期使用黑盒方案的Mobileye EyeQ3，到了相对开放的Nvidia Drive平台，再到现在的NPU芯片自研。特斯拉芯片和算法是紧密耦合的。特斯拉芯片的计算能力虽然不是目前最高的，但其软硬件的整合效率高于其他OEM方案。黑芝麻：黑芝麻智能先后打造了两大核心IP:NeuralIQ ISP图像信号处理器和DyanmAI NN引擎。前者使汽车看得更清楚，而后者使汽车拥有更强的处理能力和更高的效率。
NeuralIQ ISP图像信号处理器旨在使汽车可见。一般来说，手机摄影多为静态摄影，利用传统的多帧降噪技术可以在暗光环境下拍摄出纯净的照片。但是，由于汽车处于高速运动状态，车辆限界图像处理技术难度较大。芝麻智能开发了自己的ISP处理系统，使摄像头在超低光、大背光场景下清晰成像，感知信息在后端计算中更加均匀。
DynamAI NN engine，深度神经网络算法平台，旨在让汽车可以理解。经过NeuralIQ ISP图像信号处理器处理后的图像，会被传送到深度神经网络算法平台的DyanmAI NN引擎。首先将收集到的新数据信息与计算平台中存储的数据进行对比，然后进行推理和决策，预测周围环境可能发生的变化，从而确保汽车能够理解。之后，通过与其他汽车、云和道路的配合，扩大了有效感知范围，汽车可以看得远。
5.2.2芯片性能FPS/W 是综合评价芯片性能的指标。
快速计算芯片比大功率计算更有用。我们可以以人类和动物的神经元为例。比如大象有2570亿个神经元，人类大脑只有860亿个神经元，但它的智商上限只相当于人类四五岁的孩子。同为自动驾驶大脑的芯片，不能只看硬件栈，架构设计和算法运行方式都会影响芯片最终的实际性能。
FPS(每秒识别准确率)更能反映AI芯片的真实计算性能，这个指标已经被头部自动驾驶仪厂商采用。马斯克在2019年提到，FSD芯片的计算能力是英伟达DrivePX2的3倍；在执行自动驾驶任务时，其FPS是后者的21倍。与英伟达Orin相比，地平线J5的计算能力只有英伟达的一半，但在自动驾驶方面，它的FPS更好。更高的FPS可以实现更快的感知和更低的延迟，这意味着更高的安全性和更快的使用效率。
我们认为真正评价人工智能处理芯片设计的最合理的指标是FPS/Watt FPS/$，即实现AI处理目标的功耗和芯片处理成本。反汇编分为三个部分：理论峰值计算效率(TOPS/Watt TOPS/$):公司可以通过改进工艺和芯片架构设计来提高这个指标，其本质是一个由硬件架构决定的指标。芯片利用率：该值由软件架构决定。如果人工芯片锁定了硬件架构和算法，那么软件架构就可以被编译器编译、反汇编、重组和部署，让芯片越来越高效。单位有效计算能力(FPS /TOPS):即算法的处理速度，由算法架构决定。玛尔的规律是，一个AI任务达到相同准确率所需的计算次数，是通过算法的不断更新和进化而不断减少的。即从语音识别、文本自然语言处理、计算机视觉等各个领域发现，每9-14个月完成一次的AI任务(每个领域可能略有不同)所需计算次数的复杂度会降低一半。地平线表示，在芯片流之前，要注意如何让算法和软件更好地指导硬件架构，因为算法是一个客观的大趋势，需要所有公司提前学习和预测。因此，在芯片定义阶段，我们应该注意如何FPS/瓦特FPS/$ 是由理论峰值计算效率和芯片有效利用率。芯片流出来后理论峰值计算效率由已经确定的硬件体系结构决定，并且单位有效计算能力是客观规律。这个时候，各个自动驾驶AI芯片公司的核心应该思考如何优化芯片有效利用率。
5.2.3生态工具链：开放的生态和完整的工具链是满足OEM需求的关键。
Mobileye是过去20年汽车ADAS技术的主要创始人和领导者。截至2021年底，Mobileye已售出2810万片EYEQ芯片(包括算法解决方案)，约占L2解决方案70%的市场份额。Mobileye致力于用单目视觉解决三维环境下的测距问题。自成立以来，Mobileye在视觉辅助驾驶领域赢得了多项第一，并提供了包括行人检测、车道保持和自适应巡航在内的辅助驾驶技术。算法芯片Mobileye提供的已经不能满足自动驾驶公司和车企的需求。在过去的20年里，Mobileye推出了一系列基于视觉感知技术的解决方案，由一系列计算型EyeQ芯片组成，可以帮助车企实现各种功能，从L0级的碰撞预警，到L1级的AEB紧急制动，ACC自适应巡航，再到L2级的自动车道保持，自动制动辅助和自动泊车。但是，随着谷歌、苹果、百度、华为、滴滴、特斯拉等科技巨头。多家自动驾驶创业公司已经开始研发具有深度学习算法的新一代L4自动驾驶技术，量产车搭载的L2系统已经越来越多
除开放的生态外，算法工具链的成熟度从“能用→好用”也是下游 OEM 选择 SOC 厂商的关键因素。开放的生态是国内厂商追赶英伟达的第一步，但关键是要构建 好用的软件体系、工具链、以及能支撑持续演进迭代的用户生态。工具链在自动 驾驶软件生态中扮演重要地位，其成熟程度决定了整个系统开发的效率。头部SOC 芯片厂商通过与下游众多客户合作，逐步打磨、完善工具链，强化自身壁垒：
地平线提供整车智能开发平台，不仅包含 AI 芯片，还包括了软件栈、天工开 物 AI 工具链和艾迪 AI 开发平台。地平线提供端上的开发工具、以及在云端 的训练，包括数据管理以及仿真平台等工具，与天工开物形成完整的开发平 台，加速面向智能驾驶、智能交互、车内娱乐应用等各种各样的解决方案开 发。
华为坚持“不造车，聚焦 ICT 技术，帮助车企造好车”的战略，在芯片、云、 软硬件、工具链和高精地图等多方面发力。华为智能驾驶计算平台 MDC 集成了华为自研的 CPU、AI 芯片和其他控制芯片，并通过底层的软硬件一体化 调优，使整体性能方面达到业界领先水平。此外，华为 MDC 也有完整的测 试平台和工具链，为 MDC 的开发提供了全栈解决方案。
5.2.4 服务能力：芯片开始和主机厂进行紧密合作，服务能力成为比拼关键
2021 年以来，新冠疫情、俄乌冲突、美国高端 AI 芯片限令等因素导致汽车芯片 缺芯，一方面带给国产汽车芯片供应商机遇，另外一方面也让主机厂开始重视汽 车芯片在产业链中的地位。在过去产业链分工中，汽车芯片作为传统 Tier2 厂商 不直接和 OEM 对接；但受缺芯影响以及在各大车企为了加快智能化转型，汽车 芯片厂商开始直接和 OEM 合作进行配套研发，汽车芯片在产业链中话语权提升。 在这种新产业链模式下为芯片厂商提供前所未有的机遇，即可以跳过 Tier1 直接 服务 OEM，因此服务的态度与质量成为不同芯片供应商的竞争关键。服务态度 指的是 Tier-1 在与车企达成合作后，会以怎样的方式去执行合作，比如是否会派 遣一支工程团队驻场、是否有及时响应速度、是否能够提供差异化/定制化服务、 是否有能力/有资源/去做售后等。 国产芯片供应商“保姆式”服务带给 OEM 良好的使用体验，也是下游客户选择 国产芯片供应商的核心原因之一。比如地平线在与理想合作期间，不仅提供算力 5 TOPS 的征程 3 芯片，甚至还派驻了一支队伍提供保姆式服务，工程完结后还有 售后服务。周到的服务、及时的响应能力，是理想持续选择和地平线合作的重要 原因。
6.1 自动驾驶 SOC 格局：四大阵营参与 SOC 芯片竞争，地平线异军突 起
从各主流自动驾驶 SOC 厂商产品发布时间、制程演进、以及峰值算力来看，新发 布的 SOC 芯片的峰值算力越来越高，制程越来越先进。我们统计目前主流自动驾 驶 SOC 芯片厂商，包括 Mobileye、特斯拉、英伟达、高通、华为、地平线、黑芝 麻，并将他们发布的各款芯片产品放到二维象限中（横轴为芯片制程和预计发布 时间，纵轴为芯片峰值算力）。我们发现这些主流厂商未来发布 SOC 芯片逐步向 先 进 制 程 迈 进 ； Mobileye/ 地 平 线 / 黑 芝 麻 单 SOC 芯 片 峰 值 算 力 基 本 在 100~200TOPS 左右，而英伟达/高通/华为/特斯拉可以把单 SOC 峰值算力做到 200TOPS 以上。
从各主流自动驾驶 SOC 厂商面向下游应用市场来看，国内厂商目前定位在 ADAS/L2+领域。国内 ADAS/L2+领域厂商主要是地平线，黑芝麻；国外为 NXP、 TI、Mobileye；国内 L3 领域主要厂商是华为 MDC300（华为不卖单颗芯片，故取 整个计算平台解决方案作对比）、黑芝麻和地平线；国外为特斯拉、英伟达、高通； 面向 L4/L5 级别自动驾驶，国内为华为 MDC600，国外为高通、英伟达和特斯拉。 其中高通 Snapdragon Ride Flex 为 SOC 系列产品家族，包含 Mid/High/Premium 三 个级别，支持 L1~L4/L5；其中最高级 Ride Flex Premium SOC 再加上外挂的 AI 加 速器（可能是 NPU）组合起来，就可以实现 2000TOPS 的综合 AI 算力。
从各主流自动驾驶 SOC 厂商阵营来看，主要分为“传统汽车芯片厂商”、“提供整 套解决方案厂商”、“通用型、提供平台型硬件+软件工具链厂商”以及“全栈自研厂 商”四大阵营： （1）传统汽车芯片厂商：对于像恩智浦、德州仪器或者瑞萨传统汽车芯片厂商来 说，他们的自动驾驶 SOC 芯片产品主要优势为：1.产品落地经验丰富；2.供应链 管理能力强，但缺点在于人工智能研发经验较少，因此主要面向 ADAS 等中低端 市场。 （2）提供整套解决方案厂商：主要代表厂商为 Mobileye。ADAS 时代的霸主，但 因其黑箱子解决方案较为局限，以及本土化服务能力较弱，逐步被头部车企抛弃。 Mobileye 系统最大优点是产品成本低，开发周期很短，开发费用极低，绝大部分 功能都经过验证，风险较低。而缺点是系统封闭，车企无法搞差异化功能。迭代 困难，出了问题较难改进或提升。对于传统车厂而言，Mobileye 基本是唯一选择， 对于总想与众不同的造车新势力来说可能无法适应。然而新兴造车企业毕竟还是 极少数，预计 Mobileye 在 ADAS 领域霸主地位至少五年内仍会相当稳固。
（3）通用型、提供平台型硬件+软件工具链厂商：主要包括高通、英伟达、华为、 地平线及黑芝麻：
英伟达：为面向 L3 级别及以上自动驾驶，中高端车型的首选方案，“平台化 芯片+完善的工具链+领先的人工智能研究经验”是英伟达自动驾驶 SOC 芯 片的主要优点。（1）硬件优势在于——GPU 架构兼顾效率与通用性：效率高于 CPU，通用性强于 ASIC；设计壁垒高，垄断性强；用户基数保证规模效 应：与其他业务平摊研发成本，版本迭代快，持续保证性能优势。（2）工具 链优势在于——开放平台模式：公司提供全套软件工具链（公司软件工程师 占比超过 70%）软件工具链丰富，客户可进行算法自研；并且还给用户提供 丰富的示例与教程，帮助用户快速上手使用。（3）在人工智能领域拥有近十 年的探索经验——英伟达将人工智能领域的优势拓展到智能驾驶领域。缺点 在于：由于 GPU 通用型较强，导致“有效算力”偏低；虽然英伟达提供对应开 发工具，但较高学习门槛和自研智能驾驶算法的花销可能会阻挡中小客户的 使用。
高通：发布了全新的自动驾驶平台 Snapdragon Ride。该平台采用了可扩展且 模块化的高性能异构多核 CPU、高能效的 AI 与计算机视觉引擎，以及 GPU。 同时包括 Snapdragon Ride 安全系统级芯片、Snapdragon Ride 安全加速器和 Snapdragon Ride 自动驾驶软件栈。高通 Snapdragon Ride 有三大优势：（1） 可扩展性。针对 L1-L3 自动驾驶，Snapdragon Ride 能够提供硬件+软件栈的 完整系统级解决方案，可以满足汽车制造商对于不同自动驾驶级别的可扩展 性需求。（2）经济性和高能效。与采用 X86 架构的自动驾驶平台高达 700 瓦 的功率相比，采用 ARM 架构的 Snapdragon Ride 平台具有巨大的能效优势。 目前来看，高通的整个驾驶芯片的成熟度要比英伟达低。长期看，包括高通、 华为、Mobileye 以及国内的其他芯片创业公司，走的是 ASIC 路线。从利用 率、功耗这些关键指标上来讲，高通可能会在三年之后，也就是预计在 2024 年 2025 年间会抢走很大一个市场。（3）智能座舱优势地位：高通 8155 基本 垄断全球所有高端/旗舰车型市场，因此高通将在座舱领域的汽车合作伙伴横 向拓展到自动驾驶领域路径具备可行性。缺点在于：人工智能经验研发较少。
华为：凭借 ICT 领域优势切入自动驾驶领域，技术上在国内属于第一梯队。 华为不单独卖自动驾驶芯片，更多是销售自动驾驶套件（MDC 系列）或者解 决方案，而这种捆绑销售的商业模式在自动驾驶领域，车企和第三方厂商之 间在合作之余也往往心存芥蒂。华为在自动驾驶 SOC 领域的优势为：华为有 丰富的算法和芯片设计能力；但华为自动驾驶方案大规模上车依然面临着几 个风险：（1）高端芯片无法代工，库存是否足够；（2）与华为合作的车企是 否愿意向华为开放数据；（3）如何赢得合作伙伴的信任。
地平线：地平线基本和国内所有自主品牌车型签下合作定点，定点数量 NO.1； 另外地平线在 2022 年 10 月又与大众旗下软件公司 CARIAD 携手地平线成立 合资公司，未来可以继续拿下合资厂订单。地平线优势：（1）地平线作为一 家创业公司，其自身就带有新势力的基因，所以响应客户需求的速度会更快； （2）与理想的合作证明，地平线能够给车企提供保姆式合作，派遣工程团队一同研发，工程完结后还有售后服务；（3）地平线曾在征程 5 发布会上称， 他们坚决不做封闭方案，同样不会做软件捆绑。地平线会向车企提供感知算 法及开发工具链，帮助车企更好地进行研发。
黑芝麻智能：黑芝麻智能在和国内车企定点数目上落后于地平线，但其在硬 件方面实力优于地平线。作为国内自动驾驶芯片为数不多可选方案，随着 A1000pro 流片成功，关注其未来和车企合作进展。
芯驰：自动驾驶 SOC 芯片目前没有和乘用车客户有明确合作，但已经在物流 车上应用，比如美团等。
寒武纪行歌：2021 年初成立，将覆盖 3 款智能驾驶 SOC 芯片，覆盖 L2~L4。 其最大优势在于此前具有智能芯片领域的技术积累和产品经验，是行业内少 数能为智能驾驶场景提供“云边端车”系列产品的企业。 软硬件全栈自研：主要代表厂商特斯拉。特斯拉颠覆了整个汽车行业，从自动驾 驶、智能座舱、域控架构、三电系统，甚至到车辆的制造与装配，发展出了一套 全新的方案。从自动驾驶角度来看，特斯拉是目前唯一实现软硬件全自研的公司， 且可能是唯一一个能够实现软硬件都自研的公司。特斯拉自研芯片的好处：（1） 芯片效率更高：从算法出发设计芯片架构，芯片的能耗比更优；（2）一体化带来 更快迭代速度：由于自动驾驶是个全新的领域，需要芯片、算法和车辆相互配合， 这些环节特斯拉均在公司内部流转，迭代速度高于合作模式。
复盘为什么地平线可以拿下这么多定点？为什么多家产业资本以及财务投资方选 择在 2020 年前后投资地平线？核心还是地平线在“缺芯”的大背景下推出了合适 的产品，凭借长安的背书，后续接连俘获众多 OEM 青睐。2020 年，当时主流 SOC 厂商主要包括：Mobileye、特斯拉、英伟达、地平线、黑芝麻、芯驰、华为；高通 此时还没进来；寒武纪行歌在 2021 年 1 月成立，2021 年 7 月开始布局汽车自动 驾驶 SOC。
其他主机厂开始通过以自研、合资、投资、合作等方式与汽车芯片厂商直接合作。 在汽车智能化时代下，OEM 希望与芯片厂商建立更加直接、紧密的协作关系，以 提升自身供应链的稳定可控程度，主机厂希望通过布局汽车芯片以掌握更多研发 主导权，并通过提高软件与芯片结合效率，提高自身产品与技术优势。
自研芯片可充分结合主机厂算法需求特点，充分挖掘芯片能力，但需要一定技术 积累与大量资源投入，难度较大；在软件算法上具备领先优势的新势力车企有更 多自研意愿。除了特斯拉，更多主机厂也已开始了自己的造芯计划：
2020 年 11 月，零跑推出了首款自动驾驶芯片凌芯 01，这款芯片也是国内首 款拥有完全自主知识产权的自动驾驶芯片。凌芯 01 处理性能接近市场顶尖的 Mobileye 芯片，整体开放性则更强，既能支撑通用运算，又有特定的 AI 运算 逻辑，具有能耗比更低、安全可靠性更高的优势。
2021 年初，小鹏汽车已经在中美两地建立团队，同步启动了自研芯片项目， 目前小鹏的芯片团队目前已经有近 200 人，目标是开发对标特斯拉 FSD 的大 算力自动驾驶芯片；而蔚来也不甘落后，挖来前赛灵思亚太地区实验室主任 胡成臣，已经组建了近 300 人的芯片团队，研发包括自动驾驶芯片和激光雷 达芯片。
其他车企方面，德国大众集团已经在筹备自研芯片，并于 2019 年筹建了一支 5000 人团队开始打造操作系统。吉利汽车也要在中央计算平台&芯片、L4 自 动驾驶软件、ADDIS 数据平台和车联网平台&运营构建核心技术实力，已推 出 E01 和 E02 芯片信息娱乐 SOC 芯片，计划 2021 年推出 AI 语音芯片 V01； 2022 年推出全功能高性能数字座舱 SOC 芯片 SE1000；2023 年计划推出 256TOPS 的自动驾驶 SOC 芯片 AD1000。
车企造芯的缺点在于如果配套车型销量不大，很难分摊成本。车企造“芯”最难 的地方不是在于设计上，而是车企对于自动驾驶芯片的需求量并不会太大，代工 成本可能会较高。因此在除下场造“芯”的其他路径上，车企很可能会选择与其 他芯片厂商通过战略合作/成立合资公司/战略投资等方式参与自动驾驶芯片的合 作研发。
6.2 智能座舱 SOC 格局：高通处于领导者地位，国产厂商有望逐步渗 透
此前座舱芯片由传统汽车半导体公司主导，换代周期长达 5-6 年，并且通常情况 下是一颗芯片带一块屏，而且由于屏幕分辨率很低，所以对座舱芯片的算力要求 不高。在高通没有进入车规级芯片领域之前，车机芯片的销量冠军是日本瑞萨半 导体。2022 年瑞萨彻底没落，旗舰车用芯片“H3”采用的还是 16nm 制程工艺，搭 载的还是手机上 7、8 年前的 ARMCortex-A57+A53 架构组合，甚至不少车机芯片 还在使用更为老旧的 28nm 芯片以及 A55+A53 组合。现在来看，H3 性能孱弱、 制程老旧、架构落后。
目前全球座舱 SOC 供应商格局趋于明朗，分为“传统汽车芯片”和“消费电子芯片 家”两类厂商，其中后者具有天然优势。汽车座舱市场过去由传统的汽车半导体供 应商主导，以恩智浦、瑞萨、德州仪器等为代表的“传统汽车芯片”厂商，在传统 汽车 MCU、ECU 芯片业务之外，顺应智能化趋势布局座舱芯片领域；而以高通、 三星等为代表的“消费级芯片”厂商，也在切入汽车座舱 SOC 领域，复用其在消费 电子领域深厚的技术积累。
传统汽车芯片厂商占有份额仍然较大，主要是由“中低端车型销量占比较大” 的汽车销售结构决定的。恩智浦、瑞萨、德州仪器三家传统汽车智能座舱芯 片的主要供应商，在智能化转型中节奏偏慢，除满足车规级安全外，性能不 及消费级芯片厂商，在销量占比仍然较大的中低端车型中部署广泛。瑞萨 RCARH3 采用 16nm 制程，而恩智浦 i.MX8 系列、德州仪器 Jacinto7 均基于 28nm 制程设计，CPU 算力最高 40K DMIPS，逊色于消费级芯片厂商。
高通、三星等消费电子厂商凭借性能及迭代优势在中高端芯片市场快速发展， 高通复刻在消费电子芯片的成功，在智能座舱芯片领域也占据了绝对的优势。 随着越来越多的智能手机功能被引入汽车座舱中，汽车硬件产品升级周期已 经从每代 5-10 年缩短到目前的 2-3 年（这主要得益于造车新势力如特斯拉、 蔚小理车型对软件功能频繁升级），这一趋势有利于高通、联发科、三星等领 先的智能手机 SOC 企业切入汽车座舱 SOC 市场。步入智能座舱时代，智能 驾舱芯片可以分为低端、中端和高端，目前在高端市场高通一家独大，约占 市场 80%的市场份额，高通、三星最新款座舱芯片已采用 10nm 以下制程， 且均计划在下一代芯片平台中采用 5nm 制程。
我们认为高通成为智能座舱 SOC 领域王者主要有以下 6 点原因： （1）从制程/算力角度，2019 年发布的高通 8155 为全球首款 7nm 高算力座舱 SOC，算力 8 TOPS，领先同期恩智浦、瑞萨等传统汽车座舱芯片厂商 2~3 代。 2021 年，高通发布骁龙 8295，将座舱 SOC 芯片的制程工艺从 7nm 带入 5nm 时 代，算力 30 TOPS，意味着第 4 代的 8295 芯片将与手机上最顶级的芯片处于同一 世代。 （2）从研发周期来看，高通座舱 SOC 架构可以通过智能手机 SOC 迁移过来， 缩短研发周期的同时可以更快和主机厂进行适配迭代。比如车规芯片 620A、820A 以及 8155，对应的手机芯片就是 620、820 和 855，这也是为什么高通能在短时间 内就推出车规级芯片的原因。高通车规芯片更新迭代规律非常明确，最新的技术 在手机芯片上经过验证后，再下放至车规芯片上使用，节省了研发周期与适配难 度。
（3）从流片费用来看，高通在消费电子领域的出货量平摊了其在汽车座舱领域的 研发先进制程的成本。先进制程 7nm 和 5nm 芯片的封装和开发成本远高于成熟 制程，对于恩智浦或瑞萨这样的传统汽车 SOC 制造商来说，在没有大量汽车市场 芯片需求的情况下，追求先进制程没有经济意义，因此 14-28nm 节点仍然是他们 的旗舰产品解决方案。而高通可以通过手机 SOC 芯片的规模优势来平摊汽车 SOC 芯片的开发成本。 消费级芯片是一个非常典型的寡头市场，企业获得先发优势后，可以凭借较大的 出货量平摊研发费用。而芯片的高技术壁垒导致研发及流片费用在数千万美元以 上，竞争者很难进入。CPU 是英特尔和 AMD 的天下，GPU 是英伟达和 AMD 的 天下，手机（移动）芯片是高通和联发科的天下。拥有消费市场是成为搅局者的 重要因素。苹果、特斯拉和华为海思都是凭借自身品牌形象，在手机和汽车领域 拥有相当数量的消费群体后，开始进行芯片自研，这保证了芯片研发费用的分摊 以及芯片更新迭代的动力。而汽车芯片是一个全新市场，同消费级产品不同的是， 汽车对安全性、稳定性的要求更高，设计成本和流片成本相应也更高，市场的参 与者主要是传统芯片行业巨头、创业公司以及车企。
（4）从汽车内部通讯要求来看，未来智能座舱作为“移动第三空间”，随着 APP、 汽车生态逐步完善，对汽车高速通信的要求也会越来越高，那么对芯片基带处理 能力的要求也会越来越高。手机基带芯片壁垒之高主要系其他厂商难以绕过高通 专利，未来随着手机 SOC 芯片可以逐步下放到汽车座舱 SOC 中，预计高通在手 机基带领域芯片的领先优势可以进一步复制到汽车座舱领域中。
（5）高通芯片适应安卓系统：车机系统大多是运行安卓系统的衍生版本，高通芯 片在手机上已经完全适应安卓系统丰富的应用生态，进行移植适配没有技术障碍。 （6）有本土软件供应商提供服务：高通与中科创达、南京诚迈等本土车企汽车软 件服务商合作，他们弥补了高通与车企之间的沟通障碍，对于转型电动车的传统 车厂和新入局的造车势力有足够的吸引力。 综上，从全球视角来看，高通已经成为高端/旗舰车型的主流选择。智能座舱是实 现千人千面汽车驾乘体验的重心所在，新势力车企与领先自主品牌车企率先发力， “大屏化”、“多屏化”、“多模态交互”、“一芯多屏”成为座舱发展的热门趋势，伴随 着传感器规模的增长与交互模式的复杂化，智能座舱对芯片的算力需求亦水涨船 高。座舱高算力需求驱动下，以高通第 3 代汽车数字座舱平台为代表的高性能处 理器成为领先车企旗舰车型的主流选择，骁龙系列芯片加速上车。
本土厂商加速造芯，但国内座舱芯片竞争格局尚未定型，我们认为未来几年那些 提前布局座舱 SOC 的厂商将开始享受红利。进入 2022 年智能座舱 SOC 的“升级 战”正在愈演愈烈，传统的座舱市场芯片格局即将被打破，自主品牌车企已经逐渐 开始接受国产芯片，但目前尚未出现市占率特别高的国产座舱芯片厂商，整体竞 争格局尚未定型。目前仅几款芯片拿下车企定点，比如芯擎科技旗下首款 7nm 智 能座舱芯片——“龙鹰一号”已经拿下了多款车型定点，预计在今年第四季度实现 量产。2021 年 5 月芯驰科技发布 16nm 工艺的 X9 智能座舱芯片。2022 年 3 月宣 布 X9 芯片已经获得百万片/年的订单，客户覆盖合资、自主品牌车企和 Tier1。地 平线征程 2 已经在长安 UNI-K 中落地。瑞芯微最新发布的座舱 SOCRK3588M 其 AI 算力达到 6TOPS，已获得众多合作伙伴的认可，将在未来上市的车型中得以广 泛应用。
7.1 英伟达
英伟达是 GPU 的发明者，也是人工智能时代的引领者，“平台化芯片+完善的工 具链”是英伟达芯片的主要特征。GPU 的并行架构适合人工智能领域的计算需求， 英伟达敏锐的抓住这个特点成为人工智能芯片及软件工具链的主要供货商。在进 行人工智能领域探索时，英伟达开始涉足智能驾驶及机器人业务，并在该领域拥 有近十年的开发经验。
硬件架构：从拓展嵌入式移动芯片横向拓展到汽车领域。英伟达专注提供高性能 服务，借助嵌入式移动芯片，拓展汽车市场。在智能手机兴起的 2008 年时，英伟 达试图进入移动芯片市场。为此，公司开发了 Tegra 系列芯片，采用了 ARM 的 CPU 架构，并集成了自家的 GPU 芯片，组成了一套 SOC 系统。 Tegra 芯片是英伟达在 2008 年 2 月发布，是针对低功耗、高性能的小型移动设备 所推出的芯片，该款芯片基于 ARM 11 架构设计，采用 65nm 制程工艺，主要用在微软的一款 MP3 和 Kin 手机、小米 3 手机上，但后由于基带问题逐渐退出手机 市场。经过两年的发展，2011 年英伟达推出“全球首款移动四核处理器”Tegra3， 基于台积电 40nm 工艺打造。自此，英伟达不仅开始在移动设备领域“横扫千军”， 在汽车领域也开始“攻城略地”，宝马、奥迪等豪华品牌相继用上了英伟达的芯片。
多样化的计算平台为下游客户提供多种选择：早期英伟达的车载 AI 芯片平台与 单个移动芯片差别不大，但随着车载系统的要求不断多样化，英伟达 Drive 系统 也增加了很多选择。不同的客户可以依照不同的使用场景选择适合的产品，增加 了英伟达车载 AI 芯片的使用场景：
NVIDIA DRIVE Hyperion：NVIDIA DRIVE Hyperion 是用于量产自动驾驶汽 车的平台。此自动驾驶参考架构通过将基于 DRIVE Orin 的 AI 计算与完整 传感器套件（包含 12 个外部摄像头、3 个内部摄像头、9 个雷达、12 个超 声波、1 个前置激光雷达和 1 个用于真值数据收集的）相集成，能够在量产 之路上加速开发、测试和验证。DRIVE Hyperion 具有适用于自动驾驶 (DRIVE AV) 的完整软件堆栈，以及驾驶员监控和可视化 (DRIVE IX)，能够 无线更新，在车辆的整个生命周期中添加新的特性和功能。
NVIDIA DRIVE Orin：NVIDIA DRIVE Orin SOC（系统级芯片）可提供每秒 254 TOPS（万亿次运算），是智能车辆的中央计算机。它是理想的解决方案， 为自动驾驶功能、置信视图、数字集群以及 AI 驾驶舱提供动力支持。借助 可扩展的 DRIVE Orin 产品系列，开发者只需在整个车队中构建、扩展和利用一次开发投资，便可从 L2+ 级系统一路升级至 L5 级全自动驾驶汽车系 统。
NVIDIA DRIVE AGX Pegasus：NVIDIA DRIVE AGX Pegasus™ 利用两块 NVIDIA Xavier™ 系统级芯片和两块 Turing™ GPU 的强大功能 ，实现了 320 TOPS 的超级计算能力。该平台专为各种类型的自主系统（包括机器人出 租车）而设计和打造。
NVIDIA DRIVE AGX XAVIER：NVIDIA DRIVE AGX Xavier 可为 L2+ 级和 L3 级自动驾驶提供每秒 30 TOPS 的运算。其核心是 NVIDIA 首次生产的 车规级 Xavier 系统级芯片，该芯片采用了六种不同类型的处理器，包括 CPU、GPU、深度学习加速器 (DLA)、可编程视觉加速器 (PVA)、图像信号 处理器 (ISP) 和立体/光流加速器。
不仅算力领先，英伟达易于上手的软件工具链很大地了方便了芯片使用者的开发 过程，经过 Parker、Xavier、Orin 三代产品快速迭代英伟达已经形成了完整工具 链和软件生态力，非常有助于提升开发效率。自 2017 年 CES 上发布自动驾驶平 台 NVIDIA DRIVE 以来，英伟达的软件生态和工具链都在不断完善。NVIDIA DRIVE 平台支持以 DRIVE AGX 开发平台为起点，在 DRIVE Constellation 上验证 软件算法，充分验证并部署软件后，再通过 DRIVE Hyperion 参考架构进行上路测 试，最后用 NVIDIA DGX 进行人工智能 DNN 训练，进而达到量产标准。在此过 程中平台还为开发者提供丰富的软件开发者套件（SDK）。 英伟达的软件还有一个特点是其软件开放性高。早在 Orin 发布时，英伟达 CEO 黄仁勋就强调过英伟达芯片的开放性：实现自动驾驶汽车所需的投入正在指数级 增长，面对复杂的开发任务，Orin 是可扩展、可编程、软件定义的 AI 平台，对于 车企来说不可或缺。英伟达提供全套算法，包括障碍物识别、路径规划、行为决 策、执行策略、定位、地图流制造、自动泊车，还有底层软件系统，内含了 QNX 的驱动，CUDA 生态系统等等。选择英伟达 Orin 芯片的车企朋友圈分为两派：一 派在 Orin 芯片基础上再选配其他家感知硬件、自动驾驶算法；另一派研发能力充 足，就选择自研算法。
对于车企来说未来可以选择多种方式配置 Thor 的算力，既可以将全部 2000TOPS 用于自动驾驶功能，也可以将一部分用于车载 AI 和娱乐功能，另一部分用于辅 助驾驶，同时又可以减少汽车线束降低车身重量。目前，汽车的停车、主动安全 系统、驾驶员监控、摄像头镜像、集群和信息娱乐均由不同的计算单元控制，未 来这些功能可以同时在 Thor 上运行，即一颗芯片可同时为自动泊车、智能驾驶、 车机、仪表盘、驾驶员监测等多个系统提供算力，并将自动驾驶、信息娱乐等功 能划分成不同的任务区间，同时运行，互不干扰。Thor 将这些功能整合到一个系 统中，能够替代汽车中的大量芯片和电缆，在减少成本、能源消耗等方面将有所 提升。
英伟达 Thor 芯片设计发布具有“终局思维”，代表着在汽车领域已经由分布式的 ECU、DCU 转向了完全集中的功能融合型的单芯片，自动驾驶开启超算时代。 BOSCH 汽车电气架构演进示意图从模块级的 ECU 到集中相关功能的域控制器， 再到完全集中的车载计算机，每个阶段还分了两个子阶段，例如完全集中的车载 计算机还包括了本地计算和云端协同两种方式。根据之前 NVIDIA Altan 的芯片架 构示意图，从此图可以看出：Altan & Thor 的设计思路是完全的“终局思维”，相比 BOSCH 给出的一步步的演进还要更近一层，从跨越集中式的车载计算机和云端 协同的车载计算机，直接到云端融合的车载计算机。云端融合的意思是服务可以 动态的、自适应的运行在云或端，方便云端的资源动态调节。预计 Altan &Thor 采 用的是跟云端完全一致的计算架构：Grace-next CPU、Ampere-next GPU 以及 Bluefield DPU，硬件上可以做到云端融合。
7.2 高通（QCOM.O）
高通领跑、追赶者众，智能座舱芯片进入“跑马圈地”时代。在 2016 年之前智能 座舱 SOC 芯片市场几乎被 NXP 旗下 i.mx 系列完全垄断，但后续随着 NXP 无力 跟进先进制程，i.mx 芯片时代进入尾声。与此同时，消费级 SOC 巨头高通基于对 智能手机 SOC 需求空间逐渐见顶的判断，开始进入汽车智能座舱领域。截止到目 前高通已经发布 4 款智能座舱产品：
2014 年 1 月，高通正式进入车用芯片市场。基于手机芯片骁龙 600 平台，改 造出了旗下第一代汽车数字座舱平台骁龙 620A。在当时车内大屏、车联网还 不是普遍的情况下，骁龙 620A 凭借 4G 车联网、车载 WiFi、以及驾驶舱手 势识别等一系列应用的支持，受到了不少车企的青睐。
在 2016 年 CES 大展上，高通 820A 正式发布，一经发布即吸引了大众、路 虎、小鹏、蔚来等一系列厂家采用。在目前畅销车型上，蔚来 ES8、理想 ONE、 小鹏 P7、奥迪 A4L、极氪 001 等即搭载了高通 820A 这款 SOC 芯片。
2019 年，高通推出新一代智能座舱芯片产品，全球首款量产的 7nm 制程车机 芯片，采用 8 核设计的 SA6155P、SA8155P 和 SA8195P。其中 SA8155P 对应 骁龙 855 手机平台，性能强劲，算力已经能够达到 8 TOPS，是目前中高端车 型智能座舱的首选方案。截至目前，在已上市车型中，小鹏 P5、威马 W6、 蔚来 ET7 和 ET5、哪吒 UPro、零跑 C11、长城 WEY 旗下摩卡、玛奇朵和拿 铁车型、吉利星越 L、凯迪拉克锐歌以及蔚小理即将上市的全新车型均采用 了高通 8155 芯片。
2021 年，高通再次发布第四代智能座舱芯片产品——SA8295P。这是首款 5nm 车机芯片，用于 AI 学习的 NPU 算力达到 30TOPS，接近 8155 的 8 倍；GPU 算力相对于上一代 8155 提升了 200%。高通 8295 首发车型为百度旗下的集度汽车，该量产车型预计在 2023 年交付。另外 SA8295 已获得长城、广汽、 通用等车企的订单，相关车型同样将在 2023 年交付。
7.3 恩智浦半导体（NXPI.O）
恩智浦半导体（NXP Semiconductors）是一家美荷半导体设计商和制造商，前身为 飞利浦半导体，由荷兰飞利浦在 1953 年创立，恩智浦于 2006 年成为独立公司。 公司主要提供安全互联的解决方案。基于高性能混合信号的专业技术，恩智浦在 汽车、智能识别和移动行业，以及无线基础设施、照明、医疗、工业、个人消费 电子和计算等应用领域不断创新。 公司 2021 年汽车电子收入占比达到 50%，产品涵盖车载处理器和微控制器、驾驶 员辅助收发器、车载网络、屏幕驱动、电源管理、传感器等。其中车载处理器 S32 系列涵盖网络、雷达、视觉、以及应用处理器等产品，提供全方位解决方案。以 公司第二代视觉处理器 S32V234 为例，基于 ArmCortexA53 内核，提供图像信号 处理器(ISP)、3D 图形处理器单元(GPU)、双 APEX-2 视觉加速器。产品支持计算 密集型 ADAS、新车碰撞测试(NCAP)前端摄像头、物体检测和识别，环视、汽车 和工业图像处理、以及还包括机器学习(ML)和传感器融合应用。
7.4 德州仪器（TXN.O）
德州仪器公司(TI)成立于 1951 年，是一家总部位于德克萨斯州达拉斯的美国半导 体公司，公司前身为地球物理业务公司。 公司主营业务为模拟 IC 与嵌入式处理器产品开发、制造与销售，以及各类软件的 销售，公司是全球最大的模拟 IC 以及数字信号处理器（DSP）厂商。公司产品应 用领域涵盖通信、汽车、工业、消费电子、计算机等众多应用领域。 公司汽车电子产品涵盖 ADAS、动力传动系统、娱乐信息与仪表信息系统、车身 电子元件与照明系统。在处理器领域，公司有多款产品通过 AEC-Q100 车规级认 证，以公司 TDA4VM 为例，基于 Cortex-A72 内核，搭载深度学习和传统算法加 速器、集成下一代 ISP、文章编解码器。
7.5 Mobileye（MBLY.O）
Mobileye 曾为 ADAS 行业领军者，但收自身业务发展以及半导体行业低迷等原 因，IPO 估值一路下调。Mobileye 于 1999 年在以色列成立，为提供辅助驾驶系 统（ADAS）解决方案的领导者。公司于 2007 年发布第一代 EyeQ 芯片，经过五 年时间实现百万出货量。2014 年，公司在纽约交易所上市，估值约 50 亿美金。 2017 年公司被 Intel 以 153 亿美元收购。2022 年 10 月，公司向纽约纳斯达克交易 所提交 IPO 文件，但 IPO 市值一路 500 亿美金下降到 160 亿美金。
公司 EyeQ 芯片出货量累计超过 1 亿片，已应用于全球 700 余个车型。Mobileye 在 2007 年将 EyeQ1 推向市场后，先后与大陆、麦格纳、意法半导体等全球零部 件供应商签署了合作协议，并将芯片配装到宝马、通用等知名品牌汽车上。公司 在 2014 年推出 EyeQ3 后更是名声大噪。到今年 7 月，Mobileye 的解决方案已安 装在约 800 款车型、超过 1.17 亿辆汽车上。公司预计到 2030 年，其 ADAS 解决 方案将应用于超过 2.66 亿辆汽车。
Mobileye 作为自动驾驶领域的先行者，曾创造了属于自己的辉煌，然而从另一个 维度来看，的确也能看到一些危机。一方面主要系其 mobileye 采用软硬件捆绑的 销售模式，算法难以适应车企需求。另外一方面自动驾驶算法升级周期长， Mobileye 在国内并没有研发团队，难以对中国客户做出快速和定制化的升级。 算力并不是评判芯片好坏的唯一标准，但却在一定程度上决定该自动驾驶系统的 上限，EyeQ5 芯片将面临来自英伟达、高通、地平线、华为等强劲对手的挑战。 EyeQ5 发布于 2020 年，于 2021 年第四季度首次搭载在吉利汽车旗下的极氪 001 车型上，EyeQ5 采用了 7nm FinFET 工艺，算力达到了 24TOPS。英伟达的 Orin 芯 片的单颗算力达到 254TOPS，已经超过 EyeQ5 算力的 10 倍，而同为消费电子芯 片巨头的高通也推出了 Snapdragon Ride 平台，单颗芯片算力分为 10、20、30、 60TOPS 四种版本，并且可以采用多芯片组合方案，再搭配上 300TOPS 的 AI 加 速器，整体算力可以超过 700TOPS。除了英伟达、高通等众多国际竞争对手， Mobileye还正面临着来自中国众多自动驾驶芯片厂商的围攻，像地平线的征程5、 华为的昇腾 610 都是属于与 Mobileye EyeQ5 的同期产品，前两者的各方面性能已 经全面超越 EyeQ5。因此 Mobileye 的 EyeQ 系列芯片的算力较低，也是其损失核 心客户的原因之一。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
精选报告来源：【未来智库】。系统发生错误
