2016年，特斯拉招募AMD的芯片架構(gòu)師和高管團(tuán)隊(duì)，開啟了特斯拉自研自動(dòng)駕駛芯片之路，到2019年4月，特斯拉所有的新車型都用的是自研的FSD芯片。

2017年11月，領(lǐng)跑汽車與浙江芯昇電子（原浙江大華技術(shù)芯片部門）聯(lián)合研發(fā)自動(dòng)駕駛芯片，名為凌芯01，在2020年10月正式發(fā)布該芯片，并搭載于C11車型上。

2020年4月，豐田與電裝成立合資公司MIRISE Technologies開發(fā)自動(dòng)駕駛芯片。

2020年10月，吉利旗下億咖通與ARM成立自動(dòng)駕駛芯片設(shè)計(jì)公司芯擎科技。

關(guān)于蔚來(lái)也有傳言要自研自動(dòng)駕駛芯片，小鵬則已確認(rèn)涉足芯片自研，并且有望在今年年底或明年年初初流片。

最近大眾劇團(tuán)首席執(zhí)行官HerbertDiess在接受采訪時(shí)表示，大眾計(jì)劃自主設(shè)計(jì)和開發(fā)高性能芯片以及所需的軟件。

從固有的認(rèn)知來(lái)看，芯片設(shè)計(jì)通常是一件大投入、長(zhǎng)周期、高風(fēng)險(xiǎn)的事。我們來(lái)看看華為和小米的芯片研發(fā)歷程就一目了然。

1991年，華為成立集成電路設(shè)計(jì)中心，致力于設(shè)計(jì)生產(chǎn)ASIC；

2004年，華為決定自己做手機(jī)芯片，于是將集成電路設(shè)計(jì)中心改制為海思半導(dǎo)體有限公司；

2009年，海思推出首款移動(dòng)處理器K3V1，主要面向中低端市場(chǎng)；

2012年，海思推出首款四核處理K3V2，這款芯片采用了1.5GHz主頻四核Cortex-A9架構(gòu)，集成GC4000的GPU，并且使用了40nm的工藝制程。首次用在自家旗艦產(chǎn)品上；

2014年，海思芯片首次采用“麒麟”命名，并推出麒麟910，制程為28nm，GPU換成了Mali450MP4，彌補(bǔ)了前代的短板，另基帶采用華為自己的Balong 710，解決了功耗、兼容性等問(wèn)題。搭載的手機(jī)也獲得了市場(chǎng)的認(rèn)可。

至此，華為麒麟芯片走過(guò)10年后，才終于成功。

2014年10月，小米與聯(lián)芯創(chuàng)辦了松果電子，采用28nm制程的手機(jī)芯片澎湃S1開始立項(xiàng)；

2017年2月，小米正式發(fā)布了澎湃S1芯片，并搭載于小米5C手機(jī)，市場(chǎng)反響一般；

2021年4月，小米發(fā)布ISP芯片澎湃C1，并搭載在最新的折疊屏MIX FOLD手機(jī)上。

至此，小米自研手機(jī)芯片已經(jīng)歷經(jīng)7年，但是革命尚未成功。

看完以上的消息，不知道大家會(huì)不會(huì)有同樣的疑問(wèn)——汽車廠商為什么要紛紛涉足自研芯片呢？

首先來(lái)看看特斯拉自研的FSD芯片，為了降低風(fēng)險(xiǎn)和加快開發(fā)進(jìn)度，其中大部分的邏輯，包括CPU(12個(gè)A72)、GPU、各種接口、片上網(wǎng)絡(luò)等都使用經(jīng)過(guò)行業(yè)驗(yàn)證的標(biāo)準(zhǔn)IP，僅有神經(jīng)網(wǎng)絡(luò)加速器（NPU）由特斯拉的硬件團(tuán)隊(duì)完全定制開發(fā)的，如圖1所示。

另外如特斯拉自動(dòng)駕駛芯片負(fù)責(zé)人Pete Bannon所說(shuō)：他們的芯片只有一個(gè)客戶——特斯拉，這就很大程度上降低了芯片需求的復(fù)雜性。


圖1 FSD的 NPU

關(guān)于npu，不得不先簡(jiǎn)單說(shuō)一下MAC的概念，MCA是英文Multiply Accumulate的縮寫，中譯為乘積累加運(yùn)算。MAC運(yùn)算是將乘法的乘積結(jié)果和累加器a的值相加，再存入累加器：



如果沒(méi)有MAC指令，上述程序可能需要兩條指令完成，而MAC只需要一條指令完成。

FSD的NPU的架構(gòu)如圖2所示，相較于CPU，其架構(gòu)比較簡(jiǎn)單，主要由計(jì)算單元組成，所以設(shè)計(jì)難度也相應(yīng)的降低。


圖2 NPU架構(gòu)

影響NPU算力的因素主要有MAC單元數(shù)量、運(yùn)行頻率、內(nèi)存。通常最有效的方法是增加MAC單元的數(shù)量。例如FSD中每個(gè)NPU有個(gè)96x96的MAC矩陣，工作頻率為2GHz，32MB SRAM。所以一個(gè)NPU的處理能力為96x96x2x2(GHz) = 36.864TOPS，單芯片為72TOPS。而從內(nèi)存來(lái)說(shuō)主要是內(nèi)存大小和讀取速度會(huì)影響算力。

從圖1可以看出，NPU占整個(gè)芯片的面積很大，也就是說(shuō)如果需要進(jìn)一步為了增加算力而增加MAC單元的數(shù)量，芯片制程需要進(jìn)一步升級(jí)，增加單位面積的MAC數(shù)量。

特斯拉軟件在NPU上執(zhí)行的所有操作的98.1%為卷積，反卷積為1.6%，為了提高性能，NPU合并輸出通道中X與Y維度的輸出像素，并且多個(gè)輸出通道采用并行處理，這樣可以并行處理96個(gè)通道。

為了簡(jiǎn)化設(shè)計(jì)并降低功耗，NPU的MAC由8bit的整數(shù)乘法和32bit的整數(shù)加法組成。另外Pete Bannon認(rèn)為ICache、Register File、Control邏輯消耗的能量要遠(yuǎn)比運(yùn)算消耗的大，所以NPU的設(shè)計(jì)盡量簡(jiǎn)化控制邏輯，只做運(yùn)算相關(guān)的，指令集非常簡(jiǎn)單，相比其他指令集，例如SSE指令集包括了70條指令，NPU只有8條指令：DMA Read、DMA Write、Convolution、Deconvolution、Inner-product、Scale、Eltwidth、Stop，編程模型也非常簡(jiǎn)單，完成一次運(yùn)算只需配置4個(gè)信息。

通過(guò)對(duì)特斯拉自研自動(dòng)駕駛FSD芯片的描述，我們可以整理一下為什么一眾車廠為什么紛紛自研自動(dòng)駕駛芯片：

1、首先汽車廠商自研自動(dòng)駕駛芯片，其實(shí)主要是自研NPU，其他CPU、GPU、接口、片內(nèi)通信等都是采購(gòu)標(biāo)準(zhǔn)IP，另外正如特斯拉自動(dòng)駕駛芯片負(fù)責(zé)人Pete Bannon所說(shuō)：他們的芯片只有特斯拉一個(gè)客戶，這就很大程度上降低了芯片需求的復(fù)雜性，所以自研自動(dòng)駕駛芯片的開發(fā)難度相較較小，

2、自研自動(dòng)駕駛芯片，可以針對(duì)自己的算法中計(jì)算量的大小，優(yōu)化硬件，實(shí)現(xiàn)軟硬件結(jié)合的方法提高性能，例如特斯拉采用的X和Y維度的整合，輸出并行處理等；

3、當(dāng)前自動(dòng)駕駛算法對(duì)算力的需求可能因?yàn)槟承┕δ艿脑黾映霈F(xiàn)極大的增加，但是芯片產(chǎn)商的廠商的芯片為了滿足通用性，開發(fā)周期通常比較長(zhǎng)，難以滿足需求，而自己開發(fā)的話，開發(fā)周期可以自主把握，算力需求可以自行設(shè)計(jì)，無(wú)關(guān)的通用性接口或者單元可以舍棄，靈活性很高，開發(fā)周期更短，功耗也更低。另外由于芯片設(shè)計(jì)的通用性考慮，勢(shì)必導(dǎo)致芯片的功耗增加，例如FSD芯片中神經(jīng)網(wǎng)絡(luò)處理器部分功耗為15W，而Autopilot2.5版上自動(dòng)駕駛數(shù)據(jù)處理單元的功耗為57W；

4、如第三點(diǎn)提到的，由于不考慮通用性，設(shè)計(jì)相對(duì)更簡(jiǎn)單，成本也更低，Autopilot3.0的成本比Autopilot2.5降低了20%，從而產(chǎn)品競(jìng)爭(zhēng)力也會(huì)增強(qiáng)；

5、在當(dāng)前缺芯的環(huán)境下，長(zhǎng)城和蔚來(lái)都爆出因缺芯而導(dǎo)致工廠減產(chǎn)或者停產(chǎn)，自主設(shè)計(jì)自動(dòng)駕駛芯片可以解決該領(lǐng)域的芯片自給自足問(wèn)題；

6、一眾廠商紛紛宣布自己造芯計(jì)劃，也可以提高公司的高科技形象，對(duì)公司股價(jià)、融資應(yīng)該也有利好。

利好雖然很多，但是芯片量產(chǎn)難，車廠需要生產(chǎn)的芯片量相較于芯片廠商太小，另外當(dāng)前產(chǎn)能緊張，找不到代工。這可能也是特斯拉在最新的自動(dòng)駕駛芯片上找博通合作的原因，才能找到臺(tái)積電代工生成最新一代自動(dòng)駕駛芯片。

參考資料：
軟硬件解耦太難！英偉達(dá)竟“越來(lái)越像
Mobileye”https://mp.weixin.qq.com/s/FqmnxPMncuYnFM4VN3eNFQ
AI芯片的門檻有多低？
https://mp.weixin.qq.com/s/IxcVhpKfDhq-85pmV-a_HA
https://fuse.wikichip.org/news/2707/inside-teslas-neural-processor-in-the-fsd-chip/
https://www.cnblogs.com/chuqianyu/p/14254702.html