1 汽車電動化、智能化引領產業新趨勢

1.1 汽車電動化、智能化引領產業變革，關注“自動駕駛”及“智能座 艙”

汽車行業正在經歷電動化、智能化革命，電動化主要改變汽車的動力和傳動系統， 智能化則改變了人與車之間的關系。從 PC 時代的微軟、智能手機時代的蘋果， 以及到破萬億市值的特斯拉，屬于智能電動車的新時代已經拉開帷幕，當下時點 為汽車行業新周期起點，電動及智能化革命將顛覆整個汽車產業鏈，也將孕育新 的產業生機，目前我們認為汽車行業正在經歷三大趨勢：

（1）新能源車邁入成長期，智能車引領新趨勢：伴隨著優質供給如特斯拉，比亞 迪入局，續航里程提升以及帶給人的舒適的駕駛體驗，需求端客戶已經開始逐步 接受并選擇購買新能源汽車，2021 年國內新能源汽車滲透率超過 10%，行業開始 邁入成長階段。汽車行業下一階段發展重點是智能汽車時代，指通過搭載先進傳 感器，運用人工智能等新技術，從而讓其具備自動駕駛以及人機交互功能，有望 成為下一代移動空間和智能應用終端。因此汽車智能化是搶占行業競爭制高點的 關鍵領域。

（2）汽車作為消費品，評價其核心競爭力將從“燃油車時代的馬力”、“電動車時 代的電池續航能力”到“智能汽車時代的算力”：從 19 世紀 80 年代的傳統燃油 車，2010 年的電動汽車，發展到 2020 年的智能汽車，我們評價汽車的性能以及 其核心競爭要素也在變化：a、燃油車評價性能好壞我們更多是看內燃機馬力；b、 電動車我們更關注電池續航；c、智能車時代我們更關注在大算力平臺下車外自動 駕駛技術的成熟度以及車內智能座艙所帶來人機交互的智能化體驗。

（3）商業模式及汽車價值鏈重構：通過軟件實現價值鏈向中后段轉移。在汽車全 生命周期下，與傳統燃油車銷售的一錘子買賣不同，智能汽車后續通過“硬件預 埋、軟件升級”的方式可以持續提升用戶體驗，增加用戶粘性，屆時主機廠可以 通過 OTA 升級實現軟件可售、軟件付費等新商業模式，獲得較高附加值，整車架 構和商業模式被重新定義。

電動車soc指的是車輛蓄電池的剩余電量。電池的SOC反映了電池的實際可用電量，它是電動汽車運行過程中非常重要的一個指標。電動車的動力完全是依靠電池組，在車輛使用過程中，要時刻了解電池組的相關情況，要了解電子組的剩余電。

1.2 汽車電動化、智能化帶來“汽車半導體”蓬勃發展

企業回猛士科技量產車將在2023年開始面向市場投放，并有序打造新銳先鋒、重裝堡壘、越野輕騎等獨具魅力的豪華電動越野產品，目前尚未面世。2022年7月28日首款工程樣車已下線。猛士概念車M-Terrain，秉承“雄魂”的設計理念，從“東方醒獅”吸取靈感，。

手機領域的蓬勃發展是過去十年半導體產業快速增長的主要推動力，汽車電子化 和智能化有望成為半導體行業新增長級，產業變革下一定會催生新的科技廠商和 行業主導者。未來汽車會和手機、電腦一樣，成為整個半導體行業的主要增長推 動力，主要系更高級的自動駕駛、智能座艙、車載以太網絡以及車載信息系統等 都會催生新的半導體需求。地平線預測 2030 年全球汽車領域芯片市場規模約為 1000 億美金，相比 2017 年全球汽車芯片 375 億美金市場同比增長 190%。

新能源汽車搭載芯片數量約為傳統燃油車的 1.5 倍，預計 2028 年單車半導體含量 相比 2021 年翻一番。自動駕駛級別越高對傳感器芯片數量要求越多，L3 級別自 動駕駛平均搭載 8 個傳感器芯片，而 L5 級別自動駕駛所需傳感器芯片數量提升 至 20 個。同樣車輛所需處理與儲存的信息量也與自動駕駛技術成熟度正相關，進 一步提升了控制類芯片和儲存類芯片的搭載量。據統計至 2022 年，新能源汽車車 均芯片搭載量約 1459 個，而傳統燃油車搭載芯片數量為 934 個。Strategy Analytics 預計每輛車的平均硅含量將從 2021 年 530 美元/車翻一番，到 2028 年超過 1000 美元，而高端制造汽車的硅含量可能超過 3000 美元。

汽車芯片主要有如下幾個應用領域：

主控芯片用來生成汽車主要控制信號的計算和生成功能。主控芯片通過接受 各類傳感器搜集到的信號，進行計算相對的處理措施，并將驅動信號發送給 對應的控制模塊。因此主控芯片相當于汽車的“大腦”。

功率芯片是新能源汽車價值量提升最多的部分，需求端主要為 IGBT、 MOSFET 及多個 IGBT 集成的 IPM 模塊等產品，核心用于大電流和大電壓的 環境。

CMOS 芯片是將光子轉換為電子進行數字處理，把圖像信號轉換為數字信號 的芯片，包括微透鏡、光電二極管、處理芯片以及 IO 接口，是攝像頭的關鍵 部件。隨著自動駕駛等級提升，預計 L3 以上的輔助駕駛需要約 18 顆攝像頭， 主要用在倒車后視，環視，前視，轉彎盲區等領域。

射頻接收器是無線通訊的重要器件，射頻芯片是指能夠將射頻信號與數字信 號進行轉換的芯片，它包括功率放大器 PA、濾波器、低噪聲放大器 LNA、天 線開關、雙工器、調諧器等。未來，射頻芯片將像汽車的耳朵一樣將助力 C-V2X 技術發展，將“人-車-路-云”等交通參與要素有機聯系在一起，彌補了 單車智能的不足，推動協同式應用服務發展。

超聲波/毫米波/激光雷達是感知車身傳感器，智能汽車通過傳感器獲得大量數 據，L5 級別的汽車會攜帶傳感器將達到 20 個以上。車載雷達主要包括超聲 波雷達、毫米波雷達和激光雷達三種。其中，中國超聲波雷達已發展的相對 成熟，技術壁壘不高；毫米波雷達技術壁壘較高，且是智能汽車的重要傳感 器，目前處于快速發展的階段；激光雷達技術壁壘高，是高級別自動駕駛的 重要傳感器，但目前成本昂貴、過車規難、落地難。

存儲芯片是智能汽車的“記憶“，自動駕駛技術升級帶來車規存儲的帶寬持 續高增長是長期趨勢，未來汽車存儲將由 GB 級走向 TB 級別。

汽車面板呈多屏化趨勢。汽車智能化、電動化提速將帶動車均面板數量，車 載面板也開始走向標準化。從需求上看，顯示屏在汽車上的應用越來越廣， 需求數量強勁成長。車載顯示主要包括中控顯示屏、儀表顯示屏、擋風玻璃 復合抬頭顯示屏、虛擬電子后視鏡顯示屏、后座娛樂顯示屏等。隨著車聯網、 新能源車、無人駕駛等因素的推動，人們對具備導航、車輛狀況、多媒體影 音等功能的車載面板的需求將持續擴大。

1.3 電子電氣架構演進驅動汽車芯片供應鏈創新

汽車電子電氣架構由分布式向集中式演進。傳統功能汽車采用分布式電子電氣架 構，離散化的 ECU 軟硬件緊耦合且各 ECU 之間獨立性較強，硬件資源無法共享 且形成數據孤島，對用戶新需求反饋的整體周期長達 20 個月以上，難以形成持續 快速迭代的軟件開發模式。因此，軟件定義汽車開發模式驅動整車電子電氣架構 由分布式向中央集中式演進，其核心是車載計算的集中化發展，高集成化的域控 制器、車載中央計算平臺是關鍵。電子電氣架構演進的優缺點如下：

分布式電子電氣架構： √優點：各模塊間功能劃分明確，獨立性強，軟硬件強耦合，各模塊可獨立開發。 √缺點：各模塊間芯片算力無法協同，且相互冗余，分布式架構需要大量內部通 信，增加線束成本；功能更新需各模塊供應商負責，研發與推送效率低，且供應 鏈管理難度極大。

（跨）域集中式電子電氣架構： √優點：將分散的 ECU 集中到動力、底盤、座艙、駕駛、車身等幾大域控制器中， 減少內部通信需求與線束成本；軟硬件逐步解耦，硬件超前設計，軟件自研，通 過 OTA 靈活更新。 √缺點：域分布式計算下大算力 SOC 芯片成本較高，算力存在冗余且單車算力存 在物理上限。

中央集中式電子電氣架構： √優點：進一步簡化電子電氣架構，降低線束設計復雜度與成本，SOA 軟件架構 支持軟件功能的迭代與擴展，從車載中央計算發展為車云計算后，車內與云端架 構實現無縫結合，車端計算用于車內信息與數據的實時處理，云計算作為補充， 提供非實時的數據交互與計算。

復盤過去 5 年汽車半導體行業，2016 年以來第一波結構性紅利已基本結束，純國 產替代為代表的顯性機會窗口快速關閉；2021 年前后“電氣化”和“智能網聯化” 是汽車產業變革的新一波主浪潮：

電動車soc指的是電池的荷電量，電池的電量好比水桶中的水，在某一時刻電池中含有多少可用電量即稱為該時刻電池的SOC。在完全放電完畢的情況下SOC為0，完全充滿電的情況下SOC為1。電池的SOC（荷電狀態）反映了電池的實際可用。

國產替代主導小周期：2016~2021 年的行業拉升，主要來自傳統電子電氣架 構下的國產化替代，以半導體供應鏈危機正式拉開大幕為催化，國產替代的 大規模上車為高潮，如中低端 MCU、三電等領域。

汽車新架構主導大周期：從 2022 年起逐步開啟的第二輪產業周期，很可能是 汽車產業變革的真正主浪潮。這一次，故事主線不僅僅是國產替代，而是高 度智能化、電氣化的下一代汽車，以及全新電子電氣架構下的增量功能、增 量技術、增量市場；紅利體量，將從國產替代的千億級，躍升至萬億級。

我們認為本輪新汽車周期對相關汽車半導體公司的業績貢獻在 2022~2025 年，核 心驅動因素有兩個：第一，各大車廠基于全新一代電子電氣架構推出的車型平臺， 將在 2022 年底~2024 年分批上市，2025 年后基于全新平臺的新車型將全面鋪開。 第二，從細分領域來看，高壓/高速汽車連接器、激光雷達、域控制器、汽車 SOC、 高端 MCU 等大算力芯片、傳感器加速上車，將帶來汽車半導體新一輪繁榮。

而其他領域如單功能 MCU、線束的市場規模在未來幾年可能會下降：

域架構下，MCU 用量下降：特斯拉電子電氣架構集成度高，主要是因為特斯 拉將眾多小型 ECU 的功能全部集成到區域控制器中，因此 ECU 數量相比 ID.4/Mach E 少，從下表可以看出，Model Y、ID.4、Mach E 的 ECU 數量分別 為 26、52、51。特斯拉的 Model3 的 FBCM 既負責配電，還負責一些左前燈 控制、空調控制、熱管理等功能，橫跨了傳統的車身、座艙、底盤及動力域。

域架構下，降低線束成本：安波福測算使用域架構下可以降低 25%線束成本， 而偉世通則認為域架構可以節省 50%或更多的線束長度。特斯拉的架構更接 近于域控制架構，Model S 內部線束長度長達 3km，到 Model3 只有 1.5km， 進一步證明域架構下可以節約線束長度及重量。

2 汽車 SOC 是智能電動車功能實現的核心元件

電動汽車soc是荷電狀態的意思。SOC全稱就是荷電狀態，是電池的剩余電量的占比，舉個簡單的例子：大家可以看一下自己的手機還有多少電，那個剩余的電量就是說的SOC，它是一個比值，不是一個確切的數字。其次就是簡單用大白。

2.1 汽車 SOC 主要負責數據處理，座艙/自動駕駛是主要市場

目前 MCU 是汽車芯片中占比第一的細分品類。IC Insights 發布的數據顯示，2021 年全球汽車芯片從細分產品占比來看，前三分別微處理器、模擬芯片和傳感器， 所占比重分別為 30%、29%和 17。MCU 芯片全稱為微控制單元，又稱為單片微型 計算機或者單片機。它是一個是把中央處理器的頻率與規格做適當縮減，并將內 存、計數器、USB、A/D 轉換、UART、PLC、DMA 等周邊接口，甚至 LCD 驅動 電路都整合在單一芯片上形成芯片級的計算機。通常MCU只能完成較少的任務，例如開啟智能雨刷，或是下車后自動落鎖等等。因此在豪車中可能擁有數百個 MCU 來實現各種智能化功能。

人工智能時代誕生系統級芯片（SOC）。在人工智能時代計算架構從單一芯片模式 向融合異構多芯片模式發展，將 CPU 與 GPU、FPGA、ASIC 等通用/專用芯片異 構融合、集合 AI 加速器的系統級芯片（SOC）應運而生。

大算力的汽車 SOC 主要應用在智能駕駛和智能座艙領域。廣義而言汽車領域算 力稍強（2K DMIPS 以上）的 MCU 都可算是 SOC，Arteris 預測未來單車 SOC 數 量為 23 個，而大算力 SOC 在車載端主要面向兩個領域，分別是智能座艙和智能 駕駛。

從 CPU→GPU→FPGA→ASIC（xPU），芯片專用性越來越強。CPU 負責邏輯運 算和任務調度；GPU 作為通用加速器，可承擔 CNN 等神經網絡計算與機器學習任務，將在較長時間內承擔主要計算工作；FPGA 作為硬件加速器，具備可編程 的優點，在 RNN/LSTM/強化學習等順序類機器學習中表現優異，在部分成熟算法 領域發揮著突出作用；而 ASIC 可以兼顧性能和功耗，作為全定制的方案將在自 動駕駛算法成熟后成為最終選擇。

汽車 SOC 芯片持續追求先進制程。從芯片工藝制程來看，不同汽車芯片對工藝要 求存在較大差異。MCU 主要是依靠成熟制程，全球 70% MCU 生產來自臺積電； 而座艙、自動駕駛 SOC 及 AI 芯片等主控芯片持續追求 7nm 及以下先進制程。

未來部分 MCU 功能會被整合到 SOC 芯片中，ECU 數量減少導致 MCU 的用量 下降。汽車 MCU 緊隨汽車電子電氣架構發展，SOC 芯片會集成部分低端 MCU 功 能，因此未來 MCU 單車使用量將會下降，分布式向域控制發展使用量將從當前 從 30-40 顆，逐步提升至 70-80 顆，但未來隨著集中式架構落地，算力向整車計算 平臺集中，汽車 MCU 的使用量又將逐步降低至 50-60 顆左右。

域控制架構下控制芯片將形成“MCU+SOC”態勢。SOC芯片并不能替代所有MCU， 一方面不是所有 MCU 都有必要接入 SOC 芯片，比如“讓轉向燈閃耀的控制方式” 如果不用 MCU 方案，全部接入 SOC 芯片會形成一個星形網絡，不僅導線數量會 增加，管理難度也會劇增。另外一方面也需要一部分 MCU 作為 SOC 芯片安全冗 余的備選方案。

2.2 自動駕駛 SOC 和座艙 SOC 架構對比

拆分自動駕駛 SOC 結構，包括 CPU、GPU 和其他類型的定制芯片(如 NPU、深度 學習加速器(DLAs)和計算機視覺處理器(CVP))。除此之外，一個典型的自動駕駛 SOC 結構還包括以下部分： 至少一個微處理器(MPU)或數字信號處理器(DSP)，但也可以有多個處理器內 核; 存儲器可以是 RAM、ROM、EEPROM 和閃存中的一種或多種; 用于提供時間脈沖信號的振蕩器和鎖相環電路; 由計數器和計時器、電源電路組成的外設; 不同標準的連線接口，如 USB、火線、以太網、通用異步收發和序列周邊接 口等; 電壓調理電路及穩壓器。

拆分座艙 SOC 架構，我們發現在多塊高分辨率屏幕和流暢的系統背后，不僅僅比 拼的是車機芯片的算力、視頻處理能力，更加看重 AI 能力等性能指標。比如高通 8155 芯片是高通第三代驍龍汽車數字座艙旗艦級平臺，是一款異構架構的芯片， 包含 CPU、GPU、DSP、ISP 以及 AI 引擎等：

在 CPU 部分，8155 芯片采用 1+3+4 的 8 核心設計，核心為高通 Kryo485。 其中大核主頻為 2.96GHz，三個高性能核心主頻為 2.42GHz，四個低功耗小 核主頻為 1.8GHz。 而 GPU 部分，8155 芯片與驍龍 855 都采用 Adreno640。同時，8155 芯片所 采用的 Hexagon690DSP、Spectra380ISP，相比高通驍龍 855 和 855+，名稱上 也是一模一樣。 此外與自動駕駛芯片不同的是，8155 芯片并沒有獨立的 NPU 內核，AI 計算 主要通過 DSP、CPU 和 GPU 組成的 AI 引擎完成。其中，Hexagon690 擁有 7TOPS 的 AI 算力，加上 CPU、GPU 的 AI 算力之和為 8TOPS。

3 自動駕駛：傳感器配置“內卷”，“硬件預埋”成為車企主流策略

3.1 市場概況：L2+場景將持續較長時間，封閉場景 L4 開始落地

015 年以前輔助駕駛功能主要為 L1/L0 級，L1 級可實現加減速或轉向控制， 駕駛員持續進行車輛橫向和縱向的操作，代表功能為 LKA、AEB 等；

2016 年進入 L2 級時代，可同時實現車速和轉向自動化。駕駛必須始終保持 掌控駕駛，在特定場景下系統進行橫向和縱向操作，代表功能為 ACC、LKA、 APA 等，部分 ECU 開始集成式發展，但仍未有域的劃分，目前 L2 及以下整 體單車配套價值在 1.5 萬元左右。

到 2020 年將正式進入 L3 級導入期，為有條件自動駕駛，可解放雙手。駕駛 員不必一直監控系統，但必須時刻保持警惕并在必要時進行干預，整車大約 分為 5~6 個域，控制器算力指數級提升，以太網開始出現，L3 及以下整體單 車配套價值約為 2.5 萬元。但是由于目前 L3 級別自動駕駛技術仍不完善、法 規問題、責任認定、加之成本過高，短期內能夠實現大規模量產的仍然以 L2 級別的 ADAS 為主。

展望未來我們認為 L2+輔助駕駛系統將快速普及并長期存在，另外在一些低速、 封閉場景下比如礦山，港口中 L4 自動駕駛開始落地，而基于法律法規以及技術 成熟度等問題，高速、開放場景下的 robotaxi/robotruck 落地需要較長時間，黑 芝麻智能單記章指出，從 L2 真正突破到 L3 級是一個漫長的過程，未來很長一段 時間內智能網聯汽車仍將處于人機共駕的狀態，這其中涉及到軟件、硬件、數據 等技術的緊密配合和升級。尤其是大算力車規級芯片，將是高階自動駕駛突破的 核心關鍵。

3.2 硬件趨勢：ASIC 方案+集成 ISP+大算力預埋

3.2.1 預計 CPU+ASIC 方案逐漸成為未來主流選擇

CPU+ASIC 方案將是自動駕駛 SOC 主流架構。目前市面上主流的自動駕駛芯片 SOC 架構方案分為三種：CPU+GPU+ASIC，CPU+ASIC 及 CPU+FPGA。從發展 趨勢來看，定制批量生產的低功耗、低成本的專用自動駕駛 AI 芯片（ASIC）將 逐漸取代高功耗的 GPU。 英偉達 Xaiver 芯片主要有四個模塊，其中 GPU 占的面積最大，其次是 CPU， 輔以兩個 ASIC。特斯拉 FSD 芯片架構主要有三個模塊，即 GPU、CPU 和 NPU，其中 NPU 是架構重點。 MobileyeEQ5 的 CVP 是針對 Mobileye 自有的視覺算法設計的 ASIC，以此有 效降低功耗。地平線自主研發了基于靈活 BPU 架構的 ASIC 芯片。 谷歌 Waymo 采用“CPU+FPGA”方案，其計算平臺采用英特爾 Xeon 的 12 核 以上的 CPU，搭配 Alter 的 Arria 系列的 FPGA。其 I/O Board 采用英飛凌的 Aurix 系列的 MCU 作為 CAN/Flex Ray 網絡通信接口。在自動駕駛算法固化 后，FPGA 可能被 ASIC 替代。

3.2.2 SOC 芯片廠商集成 ISP，同時處理多傳感器數據實現成本節降

ISP 參數配置是決定計算機視覺圖像質量的關鍵因素。ISP（Image Signal Processing） 指圖像信號處理器，主要作用是對前端圖像傳感器輸出的信號做后期處理。簡單 來說 ISP 是攝像頭的 Photo Shop，目的是提升圖像質量。在傳統的自動駕駛方案 中，ISP 和攝像頭是一對一的對應關系，也就是說只要有一顆攝像頭，就要有一顆 ISP。 車載 SOC 芯片集成高性能 ISP 是未來趨勢。在車載端，SOC 內部集成 ISP 意味 著無需再為每個攝像頭傳感器提供 ISP，從而大幅降低感知硬件的成本。而在攝像 頭端，取消 ISP 既可以解決高像素攝像頭會帶來嚴重的散熱問題，也可以幫助車 載攝像頭如何進一步縮小電路板尺寸和降低功耗。

目前市場上高級別自動駕駛 SOC 芯片中均集成 ISP。英偉達的 Xavier 和黑芝麻 智能 A1000 芯片中均集成了 ISP。根據英偉達官網，英偉達 Xavier 內置的 ISP 每 秒可處理是 15 億像素，黑芝麻智能也將 ISP 集成在了 A1000 芯片中，每秒可以 處理 12 億像素。

3.2.3 面向高級別自動駕駛，“算力預埋”是未來主要趨勢

車載計算平臺的算力上限決定車輛生命周期內可承載的軟件服務升級上限，整車 廠將通過向 C 端收取軟件授權和 OTA 更新服務費以完成商業模式閉環。當前面 向量產乘用車的智能駕駛系統整體處于 L3 及以下級別，但智能駕駛技術仍在持續迭代升級中，為保證車輛在全生命周期內的持續軟件升級能力，主機廠在智能 駕駛上采取“硬件預置，軟件升級”的策略，通過預置大算力芯片，為后續軟件 與算法升級優化提供足夠發展空間。 攝像頭分辨率提升，激光雷達搭載數量提升以及傳輸數據量增長驅動汽車對算力 需求大幅提升。高級別自動駕駛對攝像頭像素要求提高，預計未來 800 萬像素相 機會取代 1-200 萬像素相機的主流解決方案。假設一輛智能汽車配備 12 個 800 萬 像素的攝像頭，每秒 60 幀(FPS)，隱含的數據輸入速率可能達到 5.76 億像素/秒。 疊加激光雷達的點云算法，預計智能汽車的計算能力將從目前支持 L2+/3 級自動 駕駛的神經網絡處理器(NPU)的 100 多個 TOPS(每秒萬億次操作，計算能力的衡 量標準)和支持 2+/3 級自動駕駛的 CPU 的 80K DMIPS(每秒 Dhrystone 百萬指令， 也是計算機性能的衡量標準)，分別提高到 2030 年的 1000 多個 TOPS 和 500K DMIPS。

“通用開放式”+“大算力”是智能駕駛芯片未來的主要趨勢。伴隨著 ADAS 輔 助駕駛功能在新車市場上滲透率的不斷提升，新勢力與領先自主品牌車企在智能 駕駛領域的廝殺日益激烈，智能駕駛傳感器配置走向“內卷”，以蔚來、小鵬、極 狐為代表的車型更是率先宣布激光雷達量產上車，疊加高級別自動駕駛對攝像頭 像素要求提高，對應自動駕駛芯片算力也持續提升。

3.3 軟件趨勢：AI 云端訓練+OTA 升級

3.3.1 SOC 廠商加速布局自動駕駛 AI 數據訓練

自動駕駛數據集對于訓練深度學習模型和提升算法可靠性至關重要，SOC 廠商不 但推出了自研的 AI 訓練芯片，還有云端超算平臺。特斯拉推出了 AI 訓練芯片 D1 和“Dojo”超算平臺，將用于特斯拉自動駕駛神經網絡的訓練。不僅如此，訓練 算法模型產品也愈發重要，電動汽車出現soc故障，包括 2D 標注、3D 點云標注、2D/3D 融合標注、語義 分割、目標跟蹤等，如英偉達 Drive Sim 自動駕駛模擬平臺、地平線“艾迪”數據 閉環訓練平臺等。

特斯拉推出了 Dojo 超算訓練平臺：采用特斯拉自研 7nm AI 訓練芯片 D1， 依托龐大客戶群來收集自動駕駛數據，從而實現對深度學習系統的模型訓練。 從官方公開信息來看，特斯拉 Dojo AI 系統采用分布式架構，每個 Dojo 節點 都有自己的 CPU、內存和通信接口。而每個節點都有 1.25MB 的 SRAM（靜 態隨機存取存儲器），然后每個節點都連接到一個 2D 網格。當前特斯拉 Autopilot 主要使用 2D 圖像+標注的方式進行訓練和算法迭代，通過 Dojo 超 算平臺，可以使得 Autopilot 可以以 3D 圖像+時間戳（4DAutopilot 系統）的 方式進行訓練，4DAutopilot 系統將具備可預測性，標記道路物體的 3D 移動 軌跡，以加強自動駕駛功能的可靠性；

英偉達推出了自動駕駛模擬平臺：DRIVE Sim 是一種基于 Omniverse 構建 的仿真工具，它可以利用平臺的許多功能。DRIVE Sim 生成的數據用于訓練 構成自動駕駛汽車感知系統的深度神經網絡。DRIVE Sim 的傳感器功能包括 路徑追蹤攝像頭、雷達和激光雷達模型，可捕獲現實世界的效果，如動態模 糊、LED 閃爍、滾動快門和多普勒效應。

地平線艾迪平臺：艾迪 AI 開發工具平臺是一個高效的軟件 2.0 訓練、測試、 管理的工具平臺，包括半/全自動的標注工具，自動化模型訓練，長尾場景管 理、軟件自動集成、自動化回歸測試，最后這整套模型通過 OTA 升級部署到 芯片上。

華為八爪魚自動駕駛開放平臺：“八爪魚”是一個按需獲取的全棧云平臺，服 務覆蓋自動駕駛數據、模型、訓練、仿真、標注等全生命周期業務，向車企 及開發者，提供了包括數據服務、訓練服務、仿真服務在內的 3 大服務。（1） 數據服務：處理車載硬件平臺上輸出的傳感器數據，回放雷達、攝像頭等不 同格式的數據；支持 PB 級海量存儲、交互式大數據查詢和海量數據治理。 （2）訓練服務：管理和訓練自動駕駛模型，不斷在新的數據集和測試集上提 升模型的準確度，持續提升自動駕駛安全系數。平臺提供軟硬件加速，能大 幅縮短訓練時間，提升訓練效率。（3）仿真服務：提供仿真、場景庫管理、 場景片段、評測系統等應用工具，確保自動駕駛模型合規、安全、可度量、 質量達標，快速集成到版本中。

3.3.2 通過 OTA 升級可以提高自動駕駛系統的精準度

OTA 技術最早應用在 PC 機上，后來廣泛應用在移動手機行業，近幾年才開始在 汽車行業里廣泛應用。OTA 是空中下載技術，即通過網絡從遠程服務器下載新的 軟件更新包對自身系統進行升級，包含固件升級和應用升級，從而滿足終端廠商 的應用管理需求和運營商對入網終端的管理要求。通過 OTA 技術，車企可以進行 車輛的遠程診斷、大數據等應用，快速修復系統故障，并增加新的功能等，可以 讓汽車即便在已經離廠并且服役中的狀態下，能透過互聯網從遠程進行系統升級， 以達到“功能更新、亦或是漏洞補救”的目的。

SOA 架構是 OTA 落地前提。SOA 架構（Service-Oriented Architecture，面向服務 的架構）是將每個控制器所控制的不同的硬件和功能抽象成服務，并定義統一的 接口協議，應用開發者可以直接調取相應的服務來實現相關應用和功能，而無需 考慮底層硬件的差異。

不斷演進的自動駕駛、點云融合、激光雷達等算法后續可通過 OTA 模式進行迭 代更新，進而提高輔助系統的精準度。截止到 2021 年 6 月，ADAS 算法中巡航類 相關的升級內容最多，為 42 項，其升級主要包括 ACC/ATC、主動循環、車速輔 助等；其次為預警功能新增或優化，包括碰撞預警、車門開門預警以及車道偏離 預警等，共有 23 項，另外泊車系統優化或新增也有 23 項，目標檢測與識別相關 的有 17 項，主要包括對路面物體或動物識別優化、交通標志識別等，另外，環視 系統優化升級和車道保持系統升級優化分別升級了 14 項和 12 項。

OTA 升級改變整個汽車行業的商業模式，OEM 可以向 C 端客戶發送“算法更新 包”從而實現汽車全生命周期收費，而不是傳統汽車時代的“一錘子買賣”。過去 傳統汽車行業長期以來依賴新車制造和銷售獲取利潤，現在智能汽車時代可以通 過 OTA 按照“軟件升級×汽車保有量”收費。

3.4 規模&增速：2025 年國內智駕 SOC 規模為 138 億元，CAGR=25%

測算不同自動駕駛級別對應單 SOC 芯片價格：我們假設能支持 Level2 自動駕駛 的 SOC 的成本大約是 50 美元（與近年來 Mobileye 的價格一致）。L3 級別自動駕 駛芯片價格為 1500 人民幣（拆分特斯拉 HW3.0 域控制器，其自動駕駛域的芯片成本約為 3000 元，對應 2 個 FSD 芯片）。假設 L4-L5 自動駕駛芯片單片價格為 400 美金（與英偉達 Orin 芯片價格一致）。

測算不同自動駕駛級別對應單 SOC 芯片數量：我們假設 L1 級別自動駕駛需要 1 顆 SOC 芯片，L2/L2+級別自動駕駛需要 2 顆 SOC 芯片（比如理想 one 搭載兩顆 地平線 J3），L3 級別自動駕駛需要搭載 2 顆 SOC 芯片（比如特斯拉 HW3.0 需要 兩顆 FSD 芯片），L4~L5 級別自動駕駛需要搭載 4 顆 SOC 芯片（比如威馬 M7 搭 載 4 顆 Orin 芯片）。 測算汽車自動駕駛 SOC 芯片市場規模：隨著汽車電動化、智能化的推進以及自動 駕駛滲透率的提升，自動駕駛芯片行業將維持較高速的增長。我們預計中國自動 駕駛芯片的市場規模將在 2025 年達到 138 億元，到 2030 年達到 289 億元，十年 復合增長率預計可達 25.1%。

4 智能座艙：感知、交互、場景應用升級，座艙芯片 向集成式方案演進

4.1 市場概況：智能座艙為“第三空間”載體，成為車企差異化競爭重 點

智能化逐漸成為消費者買車時更為關心的指標之一。汽車座艙的智能化發展由三 部分推動，分別為車內/外環境感知，視覺、聽覺等多模態人機交互方案以及統籌 感知計算的車聯網。汽車座艙智能化發展是通過配備智能化和網聯化的車載產品 來實現與人、路、車的智能交互，是人車關系從工具向伙伴演進的重要紐帶和關 鍵節點。

汽車座艙正成為具有擬人化交互能力的駕駛伙伴。目前智能座艙系統主要包括內 飾、電子兩大系統，像車內的座椅、空調、燈光、儀表盤、中控屏、車聯網、語 音識別、手勢識別等。智能座艙目前處于智能助理的初級階段，在硬件方面，座 艙內部的實體按鍵被簡化，大屏化、多屏化趨勢顯著；在軟件方面，語音交互技 術被廣泛應用，人臉識別技術和手勢識別技術也被嘗試，座艙所實現的功能趨于 多樣化。

智能座艙滲透率將逐步提升，未來中國市場滲透率將遠高于全球。目前全球及中 國智能座艙配置新車滲透率分別為 49.7%與 53.3%，當前中國汽車智能座艙普及 度已經過半，預計未來中國智能座艙產品滲透率的增長將領先全球市場。目前中 國智能座艙主要裝備于中高端車型，低端車型裝備率較低。

4.2 硬件趨勢：“單芯單屏”到“跨域融合”，算力逐步提升

汽車 E/E 架構將沿著“分布式”→“域集中式”→“中央計算式”的方向演進。 與汽車 E/E 架構同步，座艙芯片方案也將相應地經歷“單芯單屏”→“單芯多屏” →“融合發展”三大階段的演進： （1）分布式架構下不同座艙電子設備由不同控制器控制，表現為“單芯單屏”， 但隨著座艙功能的提升，“單芯單屏”形態的弊端逐漸顯現：1）跨芯片信號傳輸 存在延遲；2）成本壓力開始上升。 （2）集中域式方案即用一個系統級的主控芯片 SOC 來實現座艙內所有部件的控 制，不僅在軟件層面上實現了軟硬分離，也在硬件方面實現了集中化，座艙智能 化由“被動智能”邁向“主動智能”。隨著座艙智能化提升，多屏人機交互，語音 等 AI 功能需求多樣化個性化，以及 OEM 不斷更新的 OTA 需求，對底層硬件要 求提升，在座艙內“單芯多屏”的 SOC 方案開始進入大眾視野。

主流座艙 SOC CPU 算力接近 100K DMIPS。目前座艙 SOC 以 CPU 為核心，CPU 算力從過去的數 K DMIPS 提升到如今的 100 多 K DMIPS 僅用了不到 7 年的時 間。座艙主控 SOC 不僅需要處理來自儀表、座艙屏、AR-HUD 等多屏場景需求， 還需要執行語音識別、車輛控制等操作，因此座艙系統的響應速度、啟動時間、 連接速度等用戶體驗指標直接決定著汽車品牌的競爭力，智能汽車對座艙 SOC 的 性能、算力需求持續攀升。目前高通驍龍 SA8155P 的 CPU 算力約 105K DMIPS， SA8195P 的 CPU 算力約 150K DMIPS，高通第四代座艙 SOC 芯片 SA8295 甚至 達到 200K DMIPS 以上。國內廠商，華為麒麟 990 的 CPU 算力超過 75K DMIPS， 芯馳科技最新推出的座艙芯片 X9U 的 CPU 算力達到 100K DMIPS，瑞芯微最新 推出的智能座艙芯片 RK3588MCPU 算力也達到 100K DMIPS。 座艙 SOC 集成的 AI 算力也大幅躍升。其中三星已量產的 ExynosAutoV910 具備 約 1.9TOPS 的 AI 算力，三星規劃 2025 年前后投放量產的 ExynosAutoV920 座艙 芯片的NPU 算力將達到約30TOPS；高通已量產的 SA8155P 芯片AI 算力約8TOPS， 其第四代座艙 SOC 集成的 NPU 算力高達 30TOPS，是目前已發布的 AI 算力最高 的座艙 SOC 產品，計劃 2023 年投產。國產座艙 SOC 方面，芯馳科技的座艙產品 從中級產品到至尊級產品均嵌入 AI 算力，其 X9U 產品 AI 算力達 1.2TOPS；瑞芯 微最新發布的座艙 SOCRK3588M 其 AI 算力達到 6TOPS；吉利旗下芯擎科技的龍 鷹一號 AI 算力達到約 8TOPS。

從架構演進情況來看，過去座艙 SOC 芯片并沒有單獨的 NPU 單元，但隨著 AI 算力需求提升座艙 SOC 內開始出現獨立 NPU 單元。比如 8155 芯片并沒有獨立 的 NPU 內核，AI 計算主要通過 DSP、CPU 和 GPU 組成的 AI 引擎完成。其中， Hexagon690 擁有 7TOPS 的 AI 算力，加上 CPU、GPU 的 AI 算力之和為 8TOPS。 高通 8295 芯片算力達到 30TOPS，其 AI 算力是高通 8155 的 7.5 倍，為兩個六角 張量 DSP。

4.3 軟件趨勢：軟硬解耦，OEM 需要標準化、開放式的基礎軟件平臺

“軟件定義汽車”的核心本質是算法和應用的開發同計算平臺的解耦，軟件不再 是基于某一固定硬件開發，而是具備可移植、可迭代和可拓展的特性。隨著人工 智能的框架和工具鏈越來越成熟，算法的精準度、成熟度更多依賴于數據量和標 注的質量，后期算法的迭代速度越來越快，但是硬件迭代速度沒有那么快。因此 軟件定義汽車，更多是利用算法或者軟件快速迭代的特點，銷售之后通過 OTA 擴 展汽車的功能、性能，提升駕駛的體驗： 在芯片平臺的硬件基礎上，裝載 Hypervisor、Linux 等內核系統，管理軟硬件 資源、完成任務調度。 在 AUTOSAR 框架下開發拓展各項功能軟件，調用處理傳感器、執行器數據， 執行自動駕駛算法，實現感知融合、決策規劃、控制執行、HMI 等各項應用 功能。

智能汽車座艙軟硬解耦分離已基本成為共識。在基于 SOA 軟件服務架構基礎上， 將車輛底層進行軟硬解耦和復用，實現軟件功能快速迭代，通過與車主的個性化 OTA 交互，打造個性化和差異化的座艙產品體驗。另外為了應對座艙軟件需求迭 代多變的特性，在 SOA 服務架構的設計中，還需強調重用性和擴展性。目前智能 座艙軟件平臺如大陸 EB、中科創達、東軟睿馳、華為、誠邁科技、斑馬智行等多 家科技公司有所布局。 中科創達發布智能座艙平臺 TurboX Auto 4.5，是基于 SOA 架構，實現場景和 服務的解耦，可快速完成場景服務的開發變更及升級迭代。 東軟睿馳搭建起通用的標準化的軟件架構和軟件平臺，可快速適配不同市場 主流 SOC 的硬件平臺，實現高、中、低端多平臺的智能座艙量產落地，以滿 足不同車廠不同車型的定位和需求。

4.4 規模&增速：2025 年國內座艙 SOC 規模為 112 億，CAGR=25%

單車搭載智能座艙 SOC 芯片數量：目前智能座艙的核心一般都是 1~2 顆 SOC 芯 片。目前座艙屏幕數量一般還都是一、兩塊，稍微多的一些車型會使用上三四塊，但隨著車輛屏幕數的增加，車內電子元器件（音響、監測等）的增加，單顆芯片 對于這些信息量的處理可能會變得吃力起來，此時有兩種方式處理：（1）使用算 力更高的芯片。但是這種方式會導致采購和開發成本的提升，比如集度采用高通 8295，所對應的芯片價值量也會更高；（2）采用多 SOC 模式，對芯片進行分工。 雖然一芯多屏是可以實現的，但大量數據堆積在一起，需要配合較為復雜的算法。 比如目前的理想 ONE 就是采用了這種多顆智能座艙芯片的方式，理想 ONE 搭載 了一顆驍龍 820A 芯片+一顆德州儀器的 Jacinto6 芯片。其中驍龍 820A 芯片負責 驅動 16.2 英寸的中央大屏和 12.3 英寸的副駕駛娛樂屏使用的 Android Automotive 的底層系統，Jacinto6 芯片負責驅動液晶儀表盤和輔助駕駛顯示服務使用的 Linux 系統。

單智能座艙 SOC 芯片價格：低端座艙芯片，比如 20 萬以上售價的熱銷車型 比亞迪漢搭載老款高通 625 芯片（高通驍龍 625 是一款消費級芯片，曾主要 搭載于紅米 Note4、堅果 Pro、小米 5X 等手機設備），成本價約 15 美元/顆 （折合人民幣 100 元）。雖然高通驍龍 625 是一款老芯片，但勝在成本低，性 能較為穩定。高通 820A 的價格為 60 美元；高端高通驍龍 8155P SOC 的價格 約為 250 美元（折合人民幣約 1688 元）。 測算 2025 年中國智能座艙 SOC 市場規模為 112 億元：根據中國汽車工業協 會數據，2021 年中國乘用車銷量 2148.2 萬輛，假設未來按照 CAGR=3%增 長；假設單 SOC 價格 750 元測算，那么預計 2025 年國內座艙 SOC 市場規模 達到 112 億元，CAGR 為 24%。

5 汽車 SOC 高技術壁壘，國內廠商憑借差異化服務 切入自主品牌

5.1 設計/代工/車規認證為 SOC 芯片核心壁壘

大算力 SOC 芯片的設計和制造具有很高的門檻，要綜合性能、功耗、成本、車規 安全多方面因素。

（1） 異構、多核 SOC 設計和優化能力直接決定了大算力芯片的性能、可靠性 和安全性等。這里面有兩大技術難題，一方面要了解客戶需求，即深入了 解 AI 算法，尤其背后使用的神經網絡。因此需要前瞻性了解新的 AI 算 法，否則等芯片研發出來后發現算法與硬件架構兼容性差將會使芯片效率 大大降低。自動駕駛是高階的人工智能，與人臉、語音識別以及大數據分 析等領域相比，對安全性和實時性要求更高，且由于駕駛是要和人類共同 參與的，因此需要更高的認知與推理能力。另外要足夠了解供給，即 SOC 芯片內部比如 CPU、ISP、DSP 等核心可以通過 IP 授權的形式獲得，只有 對各種 IP 深刻理解才能設計出好用的芯片。

（2） 性能/功率比為評價 AI 芯片的關鍵指標，并且作為創業公司要有足夠資金 進行先進制程流片。各家新一代 SOC 中每瓦的峰值處理能力在逐步提高： 英偉達的 Drive Orin 能夠達到 3.6TOPS/watt 的性能，較其老一代 Xavier 的 1.1TOPS/watt 有顯著改進。Mobileye 的 EyeQ4 也可以從 0.83TOPS/watt 上升到 1.6TOPS/watt，并且在即將推出的 Ultra 版本中可能會超過 1.76TOPS/watt。特斯拉已經在 2019 年的 HW3.0 中實現了 2.0TOPS/watt， 并預計在下一代 HW4.0 平臺中會有更實質性的改進。持續提高 AI 芯片性 能的方法有：a.持續優化 SOC 架構。如引入更強大的 ASIC 芯片——神經 網絡加速器(NNAs)、NPU 或 DLAs；b.采用更先進的芯片制造技術可以有 效降低整體功耗。根據 IBS 的估計，開發一塊芯片的成本，包括 IP 許可、 EDA(電子設計自動化)軟件、研發、tape out(最終設計過程)、包裝和測試 費用，對于 16nm 技術節點，總計流片費用為 1.06 億美元；對于 7nm 技 術節點，總計流片費用為 2.98 億美元；而對于 5nm 技術節點，流片費用 為 5.42 億美元。因此是否有足夠的資金進行先進制程流片以及能否拿到 先進制程的產能也是最終能否大規模量產的關鍵因素。

（3） 功能安全流程、車規可靠性認證、ASPICE 軟件認證等一系列嚴苛車規認 證需要逐一攻破。從芯片功能定義到流片/封裝測試完成，大約需要 2 年 時間，如果早期車規芯片不涉及功能安全，那么這個過程可以加速。但從 芯片測試完成→量產，大約需要 1 年半~2 年時間，這個環節時間必不可 少，因為涉及 AECQ100，ISO 26262 等功能安全認證，還有夏季冬季認證， 一級軟件認證等。

5.2 國產 SOC 廠商在設計芯片之初需要兼顧多重因素

5.2.1 IP：各大自動駕駛 SOC 芯片廠商將自研“XPU”IP 作為競爭重點

各大自動駕駛 SOC 芯片廠商將自研“XPU”IP 作為競爭重點。SOC 芯片多為異 構設計，包含 GPU、CPU、加速核、NPU、DPU、ISP 等不同的計算單元，一般來 說芯片不能簡單評估算力，還需兼顧芯片帶寬、外設、內存，以及能效比、成本 等。同時，在芯片設計中，異構 IP 的配置非常重要，自動駕駛 SOC 芯片商均不 斷加強核心 IP 研發以保持關鍵競爭力： 特斯拉：經歷了早期使用黑盒方案的 Mobileye EyeQ3，到較為開放的 Nvidia Drive 平臺，再到如今 NPU 芯片自研。特斯拉將芯片、算法緊耦合，盡管目前特斯拉芯 片算力不是最高，但其軟硬一體的融合度效率高于其他 OEM 方案。 黑芝麻：黑芝麻智能先后打造 NeuralIQ ISP 圖像信號處理器和 DyanmAI NN 引擎 兩大核心 IP。前者讓車“看得更清楚”，后者讓車“擁有了更強的處理能力及更高 的效率”。

NeuralIQ ISP 圖像信號處理器旨在讓汽車“看得清”。通常而言，手機拍照多 為靜態拍攝，可以通過運用傳統的多幀降噪技術，在暗光環境中拍出純凈的 照片。但由于汽車行駛時處于高速運動狀態，所以車規級圖像處理技術更困 難。黑芝麻智能通過自研 ISP 處理系統，讓攝像頭在超低光和大逆光場景下 清晰成像，感知到的信息在后端計算中更均一化。

深度神經網絡算法平臺 DynamAI NN 引擎旨在讓汽車“看得懂”。通過 NeuralIQ ISP 圖像信號處理器處理后的圖片，將傳遞到深度神經網絡算法平 臺 DyanmAI NN 引擎上。先將收集的新數據信息與計算平臺存儲的數據進行 對比，再進行推理和決策，預測出周圍環境可能會發生的變化，從而保證汽 車“看得懂”。其后，通過與其他車、云、路互聯協同，擴大有效感知范圍， 讓汽車“看得遠”。

5.2.2 芯片性能：“FPS/W”是綜合評價芯片能力的指標

芯片算得快比算力大更有用。我們可以拿人和動物的神經元舉例，比如大象有 2570 億個神經元，人腦只有 860 億個神經元，但其智商上限卻僅相當于人類四五 歲的孩童。同樣作為自動駕駛大腦的芯片，也絕不能只看硬件的堆砌，架構設計、 算法的運行方式都會影響芯片的最終實際效能。

FPS（每秒識別準確率）更能夠反應 AI 芯片的真實計算性能，并且該指標已經開 始被頭部自動駕駛廠商使用。馬斯克在 2019 年提到，FSD 芯片算力是英偉達DrivePX2 算力 3 倍；在進行自動駕駛任務時，其 FPS 卻為后者的 21 倍。而地平 線 J5 與英偉達 Orin 對比，雖然 128TOPS 的算力只有英偉達的一半，但是在進行 自動駕駛任務時，其 FPS 卻做到了更勝一籌。更高的 FPS 可以做到更快速的感知， 更低的延遲，這意味著更高的安全性和更快的使用效率。

我們認為真正去評估一家 AI 處理芯片設計的好與壞，最合理的指標是“FPS/Watt & FPS/$，即為了達成 AI 處理目標所付出的功耗和芯片處理的成本”。具體拆解為 三個部分： 理論峰值計算效能（TOPS/Watt & TOPS/$）：公司可以通過改進工藝制程和芯 片架構設計兩方面提升該指標，其本質是一個硬件架構決定的指標。 芯片有效利用率（Utilization）：該數值由軟件架構決定。人工智能芯片如果把 硬件架構鎖定，把算法也鎖定，那軟件架構可以通過編譯器不斷去編譯、拆 解、重組、部署讓芯片效能越來越好。 單位有效算力（FPS /TOPS）：即算法處理速度，該數值由算法架構決定。算 法摩爾定律為通過算法不斷的更新和演進，解決一個 AI 任務達到的相同準 確率所要求的計算次數在持續下降，即從語音識別，文本自然語言處理，計 算機視覺各個領域總結發現每 9-14 個月（每個領域可能略有不同）所完成的 AI 任務所需要的計算次數復雜度會降低一半。 地平線表示，在芯片流片之前應該關注如何讓算法和軟件更好的指導硬件架構， 因為算法是一個客觀的大趨勢，需要所有公司提前去學習、預判。所以在芯片定 義階段的時候，應該關注“FPS/Watt & FPS/$”如何被“理論峰值計算效能”和“芯 片有效利用率”定義。在芯片流片出來之后，由硬件架構確定的“理論峰值計算 效能”已經確定了，而“單位有效算力”又是客觀規律，此時各家自動駕駛 AI 芯 片公司核心要思考怎么去優化“芯片有效利用率”。

5.2.3 生態&工具鏈：開放的生態和完整的工具鏈是滿足主機廠需求的關鍵

Mobileye 是過去 20 年汽車 ADAS 技術的主要奠基者和引領者。截止到 2021 年 底，Mobileye 銷售 2810 萬枚 EYEQ 芯片（內含算法解決方案），在 L2+方案的市 場占有率約為 70%。Mobileye 致力于用單目視覺來解決三維立體環境中的測距問 題，自創立公司以來，Mobileye 獲得了視覺輔助駕駛領域的多項第一并提供了包 括行人檢測、車道保持和自適應巡航等輔助駕駛技術。 Mobileye 提供的“算法+芯片”封閉式解決方案，目前已經不能滿足自動駕駛公 司和車企們的需求。在過去 20 年里，Mobileye 以視覺感知技術為基礎，推出了算 法+EyeQ 系列芯片組成的一系列解決方案，可以幫助車企實現從 L0 級的碰撞預 警，到 L1 級的 AEB 緊急制動、ACC 自適應巡航，再到 L2 級的自車道保持、自 動剎車輔助和自動駐車等各種功能。但隨著谷歌、蘋果、百度、華為、滴滴、特 斯拉等科技巨頭，還有一眾自動駕駛創業公司開始用深度學習算法開發新一代的 L4 自動駕駛技術，量產車搭載的 L2 系統也越來越向著 L4 自動駕駛的技術架構 看齊。于是特斯拉用的 FSD 芯片取代了 Mobileye，理想從 EyeQ4 換裝了地平線 征程 3。2022 年以及以后將上市的新款車型中，尤其是智能電動汽車，幾乎清一 色的選擇了英偉達、高通和華為這種科技巨頭的自動駕駛芯片。目前全球已知使 用 Mobileye 最新一代 EyeQ5 芯片的車型，只有極氪 001 和寶馬 iX 兩款；并且寶 馬曾作為 Mobileye 最大的客戶宣布未來其他車型自動駕駛 SOC 方案會選擇高通。

地平線提供整車智能開發平臺，不僅包含 AI 芯片，還包括了軟件棧、天工開 物 AI 工具鏈和艾迪 AI 開發平臺。地平線提供端上的開發工具、以及在云端 的訓練，包括數據管理以及仿真平臺等工具，與天工開物形成完整的開發平 臺，加速面向智能駕駛、智能交互、車內娛樂應用等各種各樣的解決方案開 發。

華為堅持“不造車，聚焦 ICT 技術，幫助車企造好車”的戰略，在芯片、云、 軟硬件、工具鏈和高精地圖等多方面發力。華為智能駕駛計算平臺 MDC 集成了華為自研的 CPU、AI 芯片和其他控制芯片，并通過底層的軟硬件一體化 調優，使整體性能方面達到業界領先水平。此外，華為 MDC 也有完整的測 試平臺和工具鏈，為 MDC 的開發提供了全棧解決方案。

6 汽車 SOC 藍海吸引多方入場，多因素驅動國產化浪潮

6.1 自動駕駛 SOC 格局：四大陣營參與 SOC 芯片競爭，地平線異軍突 起

從各主流自動駕駛 SOC 廠商產品發布時間、制程演進、以及峰值算力來看，新發 布的 SOC 芯片的峰值算力越來越高，制程越來越先進。我們統計目前主流自動駕 駛 SOC 芯片廠商，包括 Mobileye、特斯拉、英偉達、高通、華為、地平線、黑芝 麻，并將他們發布的各款芯片產品放到二維象限中（橫軸為芯片制程和預計發布 時間，縱軸為芯片峰值算力）。我們發現這些主流廠商未來發布 SOC 芯片逐步向 先 進 制 程 邁 進 ； Mobileye/ 地 平 線 / 黑 芝 麻 單 SOC 芯 片 峰 值 算 力 基 本 在 100~200TOPS 左右，而英偉達/高通/華為/特斯拉可以把單 SOC 峰值算力做到 200TOPS 以上。

從各主流自動駕駛 SOC 廠商面向下游應用市場來看，國內廠商目前定位在 ADAS/L2+領域。國內 ADAS/L2+領域廠商主要是地平線，黑芝麻；國外為 NXP、 TI、Mobileye；國內 L3 領域主要廠商是華為 MDC300（華為不賣單顆芯片，故取 整個計算平臺解決方案作對比）、黑芝麻和地平線；國外為特斯拉、英偉達、高通； 面向 L4/L5 級別自動駕駛，國內為華為 MDC600，國外為高通、英偉達和特斯拉。 其中高通 Snapdragon Ride Flex 為 SOC 系列產品家族，包含 Mid/High/Premium 三 個級別，支持 L1~L4/L5；其中最高級 Ride Flex Premium SOC 再加上外掛的 AI 加 速器（可能是 NPU）組合起來，就可以實現 2000TOPS 的綜合 AI 算力。

從各主流自動駕駛 SOC 廠商陣營來看，主要分為“傳統汽車芯片廠商”、“提供整 套解決方案廠商”、“通用型、提供平臺型硬件+軟件工具鏈廠商”以及“全棧自研廠 商”四大陣營： （1）傳統汽車芯片廠商：對于像恩智浦、德州儀器或者瑞薩傳統汽車芯片廠商來 說，他們的自動駕駛 SOC 芯片產品主要優勢為：1.產品落地經驗豐富；2.供應鏈 管理能力強，但缺點在于人工智能研發經驗較少，因此主要面向 ADAS 等中低端 市場。 （2）提供整套解決方案廠商：主要代表廠商為 Mobileye。ADAS 時代的霸主，但 因其黑箱子解決方案較為局限，以及本土化服務能力較弱，逐步被頭部車企拋棄。 Mobileye 系統最大優點是產品成本低，開發周期很短，開發費用極低，絕大部分 功能都經過驗證，風險較低。而缺點是系統封閉，車企無法搞差異化功能。迭代 困難，出了問題較難改進或提升。對于傳統車廠而言，Mobileye 基本是唯一選擇， 對于總想與眾不同的造車新勢力來說可能無法適應。然而新興造車企業畢竟還是 極少數，預計 Mobileye 在 ADAS 領域霸主地位至少五年內仍會相當穩固。

（3）通用型、提供平臺型硬件+軟件工具鏈廠商：主要包括高通、英偉達、華為、 地平線及黑芝麻：

復盤為什么地平線可以拿下這么多定點？為什么多家產業資本以及財務投資方選 擇在 2020 年前后投資地平線？核心還是地平線在“缺芯”的大背景下推出了合適 的產品，憑借長安的背書，后續接連俘獲眾多 OEM 青睞。2020 年，當時主流 SOC 廠商主要包括：Mobileye、特斯拉、英偉達、地平線、黑芝麻、芯馳、華為；高通 此時還沒進來；寒武紀行歌在 2021 年 1 月成立，2021 年 7 月開始布局汽車自動 駕駛 SOC。

2020 年 11 月，零跑推出了首款自動駕駛芯片凌芯 01，這款芯片也是國內首 款擁有完全自主知識產權的自動駕駛芯片。凌芯 01 處理性能接近市場頂尖的 Mobileye 芯片，整體開放性則更強，既能支撐通用運算，又有特定的 AI 運算 邏輯，具有能耗比更低、安全可靠性更高的優勢。

2021 年初，小鵬汽車已經在中美兩地建立團隊，同步啟動了自研芯片項目， 目前小鵬的芯片團隊目前已經有近 200 人，目標是開發對標特斯拉 FSD 的大 算力自動駕駛芯片；而蔚來也不甘落后，挖來前賽靈思亞太地區實驗室主任 胡成臣，已經組建了近 300 人的芯片團隊，研發包括自動駕駛芯片和激光雷 達芯片。

其他車企方面，德國大眾集團已經在籌備自研芯片，并于 2019 年籌建了一支 5000 人團隊開始打造操作系統。吉利汽車也要在中央計算平臺&芯片、L4 自 動駕駛軟件、ADDIS 數據平臺和車聯網平臺&運營構建核心技術實力，已推 出 E01 和 E02 芯片信息娛樂 SOC 芯片，計劃 2021 年推出 AI 語音芯片 V01； 2022 年推出全功能高性能數字座艙 SOC 芯片 SE1000；2023 年計劃推出 256TOPS 的自動駕駛 SOC 芯片 AD1000。

6.2 智能座艙 SOC 格局：高通處于領導者地位，國產廠商有望逐步滲 透

此前座艙芯片由傳統汽車半導體公司主導，換代周期長達 5-6 年，并且通常情況 下是一顆芯片帶一塊屏，而且由于屏幕分辨率很低，所以對座艙芯片的算力要求 不高。在高通沒有進入車規級芯片領域之前，車機芯片的銷量冠軍是日本瑞薩半 導體。2022 年瑞薩徹底沒落，旗艦車用芯片“H3”采用的還是 16nm 制程工藝，搭 載的還是手機上 7、8 年前的 ARMCortex-A57+A53 架構組合，甚至不少車機芯片 還在使用更為老舊的 28nm 芯片以及 A55+A53 組合。現在來看，H3 性能孱弱、 制程老舊、架構落后。

目前全球座艙 SOC 供應商格局趨于明朗，分為“傳統汽車芯片”和“消費電子芯片 家”兩類廠商，其中后者具有天然優勢。汽車座艙市場過去由傳統的汽車半導體供 應商主導，以恩智浦、瑞薩、德州儀器等為代表的“傳統汽車芯片”廠商，在傳統 汽車 MCU、ECU 芯片業務之外，順應智能化趨勢布局座艙芯片領域；而以高通、 三星等為代表的“消費級芯片”廠商，也在切入汽車座艙 SOC 領域，復用其在消費 電子領域深厚的技術積累。

傳統汽車芯片廠商占有份額仍然較大，主要是由“中低端車型銷量占比較大” 的汽車銷售結構決定的。恩智浦、瑞薩、德州儀器三家傳統汽車智能座艙芯 片的主要供應商，在智能化轉型中節奏偏慢，除滿足車規級安全外，性能不 及消費級芯片廠商，在銷量占比仍然較大的中低端車型中部署廣泛。瑞薩 RCARH3 采用 16nm 制程，而恩智浦 i.MX8 系列、德州儀器 Jacinto7 均基于 28nm 制程設計，CPU 算力最高 40K DMIPS，遜色于消費級芯片廠商。

高通、三星等消費電子廠商憑借性能及迭代優勢在中高端芯片市場快速發展， 高通復刻在消費電子芯片的成功，在智能座艙芯片領域也占據了絕對的優勢。 隨著越來越多的智能手機功能被引入汽車座艙中，汽車硬件產品升級周期已 經從每代 5-10 年縮短到目前的 2-3 年（這主要得益于造車新勢力如特斯拉、 蔚小理車型對軟件功能頻繁升級），這一趨勢有利于高通、聯發科、三星等領 先的智能手機 SOC 企業切入汽車座艙 SOC 市場。步入智能座艙時代，智能 駕艙芯片可以分為低端、中端和高端，目前在高端市場高通一家獨大，約占 市場 80%的市場份額，高通、三星最新款座艙芯片已采用 10nm 以下制程， 且均計劃在下一代芯片平臺中采用 5nm 制程。

我們認為高通成為智能座艙 SOC 領域王者主要有以下 6 點原因： （1）從制程/算力角度，2019 年發布的高通 8155 為全球首款 7nm 高算力座艙 SOC，算力 8 TOPS，領先同期恩智浦、瑞薩等傳統汽車座艙芯片廠商 2~3 代。 2021 年，高通發布驍龍 8295，將座艙 SOC 芯片的制程工藝從 7nm 帶入 5nm 時 代，算力 30 TOPS，意味著第 4 代的 8295 芯片將與手機上最頂級的芯片處于同一 世代。 （2）從研發周期來看，高通座艙 SOC 架構可以通過智能手機 SOC 遷移過來， 縮短研發周期的同時可以更快和主機廠進行適配迭代。比如車規芯片 620A、820A 以及 8155，對應的手機芯片就是 620、820 和 855，這也是為什么高通能在短時間 內就推出車規級芯片的原因。高通車規芯片更新迭代規律非常明確，最新的技術 在手機芯片上經過驗證后，再下放至車規芯片上使用，節省了研發周期與適配難 度。

（3）從流片費用來看，高通在消費電子領域的出貨量平攤了其在汽車座艙領域的 研發先進制程的成本。先進制程 7nm 和 5nm 芯片的封裝和開發成本遠高于成熟 制程，對于恩智浦或瑞薩這樣的傳統汽車 SOC 制造商來說，在沒有大量汽車市場 芯片需求的情況下，追求先進制程沒有經濟意義，因此 14-28nm 節點仍然是他們 的旗艦產品解決方案。而高通可以通過手機 SOC 芯片的規模優勢來平攤汽車 SOC 芯片的開發成本。 消費級芯片是一個非常典型的寡頭市場，企業獲得先發優勢后，可以憑借較大的 出貨量平攤研發費用。而芯片的高技術壁壘導致研發及流片費用在數千萬美元以 上，競爭者很難進入。CPU 是英特爾和 AMD 的天下，GPU 是英偉達和 AMD 的 天下，手機（移動）芯片是高通和聯發科的天下。擁有消費市場是成為攪局者的 重要因素。蘋果、特斯拉和華為海思都是憑借自身品牌形象，在手機和汽車領域 擁有相當數量的消費群體后，開始進行芯片自研，這保證了芯片研發費用的分攤 以及芯片更新迭代的動力。而汽車芯片是一個全新市場，同消費級產品不同的是， 汽車對安全性、穩定性的要求更高，設計成本和流片成本相應也更高，市場的參 與者主要是傳統芯片行業巨頭、創業公司以及車企。

7 國外公司分析

7.1 英偉達

英偉達是 GPU 的發明者，也是人工智能時代的引領者，“平臺化芯片+完善的工 具鏈”是英偉達芯片的主要特征。GPU 的并行架構適合人工智能領域的計算需求， 英偉達敏銳的抓住這個特點成為人工智能芯片及軟件工具鏈的主要供貨商。在進 行人工智能領域探索時，英偉達開始涉足智能駕駛及機器人業務，并在該領域擁 有近十年的開發經驗。

硬件架構：從拓展嵌入式移動芯片橫向拓展到汽車領域。英偉達專注提供高性能 服務，借助嵌入式移動芯片，拓展汽車市場。在智能手機興起的 2008 年時，英偉 達試圖進入移動芯片市場。為此，公司開發了 Tegra 系列芯片，采用了 ARM 的 CPU 架構，并集成了自家的 GPU 芯片，組成了一套 SOC 系統。 Tegra 芯片是英偉達在 2008 年 2 月發布，是針對低功耗、高性能的小型移動設備 所推出的芯片，該款芯片基于 ARM 11 架構設計，采用 65nm 制程工藝，主要用在微軟的一款 MP3 和 Kin 手機、小米 3 手機上，但后由于基帶問題逐漸退出手機 市場。經過兩年的發展，2011 年英偉達推出“全球首款移動四核處理器”Tegra3， 基于臺積電 40nm 工藝打造。自此，英偉達不僅開始在移動設備領域“橫掃千軍”， 在汽車領域也開始“攻城略地”，寶馬、奧迪等豪華品牌相繼用上了英偉達的芯片。

多樣化的計算平臺為下游客戶提供多種選擇：早期英偉達的車載 AI 芯片平臺與 單個移動芯片差別不大，但隨著車載系統的要求不斷多樣化，英偉達 Drive 系統 也增加了很多選擇。不同的客戶可以依照不同的使用場景選擇適合的產品，增加 了英偉達車載 AI 芯片的使用場景：

NVIDIA DRIVE AGX Pegasus：NVIDIA DRIVE AGX Pegasus? 利用兩塊 NVIDIA Xavier? 系統級芯片和兩塊 Turing? GPU 的強大功能 ，實現了 320 TOPS 的超級計算能力。該平臺專為各種類型的自主系統（包括機器人出 租車）而設計和打造。

NVIDIA DRIVE AGX XAVIER：NVIDIA DRIVE AGX Xavier 可為 L2+ 級和 L3 級自動駕駛提供每秒 30 TOPS 的運算。其核心是 NVIDIA 首次生產的 車規級 Xavier 系統級芯片，該芯片采用了六種不同類型的處理器，包括 CPU、GPU、深度學習加速器 (DLA)、可編程視覺加速器 (PVA)、圖像信號 處理器 (ISP) 和立體/光流加速器。

對于車企來說未來可以選擇多種方式配置 Thor 的算力，既可以將全部 2000TOPS 用于自動駕駛功能，也可以將一部分用于車載 AI 和娛樂功能，另一部分用于輔 助駕駛，同時又可以減少汽車線束降低車身重量。目前，汽車的停車、主動安全 系統、駕駛員監控、攝像頭鏡像、集群和信息娛樂均由不同的計算單元控制，未 來這些功能可以同時在 Thor 上運行，即一顆芯片可同時為自動泊車、智能駕駛、 車機、儀表盤、駕駛員監測等多個系統提供算力，并將自動駕駛、信息娛樂等功 能劃分成不同的任務區間，同時運行，互不干擾。Thor 將這些功能整合到一個系 統中，能夠替代汽車中的大量芯片和電纜，在減少成本、能源消耗等方面將有所 提升。

英偉達 Thor 芯片設計發布具有“終局思維”，代表著在汽車領域已經由分布式的 ECU、DCU 轉向了完全集中的功能融合型的單芯片，自動駕駛開啟超算時代。 BOSCH 汽車電氣架構演進示意圖從模塊級的 ECU 到集中相關功能的域控制器， 再到完全集中的車載計算機，每個階段還分了兩個子階段，例如完全集中的車載 計算機還包括了本地計算和云端協同兩種方式。根據之前 NVIDIA Altan 的芯片架 構示意圖，從此圖可以看出：Altan & Thor 的設計思路是完全的“終局思維”，相比 BOSCH 給出的一步步的演進還要更近一層，從跨越集中式的車載計算機和云端 協同的車載計算機，直接到云端融合的車載計算機。云端融合的意思是服務可以 動態的、自適應的運行在云或端，方便云端的資源動態調節。預計 Altan &Thor 采 用的是跟云端完全一致的計算架構：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）

高通領跑、追趕者眾，智能座艙芯片進入“跑馬圈地”時代。在 2016 年之前智能 座艙 SOC 芯片市場幾乎被 NXP 旗下 i.mx 系列完全壟斷，但后續隨著 NXP 無力 跟進先進制程，i.mx 芯片時代進入尾聲。與此同時，消費級 SOC 巨頭高通基于對 智能手機 SOC 需求空間逐漸見頂的判斷，開始進入汽車智能座艙領域。截止到目 前高通已經發布 4 款智能座艙產品：

2014 年 1 月，高通正式進入車用芯片市場。基于手機芯片驍龍 600 平臺，改 造出了旗下第一代汽車數字座艙平臺驍龍 620A。在當時車內大屏、車聯網還 不是普遍的情況下，驍龍 620A 憑借 4G 車聯網、車載 WiFi、以及駕駛艙手 勢識別等一系列應用的支持，受到了不少車企的青睞。

在 2016 年 CES 大展上，高通 820A 正式發布，一經發布即吸引了大眾、路 虎、小鵬、蔚來等一系列廠家采用。在目前暢銷車型上，蔚來 ES8、理想 ONE、 小鵬 P7、奧迪 A4L、極氪 001 等即搭載了高通 820A 這款 SOC 芯片。

2019 年，高通推出新一代智能座艙芯片產品，全球首款量產的 7nm 制程車機 芯片，采用 8 核設計的 SA6155P、SA8155P 和 SA8195P。其中 SA8155P 對應 驍龍 855 手機平臺，性能強勁，算力已經能夠達到 8 TOPS，是目前中高端車 型智能座艙的首選方案。截至目前，在已上市車型中，小鵬 P5、威馬 W6、 蔚來 ET7 和 ET5、哪吒 UPro、零跑 C11、長城 WEY 旗下摩卡、瑪奇朵和拿 鐵車型、吉利星越 L、凱迪拉克銳歌以及蔚小理即將上市的全新車型均采用 了高通 8155 芯片。

2021 年，高通再次發布第四代智能座艙芯片產品——SA8295P。這是首款 5nm 車機芯片，用于 AI 學習的 NPU 算力達到 30TOPS，接近 8155 的 8 倍；GPU 算力相對于上一代 8155 提升了 200%。高通 8295 首發車型為百度旗下的集度汽車，該量產車型預計在 2023 年交付。另外 SA8295 已獲得長城、廣汽、 通用等車企的訂單，相關車型同樣將在 2023 年交付。

7.3 恩智浦半導體（NXPI.O）

恩智浦半導體（NXP Semiconductors）是一家美荷半導體設計商和制造商，前身為 飛利浦半導體，由荷蘭飛利浦在 1953 年創立，恩智浦于 2006 年成為獨立公司。 公司主要提供安全互聯的解決方案。基于高性能混合信號的專業技術，恩智浦在 汽車、智能識別和移動行業，以及無線基礎設施、照明、醫療、工業、個人消費 電子和計算等應用領域不斷創新。 公司 2021 年汽車電子收入占比達到 50%，產品涵蓋車載處理器和微控制器、駕駛 員輔助收發器、車載網絡、屏幕驅動、電源管理、傳感器等。其中車載處理器 S32 系列涵蓋網絡、雷達、視覺、以及應用處理器等產品，提供全方位解決方案。以 公司第二代視覺處理器 S32V234 為例，基于 ArmCortexA53 內核，提供圖像信號 處理器(ISP)、3D 圖形處理器單元(GPU)、雙 APEX-2 視覺加速器。產品支持計算 密集型 ADAS、新車碰撞測試(NCAP)前端攝像頭、物體檢測和識別，環視、汽車 和工業圖像處理、以及還包括機器學習(ML)和傳感器融合應用。

7.4 德州儀器（TXN.O）

德州儀器公司(TI)成立于 1951 年，是一家總部位于德克薩斯州達拉斯的美國半導 體公司，公司前身為地球物理業務公司。 公司主營業務為模擬 IC 與嵌入式處理器產品開發、制造與銷售，以及各類軟件的 銷售，公司是全球最大的模擬 IC 以及數字信號處理器（DSP）廠商。公司產品應 用領域涵蓋通信、汽車、工業、消費電子、計算機等眾多應用領域。 公司汽車電子產品涵蓋 ADAS、動力傳動系統、娛樂信息與儀表信息系統、車身 電子元件與照明系統。在處理器領域，公司有多款產品通過 AEC-Q100 車規級認 證，以公司 TDA4VM 為例，基于 Cortex-A72 內核，搭載深度學習和傳統算法加 速器、集成下一代 ISP、視頻編解碼器。

7.5 Mobileye（MBLY.O）

Mobileye 曾為 ADAS 行業領軍者，但收自身業務發展以及半導體行業低迷等原 因，IPO 估值一路下調。Mobileye 于 1999 年在以色列成立，為提供輔助駕駛系 統（ADAS）解決方案的領導者。公司于 2007 年發布第一代 EyeQ 芯片，經過五 年時間實現百萬出貨量。2014 年，公司在紐約交易所上市，估值約 50 億美金。 2017 年公司被 Intel 以 153 億美元收購。2022 年 10 月，公司向紐約納斯達克交易 所提交 IPO 文件，但 IPO 市值一路 500 億美金下降到 160 億美金。

Mobileye 作為自動駕駛領域的先行者，曾創造了屬于自己的輝煌，然而從另一個 維度來看，的確也能看到一些危機。一方面主要系其 mobileye 采用軟硬件捆綁的 銷售模式，算法難以適應車企需求。另外一方面自動駕駛算法升級周期長， Mobileye 在國內并沒有研發團隊，難以對中國客戶做出快速和定制化的升級。 算力并不是評判芯片好壞的唯一標準，但卻在一定程度上決定該自動駕駛系統的 上限，EyeQ5 芯片將面臨來自英偉達、高通、地平線、華為等強勁對手的挑戰。 EyeQ5 發布于 2020 年，于 2021 年第四季度首次搭載在吉利汽車旗下的極氪 001 車型上，EyeQ5 采用了 7nm FinFET 工藝，算力達到了 24TOPS。英偉達的 Orin 芯 片的單顆算力達到 254TOPS，已經超過 EyeQ5 算力的 10 倍，而同為消費電子芯 片巨頭的高通也推出了 Snapdragon Ride 平臺，單顆芯片算力分為 10、20、30、 60TOPS 四種版本，并且可以采用多芯片組合方案，再搭配上 300TOPS 的 AI 加 速器，整體算力可以超過 700TOPS。除了英偉達、高通等眾多國際競爭對手， Mobileye還正面臨著來自中國眾多自動駕駛芯片廠商的圍攻，像地平線的征程5、 華為的昇騰 610 都是屬于與 Mobileye EyeQ5 的同期產品，前兩者的各方面性能已 經全面超越 EyeQ5。因此 Mobileye 的 EyeQ 系列芯片的算力較低，也是其損失核 心客戶的原因之一。

精選報告來源：【未來智庫】。