目錄

一、背景...................................................................................................................................4

二、車載智能計算趨勢與挑戰(zhàn)........................................................................................5

1.傳感器及控制單元復(fù)雜繁多..............................................................................................................5

2.環(huán)境感知融合帶來實時數(shù)據(jù)處理挑戰(zhàn)........................................................................................6

3.算法模型尚不能很好應(yīng)對長尾場景............................................................................................7

4.AI算法演進周期快于智能芯片設(shè)計周期....................................................................................8

5.大算力低功耗的車載智能計算芯片方案缺乏.............................................................................8

6.功能安全是底線........................................................................................................................9

三、軟件定義汽車........................................................................................................10

1.軟件定義汽車的驅(qū)動力............................................................................................................11

2.系統(tǒng)架構(gòu)革新..........................................................................................................................12

3.云原生技術(shù)極大提升研發(fā)效率.................................................................................................15

4.邊緣算力預(yù)埋與車云協(xié)同計算提升汽車長期價值....................................................................17

四、異構(gòu)計算芯片........................................................................................................19

1.車載智能計算SoC架構(gòu)..........................................................................................................21

2.能耗與性能..............................................................................................................................22

3.功能安全.................................................................................................................................24

4.信息安全.................................................................................................................................27

五、車載智能計算軟硬協(xié)同優(yōu)化..................................................................................29

1.自動駕駛算法向端到端大模型演進..........................................................................................29

2.軟硬協(xié)同優(yōu)化的難點...............................................................................................................30

3.NPU軟硬協(xié)同設(shè)計創(chuàng)新..........................................................................................................35

4.異構(gòu)感知計算流水線優(yōu)化........................................................................................................36

5.輔助駕駛、自動駕駛案例........................................................................................................37

6.智能座艙案例..........................................................................................................................43

六、總結(jié)與展望............................................................................................................47

《車載智能計算芯片白皮書（2023）》一、背景

智能化、面向服務(wù)的基礎(chǔ)架構(gòu)、軟件定義汽車等已經(jīng)成為各大汽車廠商競相追逐的熱點和差異化

的焦點。高算力域控制器、智能座艙、輔助駕駛、自動駕駛等人工智能算法應(yīng)用越來越受到各大汽車

制造商、汽車零部件供應(yīng)商、算法和系統(tǒng)集成商的重視和關(guān)注，并迅速成為投資和競爭的重點。軟件

和算法在智能駕駛汽車中越來越重要而且成為了差異化競爭的關(guān)鍵。軟件價值的提升意味著未來汽車

更多的創(chuàng)新將集中在電子和軟件部分。領(lǐng)先的底層架構(gòu)、出色的軟件迭代、持續(xù)優(yōu)化和不斷進化的硬

件技術(shù)，將加速整個汽車行業(yè)的轉(zhuǎn)型與變革。隨著芯片技術(shù)、硬件技術(shù)、軟件技術(shù)、人工智能、深度

學(xué)習(xí)算法等迅猛發(fā)展，智能計算已是大勢所趨，車載智能計算軟硬件平臺和服務(wù)的競爭在汽車行業(yè)中

將會越來越激烈。

據(jù)IHS調(diào)研的數(shù)據(jù)顯示，中國購車消費者對于智能座艙科技的關(guān)注度要高于美國、日本、英國等

多個國家，對于座艙智能科技水平的關(guān)注僅次于安全配置，甚至超過動力、價格、能耗等指標。據(jù)

HIS調(diào)研預(yù)測，到2030年，汽車智能座艙的全球市場規(guī)模將達到681億美元，而中國市場規(guī)模將超過

1600億元；全球占比將超過37%，成為全球主要的智能座艙消費市場。另據(jù)Tractica預(yù)測，2025年

汽車人工智能硬件、軟件和服務(wù)市場將達到265億美元。麥肯錫的一份調(diào)研也顯示，2030年全自動駕

駛汽車可能占全球乘用車銷量的15%，2040年時，將上升到80%。自動駕駛目前是一個相對新生的

市場，相信隨著人工智能技術(shù)、法律監(jiān)管的完善以及消費者接受度的提升，自動駕駛市場會進一步擴

大。

當然，人工智能技術(shù)是實現(xiàn)汽車智能化的最核心要素之一，它包括機器學(xué)習(xí)、深度學(xué)習(xí)、自然語

言處理、計算機視覺等軟件工程、算法的演化。其中算法模型的演化需求，以及紛繁復(fù)雜的應(yīng)用場景，

極大驅(qū)動了車載智能計算芯片創(chuàng)新。

今年以來，ChatGPT的驚人效果標志著人工智能領(lǐng)域的又一次重大里程碑，同時還掀起了一場深

刻的軟件開發(fā)變革，這就是大數(shù)據(jù)和大模型驅(qū)動的軟件開發(fā)2.0新范式，將在未來的數(shù)年內(nèi)深刻影響

車載智能計算的發(fā)展路徑。

4《車載智能計算芯片白皮書（2023）》

與PC、手機的發(fā)展歷史所展現(xiàn)的規(guī)律一樣，智能計算芯片演進速度在極大程度上決定了整車智能

化的演進速度，是產(chǎn)業(yè)發(fā)展的風向標，今天，在智能汽車百年巨變的時代背景下，車載智能計算芯片

迎來了高速發(fā)展的機遇期。

智能汽車未來將有機會在實現(xiàn)“零事故”、“零排放”和“零擁堵”的宏偉愿景中發(fā)揮重要作用。本報告

將從車載智能計算趨勢與挑戰(zhàn)、軟件定義汽車趨勢、車載異構(gòu)計算芯片，以及軟硬協(xié)同設(shè)計角度，闡

述車載智能計算軟硬件平臺的發(fā)展機遇與創(chuàng)新實踐。

二、車載智能計算趨勢與挑戰(zhàn)

輔助駕駛、自動駕駛以及智能座艙是跨越人工智能、高性能芯片、通信技術(shù)、傳感器技術(shù)、車輛

控制技術(shù)、操作系統(tǒng)等基礎(chǔ)軟硬件以及功能安全要求等多領(lǐng)域的系統(tǒng)工程，落地技術(shù)難度大，主要體

現(xiàn)在如下幾點：

1.傳感器及控制單元復(fù)雜繁多

車輛中的傳感器與各種電子電氣系統(tǒng)的信息傳輸與控制都由汽車電子控制器(ECU)完成，ECU在

制動系統(tǒng)、變速系統(tǒng)、懸架系統(tǒng)、安全系統(tǒng)、驅(qū)動系統(tǒng)，以及自動駕駛、輔助駕駛、智能座艙等都有

廣泛應(yīng)用，據(jù)統(tǒng)計2019年中國汽車單車ECU數(shù)量大約為20–30個，目前的智能化較高的車型，主

要ECU數(shù)量可能超過100個。

5《車載智能計算芯片白皮書（2023）》

圖一：自動駕駛傳感器及軟件

如圖一所示，自動駕駛主要分為感知層、決策層和執(zhí)行層。感知層主要通過激光、攝像頭、GPS、

陀螺儀等傳感器獲取車輛所處環(huán)境和車輛狀態(tài)信息，比如：行人檢測、車輛檢測、車道線檢測、紅綠

燈識別、交通標識牌識別、障礙物識別和車輛定位等；決策層根據(jù)路線規(guī)劃、所處的環(huán)境以及車輛自

身狀態(tài)等規(guī)劃下一步具體行駛?cè)蝿?wù)（車道保持、換道、跟車、超車、避撞等）、行為（加速、減速、

轉(zhuǎn)向等）和路徑（行駛軌跡）；執(zhí)行層則基于車輛動力控制系統(tǒng)對車輛進行轉(zhuǎn)向、制動、驅(qū)動等控制，

使車輛按照既定行駛策略行駛。

智能化汽車帶來了更加紛繁復(fù)雜的電子零部件ECU通過軟件與通信協(xié)議協(xié)調(diào)工作，給車身電子電

氣架構(gòu)、開發(fā)成本、車身重量等帶來極大挑戰(zhàn)。

2.環(huán)境感知融合帶來實時數(shù)據(jù)處理挑戰(zhàn)

智能汽車需要處理傳感器（攝像頭、激光雷達、雷達和超聲波）捕獲的海量數(shù)據(jù)，它必須提供實

時反饋，例如交通狀況、事件、天氣狀況、路標、交通信號等。需要每秒數(shù)萬億次計算操作（TOPS）

6《車載智能計算芯片白皮書（2023）》

來同時處理多個具有挑戰(zhàn)性的任務(wù)（例如，對象提取、檢測、分割、跟蹤等）。根據(jù)LucidMotors的

研究人員測算，智能汽車每小時各種傳感器累計產(chǎn)生的數(shù)據(jù)量大約為1.4TB-19TB。

來源：StephanHeinrich,LucidMotors,FlashMemorySummit2017

圖二：車載傳感器數(shù)量及帶寬

L2級別及以下的駕駛輔助系統(tǒng)所需處理的數(shù)據(jù)量小且算法模型簡單，因此小算力芯片與算法的強

耦合即可滿足系統(tǒng)需求。隨著激光雷達等高性能傳感器的量產(chǎn)上車以及智能駕駛系統(tǒng)算法的泛化性提

升，面向量產(chǎn)乘用車的全場景自動駕駛點到點通行鏈路正逐步打通。對于L3級別及以上的智能駕駛系

統(tǒng)而言，傳感器數(shù)量的增加及多路高分辨率攝像頭帶來海量實時環(huán)境感知數(shù)據(jù)，外加算法模型的復(fù)雜

程度不斷增加，計算平臺的處理能力面臨巨大挑戰(zhàn)。

3.算法模型尚不能很好應(yīng)對長尾場景

超過95%的車禍是由于各種人為錯誤造成的，但是對于完全自動駕駛技術(shù)量產(chǎn)而言，在倫理、法

律要求下，AI技術(shù)不成熟導(dǎo)致車禍是不能容忍的。使用更先進的AI模型算法，采用更為完備的訓(xùn)練標

注數(shù)據(jù)，雖然可以提高自動駕駛的安全性和準確性，然而，極端情況仍然是需要人類駕駛者來干預(yù)，

至少目前為止還沒有算法可以解決所有的極端場景。

7《車載智能計算芯片白皮書（2023）》

即便隨著自動駕駛汽車不斷的里程突破，很多時候在人類看來是非常低級錯誤的自動駕駛事故案

例也時有發(fā)生。從自動駕駛算法角度來看，每一個低級失誤導(dǎo)致的事故案例，都反映了AI算法或者模

型的不完備性，我們是無法接受自動駕駛算法犯低級錯誤，哪怕錯誤概率低至0.01%。

模型的泛化性不佳是其中的重要原因之一，突破點在于通用人工智能（AGI，ArtificialGeneral

Intelligence）理論和算法的進展，以及與之適配的計算平臺架構(gòu)。

4.AI算法演進周期快于智能芯片設(shè)計周期

當前，AI算法演進周期跟智能芯片設(shè)計周期之間的矛盾非常突出。AI算法演進速度非常快，在過

去10年時間里，差不多每年都有會新的深度學(xué)習(xí)算法模型出現(xiàn)。據(jù)統(tǒng)計，大概每14個月，新的模型

就能將計算效率提升一倍，但典型的車載芯片開發(fā)周期需要三年。算法優(yōu)化會對計算平臺架構(gòu)帶來巨

大的挑戰(zhàn)，計算平臺架構(gòu)必須根據(jù)算法的特點進行特定優(yōu)化，才能保持足夠的計算效率和性能。

這種進化速度上的不匹配，對芯片公司的算法能力提出更高要求，需要對算法的發(fā)展趨勢進行預(yù)

判，前瞻性地將其計算特點融入到芯片架構(gòu)設(shè)計當中，使得芯片經(jīng)過三年的研發(fā)，在推出市場的時候，

仍然能夠很好地適應(yīng)最新的主流算法，同時保證能滿足關(guān)鍵應(yīng)用需求。通過軟硬結(jié)合，能保持很高的

硬件利用率，達到真正意義上向后兼容軟件算法創(chuàng)新，這是非常難的。

5.大算力低功耗的車載智能計算芯片方案缺乏

不斷迭代的算法和模型，都對AI基礎(chǔ)硬件計算平臺提出更為苛刻的計算要求。當下，多數(shù)自動駕

駛技術(shù)都在基于GPU（圖形處理芯片）進行AI（深度神經(jīng)網(wǎng)絡(luò)）計算。但GPU不像定制芯片（ASIC）

那樣高能效比或具有成本效益。最大的問題之一是功耗，要使L3以上的工作完美無缺，我們需要

1000瓦以上的功耗來處理來自多個攝像頭、雷達、激光雷達等的實時海量數(shù)據(jù)。巨大的能耗需求，對

電動汽車的電量存儲發(fā)起巨大挑戰(zhàn)。

8《車載智能計算芯片白皮書（2023）》

自動駕駛等級傳感器數(shù)量算力需求(TOPS)

L215+2+

L320+20+

L425+300+

L530+4000+

來源：智能汽車算力平臺方案解析

表一：自動駕駛等級與算力需求

6.功能安全是底線

功能安全指電子電器及其相關(guān)軟件本身，通過其內(nèi)置的安全機制，將傷害人類或損壞物品的潛在

風險降低到可容忍的范圍。在航空、工業(yè)、公共交通等領(lǐng)域中功能安全標準已經(jīng)存在很多年，但是道

路上行駛的汽車在功能安全上面臨更多的挑戰(zhàn)：

?成本

汽車作為非常重要的交通工具，早已走入千家萬戶，汽車作為日常消費品，市場競爭非常充分，

用戶對于價格非常敏感。航空、工業(yè)以及公共交通等領(lǐng)域可靠性要求更高，涉及功能安全可以通過更

多的冗余設(shè)計達到，而各大汽車制造商在成本控制上則要苛刻得多，在成本可控的前提下，達到功能

安全標準則面臨更多的權(quán)衡和挑戰(zhàn)。

?使用場景

汽車使用場景和范圍非常寬泛，作為全天候高頻使用，且不同駕駛?cè)藛T使用習(xí)慣不同，外加一般

車輛的使用周期8-10年，在此期間關(guān)鍵零部件需要能始終保持正常運轉(zhuǎn)，可靠性測試驗證的周期長、

復(fù)雜度高。

9《車載智能計算芯片白皮書（2023）》

?市場新需求

伴隨著軟件技術(shù)、硬件技術(shù)以及人工智能等數(shù)字化技術(shù)日益完善成熟在多個領(lǐng)域，特別是在移動

互聯(lián)網(wǎng)領(lǐng)域取得了的巨大成功，當代人們對于汽車的需求已經(jīng)不滿足于傳統(tǒng)交通工具屬性，轉(zhuǎn)而對舒

適性、安全性、可靠性、娛樂性等提出了更多要求，新技術(shù)突破與市場新需求共同推動著汽車技術(shù)革

新，但功能安全仍然是汽車產(chǎn)業(yè)的最核心、最重要的關(guān)切點。數(shù)字化、新能源等技術(shù)在汽車功能安全

維度，還缺乏相應(yīng)的測試及驗證方案，這也讓新技術(shù)導(dǎo)入到汽車工業(yè)面臨更多的挑戰(zhàn)。

?預(yù)期功能安全

汽車產(chǎn)業(yè)功能安全標準ISO26262推薦對隨機硬件失效采用定量分析，而最新的自動駕駛AI算法

雖然已經(jīng)提出了許多數(shù)據(jù)驅(qū)動設(shè)計的方法，不過深度神經(jīng)網(wǎng)絡(luò)的可解釋性、穩(wěn)定性以及魯棒性方面仍

然存在很多未解決的技術(shù)問題，因此ISO26262并不適合機器學(xué)習(xí)特別是深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用，預(yù)期

功能安全SOTIF（SafetyoftheIntendedFunctionality）ISO21448也是在這一背景下誕生，SOTIF

關(guān)注系統(tǒng)運行時發(fā)生的超出預(yù)期設(shè)計的場景或者超出部件性能限制的情形，以及人為因素對于系統(tǒng)的

影響，適用于輔助駕駛、自動駕駛、人機交互等。但是對于未知的不安全場景，我們沒有辦法窮舉或

者消除，只有通過不斷驗證和迭代系統(tǒng)開發(fā)，直到系統(tǒng)滿足選定的指標。ISO21448也提供了一套完

整的流程方法（verification&validation）來減小這部分的風險。

三、軟件定義汽車

軟件定義汽車（SoftwareDefinedVehicle，簡寫：SDV）隨著2012年特斯拉電動汽車的推出而

廣為人知，它主要基于特定的汽車硬件平臺上，通過軟件來實現(xiàn)相關(guān)功能和特性，其周期貫穿汽車生

產(chǎn)、制造、銷售以及后續(xù)服務(wù)等階段，軟件定義汽車可以提供越來越復(fù)雜的安全和保護功能、更高級

別的系統(tǒng)自主性以及接受各種功能和安全機制相關(guān)的軟件更新能力，除此之外，還將提供例如防盜、

在發(fā)生索賠時支持保險公司的信息、警報或緊急情況通知等高級服務(wù)和應(yīng)用。軟件定義汽車代表了汽

車從硬件平臺逐漸邁向智能化、可擴展、可不斷升級的移動物聯(lián)網(wǎng)終端的轉(zhuǎn)變。

10《車載智能計算芯片白皮書（2023）》

在過去，汽車消費者往往通過馬力、扭矩、外觀等特性來區(qū)分不同汽車。如今的消費者越來越多

期待軟件定義的新功能，例如駕駛輔助系統(tǒng)、自動駕駛、車載娛樂和智能網(wǎng)聯(lián)等。這些需求的演變催

生了新的商業(yè)模式和新的工程研發(fā)協(xié)作方式。

1.軟件定義汽車的驅(qū)動力

1.1用戶習(xí)慣與預(yù)期需求

據(jù)東吳證券數(shù)據(jù)顯示，2021Q1，全球智能手機的滲透率高達90%，智能手機與移動互聯(lián)網(wǎng)在過

去15年左右時間的興起與繁榮，硬件的性能持續(xù)提升，新技術(shù)層出不窮，軟件生態(tài)、軟件應(yīng)用的價值

都獲得了巨大的市場回報。雖然手機生產(chǎn)廠商通常每半年到一年推出新款手機設(shè)備，但是消費者無需

購買最新款手機硬件，僅通過系統(tǒng)升級和軟件更新，也可以體驗性能提升和更多功能。消費者在智能

手機和移動互聯(lián)的使用習(xí)慣和意愿上，成功延伸至汽車領(lǐng)域，比如車載信息娛樂、智能網(wǎng)聯(lián)、人機交

互等產(chǎn)品形態(tài)。

1.2提升用戶體驗，降低服務(wù)成本需要

車輛信息娛樂、遠程信息處理或車輛診斷系統(tǒng)的軟件升級不再需要前往經(jīng)銷商或者4S店。SDV

能夠接收無線（OTA）更新，其中包括安全補丁、信息娛樂改進、自動駕駛、輔助駕駛等車輛核心功

能的調(diào)整，甚至也包括動力總成和車輛動力學(xué)的調(diào)較和監(jiān)控。除此之外，ECU、傳感器、執(zhí)行器以及

用戶行為等都會產(chǎn)生大量數(shù)據(jù)，這些數(shù)據(jù)有機會完成本地實時分析或者發(fā)送到云端處理，使主機廠能

夠深入了解汽車狀態(tài)和用戶使用習(xí)慣，并改進汽車軟件生命周期管理、開發(fā)個性化功能，與消費者建

立更深入、更緊密的服務(wù)關(guān)系。

1.3軟件、算法是汽車工業(yè)“四化”的重要根基

汽車產(chǎn)業(yè)朝著電動化、智能化、網(wǎng)聯(lián)化以及共享化發(fā)展，汽車作為一個包含機械動力的數(shù)字化信

息終端，許多重要的功能特性需要借助軟件和算法來完成，比如智能語音控制車內(nèi)空調(diào)溫度，檢測駕

駛員是否疲勞駕駛等。除此之外，汽車全身通常都有超過100個ECU，甚至多個攝像頭、毫米波雷達、

11《車載智能計算芯片白皮書（2023）》

激光雷達、超聲波雷達等各種傳感器，這些傳感器數(shù)據(jù)都會實時匯總，輔助駕駛員安全駕駛，其中大

量的實時數(shù)據(jù)處理，需要有相應(yīng)的軟件系統(tǒng)收集、分析、處理并形成實時的決策控制信號。

據(jù)統(tǒng)計，相比波音787飛機代碼行約為650萬行，目前中高端汽車的軟件代碼超過1.5億行，軟

件占汽車生產(chǎn)總成本約10%，相信隨著更多軟件、算法、應(yīng)用的部署，軟件占總成本將逐步提高，甚

至超過總車成本50%。

1.4價值鏈遷移，軟件將成為新的業(yè)務(wù)增長點

伴隨汽車電子的興起，汽車行業(yè)迎來了技術(shù)革新潮流，汽車零部件競爭激烈，價值和利潤率越來

越低，傳統(tǒng)汽車銷售模式在汽車交付給終端消費者的時候，銷售即完成。相較于特斯拉汽車的銷售模

式，在汽車交付之后，通過FOTA（FirmwareOver-The-Air）或者SOTA（SoftwareOver-The-Air）

等方式完成汽車軟件更新升級，持續(xù)收取用戶服務(wù)費用，例如預(yù)裝特斯拉FSD硬件的汽車消費者，可

以以每月199美元的費用訂閱Autopilot自動駕駛服務(wù)，軟件訂閱模式意味著已售車輛在將來還會持續(xù)

為特斯拉公司貢獻收入，也為軟件定義汽車帶來新的營收價值。

2.系統(tǒng)架構(gòu)革新

電子電氣架構(gòu)（簡稱EEA），指汽車上所有的電子和電氣部件，以及這些部件之間的拓撲結(jié)構(gòu)和

連接線束。當下汽車以分布式EEA為主，一個ECU對應(yīng)一個或者少數(shù)幾個功能，每個ECU包含嵌入

式軟件，并通過CAN、FlexRay等總線技術(shù)連接。通常主機廠只是根據(jù)市場需求不斷增加ECU和調(diào)

整線束拓撲，車載線束已經(jīng)變得非常冗余且拓撲結(jié)構(gòu)復(fù)雜，智能車引入三電系統(tǒng)（動力電池、驅(qū)動電

機和電控系統(tǒng)）則進一步加劇了EEA的復(fù)雜程度，特別是智能座艙、自動駕駛需要更多的ECU和傳

感器，但傳統(tǒng)分布式EEA已經(jīng)碰到傳輸瓶頸，算力和總線信號傳輸速度遠遠落后于電動化和智能化需

求，繼續(xù)沿用現(xiàn)有分布式EEA來完成不斷演變的智能汽車功能需求，成為了不太可能完成的任務(wù)。

2.1電子電氣架構(gòu)革新是硬件基礎(chǔ)

12《車載智能計算芯片白皮書（2023）》

當下，大多數(shù)量產(chǎn)汽車都是采用分布式電子電氣架構(gòu)，一輛汽車有多個小型固定功能電子控制單

元（ECU），它們由許多不同的供應(yīng)商設(shè)計，軟硬件高度耦合，如果需要新增功能，相應(yīng)的ECU和軟

件需要改動，車內(nèi)線束等可能也需要改變，帶來更多系統(tǒng)集成、驗證等工作，成本極高，因此在功能

升級方面，不具備靈活性。域集中式電子電氣架構(gòu)則將同一功能域下的多個ECU整合到域控制器中，

降低鏈接的復(fù)雜性，也同時縮短線束長度，降低成本和重量，典型域控制器是車載信息娛樂系統(tǒng)

（IVI）、數(shù)字駕駛艙、ADAS/AD和電源、底盤和車身。未來，隨著功能更強大的異構(gòu)、專用SoC的

出現(xiàn)，中央集成式電子電氣架構(gòu)（車輪上的數(shù)據(jù)中心）將進一步整合域控制器，高性能服務(wù)器芯片將

取代多個域控制器系統(tǒng)，傳感器終端僅包含低功耗、實時計算ECU，這些ECU將進行邊緣預(yù)處理，

然后將數(shù)據(jù)轉(zhuǎn)發(fā)到高性能中央計算單元進行高速處理。

隨著電子電氣架構(gòu)的不斷演進變革，計算硬件單元更加集中，ECU芯片的數(shù)量也會大幅減少，軟

件不再基于特定的ECU來開發(fā)，而是具備可移植性、可擴展性，也更容易迭代更新，當然對計算芯片

的性能要求也會越來越高，由于計算趨于集中，支持不同工作負載的高性能異構(gòu)計算芯片（System

onChip）和標準化的編程接口，將會是軟件定義汽車功能的硬件基礎(chǔ)。

圖三：電子電氣架構(gòu)演進

13《車載智能計算芯片白皮書（2023）》

2.2面向服務(wù)架構(gòu)是軟件基礎(chǔ)

2.2.1面向信號架構(gòu)（SignalOrientedArchitecture）

面向信號架構(gòu)是分布式電子電氣架構(gòu)中汽車軟件的常用開發(fā)架構(gòu)，由于ECU的功能是固定的，彼

此通過LIN/CAN等總線進行點對點通信，軟件提前編寫并固化在ECU內(nèi)運行，隨著汽車功能越來越

多越來越復(fù)雜，ECU的數(shù)量也急劇增多，微小的功能改動都可能會引起整車通信甚至其它ECU軟件

的更新，這種架構(gòu)不具備靈活性和擴展性，開發(fā)和驗證的成本非常高。

2.2.2面向服務(wù)架構(gòu)（ServiceOrientedArchitecture）

面向服務(wù)架構(gòu)（ServiceOrientedArchitecture，簡稱SOA）在軟件、信息通信領(lǐng)域是非常成熟、

常見的軟件架構(gòu)設(shè)計理念，它鼓勵提供抽象訪問接口和模塊化軟件組件的方式，讓軟件模塊很容易在

不同場景下復(fù)用，通常以SoftwareDevelopmentKits（SDK）、軟件庫、以及遠程調(diào)用的方式提供，

上層系統(tǒng)通過復(fù)用和自由組合既有軟件模塊，可以實現(xiàn)快速開發(fā)特定的功能，并能降低測試驗證成本

和開發(fā)周期。高內(nèi)聚、松耦合、可擴展性強是SOA架構(gòu)的核心特點。

圖四：智能汽車SOA架構(gòu)示意圖

14《車載智能計算芯片白皮書（2023）》

2.2.3異構(gòu)計算硬件與系統(tǒng)軟件

硬件定義了SOA的能力邊界，底層硬件通常包括核心的AI計算單元，通用計算單元以及控制單

元（包括各種傳感器、執(zhí)行器ECU等）。系統(tǒng)軟件則提供了豐富的硬件訪問抽象接口、虛擬化、應(yīng)用

操作系統(tǒng)、實時操作系統(tǒng)以及各種通信協(xié)議封裝等功能。異構(gòu)計算硬件與系統(tǒng)軟件的接口標準化以及

它們的軟件開發(fā)者生態(tài)，決定了應(yīng)用開發(fā)者的準入門檻。采用ArmCPU計算核心的車載SoC平臺，

很容易實現(xiàn)虛擬化并與Linux、Android、RTOS、GCC編譯器、Java虛擬機等系統(tǒng)軟件完美集成，為

上層應(yīng)用開發(fā)者提供與手機、桌面、數(shù)據(jù)中心等應(yīng)用幾乎相同的開發(fā)、調(diào)試體驗，讓移動互聯(lián)網(wǎng)的開

發(fā)者近乎無縫將大量功能代碼模塊遷移到車載應(yīng)用軟件中。

3.云原生技術(shù)極大提升研發(fā)效率

隨著汽車系統(tǒng)軟件的復(fù)雜性越來越高，特別是自動駕駛、輔助駕駛等新型應(yīng)用的誕生，應(yīng)用程序

代碼變得日益復(fù)雜，為了快速滿足各種不斷變化的消費者需求，由此產(chǎn)生的軟件開發(fā)、部署和管理方

式也有別于傳統(tǒng)車載嵌入式系統(tǒng)開發(fā)。云原生開發(fā)模式降低了整個云基礎(chǔ)設(shè)施行業(yè)的成本、時間和復(fù)

雜性，非常適用于汽車應(yīng)用開發(fā)，其中基于微服務(wù)容器架構(gòu)，可以大量復(fù)用工作負載的基礎(chǔ)技術(shù)代碼，

以及模塊化部署方式，這些都在傳統(tǒng)的智能手機和企業(yè)應(yīng)用中已經(jīng)得到了大量的驗證。

云原生技術(shù)有利于企業(yè)在公有云、私有云和混合云等新型動態(tài)環(huán)境中，構(gòu)建和運行可彈性擴展的

應(yīng)用，能夠構(gòu)建容錯性高、易于管理和便于觀察的松耦合系統(tǒng)。結(jié)合自動化手段，云原生技術(shù)使工程

師很容易對系統(tǒng)進行頻繁的代碼變更。云原生技術(shù)對于汽車應(yīng)用開發(fā)而言，意味著轉(zhuǎn)向基于云的開發(fā)

模式，實現(xiàn)在云端開發(fā)軟件并直接部署于邊緣端的汽車上。開發(fā)者隨時隨地部署和測試汽車軟件應(yīng)用，

極大縮短車載系統(tǒng)應(yīng)用的開發(fā)和部署周期。

15《車載智能計算芯片白皮書（2023）》

圖五：云原生的虛擬仿真與真實部署

3.1.1云原生技術(shù)與車載研發(fā)融合

關(guān)鍵應(yīng)用與常規(guī)應(yīng)用混合編排簡化部署復(fù)雜度：車載軟件在本質(zhì)上可以是同時部署運行關(guān)鍵應(yīng)用

和常規(guī)應(yīng)用微服務(wù)的。關(guān)鍵應(yīng)用對安全性和實時性的要求更高，相應(yīng)的微服務(wù)從硬件資源調(diào)度和依賴

的軟件庫必須得到相應(yīng)的優(yōu)先級部署。比如某些微服務(wù)可能需要滿足ISO26262規(guī)范定義的ASIL-B/

ASIL-D的完整性級別，引入經(jīng)過安全認證的編譯器、運行框架或者SDK，這些編譯器和工具將作為基

于微服務(wù)容器的一部分進行集成。另外，現(xiàn)有的云原生基礎(chǔ)設(shè)施及容器編排技術(shù)，可以感知軟硬件特

征，特別是嵌入式車載硬件系統(tǒng)的功能特性，按照需求把相應(yīng)的微服務(wù)部署到最合適的節(jié)點上，并以

最佳方式運行。

快速云端仿真驗證測試：車載系統(tǒng)開發(fā)人員可以在云端運行模擬運行軟件系統(tǒng)。彈性可擴展是云

計算非常重要的特性，作為DevOps基礎(chǔ)架構(gòu)的一部分，云可以提供大量的硬件資源，方便開發(fā)者提

供大量的數(shù)據(jù)輸入，模擬成百上千的真實使用場景，甚至可以同時在數(shù)千個云端服務(wù)器節(jié)點上啟動執(zhí)

行。這種大規(guī)模的仿真測試，如果在實際的車載嵌入式系統(tǒng)中來完成，需要的時間會極其漫長。根據(jù)

Arm對客戶的初步調(diào)查，大約70%的車載軟件系統(tǒng)模擬測試，是完全可以基于彈性云環(huán)境執(zhí)行的。

16《車載智能計算芯片白皮書（2023）》

車載硬件計算平臺與軟件系統(tǒng)同步開發(fā)：從軟件開發(fā)人員的角度看，基于云的執(zhí)行環(huán)境和汽車邊

緣計算環(huán)境之間，實現(xiàn)指令集架構(gòu)(ISA)和CPU架構(gòu)對等，意味著可以進一步降低開發(fā)成本和周期。

以基于Arm的車載計算平臺為例，開發(fā)者可以在AWS的Graviton（ArmCPU）實例上編寫、測試和

運行應(yīng)用，實現(xiàn)完整的端到端基于ArmCPU技術(shù)的云到汽車邊緣計算，開發(fā)人員甚至可以不用交叉編

譯代碼，在車載硬件計算平臺沒有量產(chǎn)前，就可以在非常貼近實際場景中完成驗證。編譯器和模擬器

也可以最大效率利用硬件計算資源，避免因最終部署環(huán)境的不一致，導(dǎo)致大量程序代碼異常在與車載

計算硬件平臺集成時才暴露。

3.1.2SOAFEE云原生開發(fā)框架

SOAFEE是車廠、一級供應(yīng)商、半導(dǎo)體、軟件和云技術(shù)頭部企業(yè)等攜手合作，為軟件定義汽車開

發(fā)了基于開放標準的新架構(gòu)，它用經(jīng)過驗證的云原生增強技術(shù)，與汽車應(yīng)用中必需的實時和安全功能

一起運作，快速無縫地滿足軟件定義汽車的應(yīng)用需求開發(fā)。此外，由這些企業(yè)組成的特別興趣小組

（SIG，SpecialInterestGroup）還為SOAFEE定義了參考實現(xiàn)，通過開源軟件的形式免費發(fā)布，以

實現(xiàn)廣泛的原型設(shè)計、工作負載探索和早期開發(fā)。Arm與頭部商用解決方案供應(yīng)商攜手合作，最大限

度地提高兼容性，也為功能安全設(shè)計提供更快的途徑。

4.邊緣算力預(yù)埋與車云協(xié)同計算提升汽車長期價值

隨著SOA的域集中式EEA的逐步應(yīng)用普及，以及車端算力的快速增長，智能汽車將成為一個移

動的超級計算機，車端軟件復(fù)雜度也將不斷提升，并逐漸形成多個分層：OS/Middleware層，AI與大

數(shù)據(jù)層，數(shù)據(jù)智能的應(yīng)用層。憑借算力、軟件和通信的能力、智能汽車具備可持續(xù)迭代的能力，也將

有越來越多的數(shù)據(jù)驅(qū)動智能應(yīng)用在智能汽車上出現(xiàn)，包括智能座艙、輔助駕駛、智能診斷、用戶行為

模型、智能熱管理、智能底盤等。而在車端數(shù)據(jù)的采集和智能應(yīng)用的運行均依托車載智能計算，大數(shù)

據(jù)開發(fā)則集中在云端，為了提高數(shù)據(jù)采集、算法部署的效率，需要通過中間件軟件來封裝車云異構(gòu)。

17《車載智能計算芯片白皮書（2023）》

案例一：智協(xié)慧同的車云協(xié)同計算方案

智協(xié)慧同的EXCEEDDATA車云計算解決方案采用了Codeless+Serverless+Middleware的技術(shù)理念打造了

一套跨車云的計算架構(gòu)，不僅封裝了車云異構(gòu)，同時封裝了車端的復(fù)雜度和車型異構(gòu)，幫車企實現(xiàn)了數(shù)據(jù)采集→數(shù)

據(jù)加工→數(shù)據(jù)閉環(huán)→數(shù)據(jù)生態(tài)的全棧數(shù)據(jù)驅(qū)動能力。

案例二：智協(xié)慧同的車云同構(gòu)計算

18《車載智能計算芯片白皮書（2023）》

智能場景的實現(xiàn)需要車載智能計算與云計算的協(xié)同，為了讓汽車產(chǎn)品保持量產(chǎn)后的可持續(xù)迭代能力，往往需要

預(yù)置足夠的算力確保智能汽車的持續(xù)進化。車載計算模塊通常會部署在采用Arm架構(gòu)的域控制器或者中央網(wǎng)關(guān)上，

EXCEEDDATA邊緣計算的中間件軟件（邊緣計算引擎和時序數(shù)據(jù)庫）往往部署在ArmCortex-A系列的CPU上運

行，實現(xiàn)對車端海量數(shù)據(jù)的解析、計算、壓縮和存儲。計算引擎能夠調(diào)用一些復(fù)雜的算子，在車端進行窗口識別、

特征提取乃至機器學(xué)習(xí)等運算。這也就意味著，一旦有較為充足的算力可以被調(diào)用，那么在車端實現(xiàn)一些復(fù)雜多樣

的計算場景，不僅可以有效的將算力轉(zhuǎn)變?yōu)闃I(yè)務(wù)和商業(yè)價值，而且可以持續(xù)的提升用戶移動出行體驗。但在智能汽

車初期，車企在車端缺乏冗余算力的規(guī)劃，導(dǎo)致產(chǎn)品后續(xù)迭代空間有限，這一點有望隨著算力的增長和邊緣計算的

發(fā)展而得到新的突破。

四、異構(gòu)計算芯片

不同于手機、桌面、數(shù)據(jù)中心或者一般邊緣計算場景對于智能計算芯片的需求，從軟件定義汽車

的角度，汽車終端智能計算芯片必須承載幾乎所有的關(guān)鍵核心計算任務(wù)如實時響應(yīng)、神經(jīng)網(wǎng)絡(luò)計算、

圖像處理、通用計算等異構(gòu)計算等。安謀科技的IP產(chǎn)品基本覆蓋各種計算場景，如圖六所示，SoC芯

片開發(fā)商可以根據(jù)計算類型和密集程度，選擇相應(yīng)的IP計算核心組合，加速車載芯片研發(fā)周期。

圖六：安謀科技車載芯片不同場景算力IP方案示意

19《車載智能計算芯片白皮書（2023）》

不同場景的計算任務(wù)對于性能和功能需求很不一樣。比如AI計算的數(shù)據(jù)源包括視頻、圖像、音頻、

傳感器數(shù)據(jù)等。安謀科技的計算IP核心產(chǎn)品主要分類如下：

?CPU（中央處理單元）是一種通用任務(wù)處理器，非常適合運行復(fù)雜的邏輯串行任務(wù)，安謀科

技CPU產(chǎn)品根據(jù)系統(tǒng)復(fù)雜度和場景，劃分3個大系列：

oCortex-A：高性能、高吞吐流水線作業(yè)，支持多核并行運行、軟件管理中斷、現(xiàn)代操

作系統(tǒng)支持（如Linux），并提供高級編程模型接口，常見于高性能應(yīng)用程序運行場景，

比如海量信號數(shù)據(jù)格式轉(zhuǎn)換；

oCortex-R：實時數(shù)據(jù)處理，軟件管理中斷，快速中斷響應(yīng)以及多核支持，常見于需要

實時性要求非常苛刻的場景，比如汽車制動和轉(zhuǎn)向控制器；

oCortex-M：為面積、功耗以及實時操作系統(tǒng)（RTOS）特別優(yōu)化的處理器，提供簡單

編程模型接口，由硬件管理中斷，適用于功耗要求非常高的場景，比如藍牙鑰匙、胎

壓監(jiān)測等；

?GPU（圖形處理單元）是用于高速圖形渲染的處理器，因其有多個高度并行內(nèi)核（可以多

達數(shù)百甚至上千個微內(nèi)核）處理數(shù)學(xué)矩陣運算，通常用于圖形渲染操作，也可以完成部分AI

算子并行計算加速。

?NPU（神經(jīng)網(wǎng)絡(luò)處理單元）是為深度神經(jīng)網(wǎng)絡(luò)推理而定制的邏輯電路實現(xiàn)，具有低功耗、速

度快和占用硅片面積小的優(yōu)點，支持多種神經(jīng)網(wǎng)絡(luò)算子，支持運行時編程動態(tài)支持不同深度

神經(jīng)網(wǎng)絡(luò)模型的高效推理。

?ISP（圖像信號處理器）是將圖像傳感器（比如一個或者多個攝像頭信號數(shù)據(jù)）實時轉(zhuǎn)化成

多種格式的數(shù)據(jù)輸出，方便人類觀看或者其它機器視覺應(yīng)用進一步處理。

?Security（信息安全）是一個包含硬件、軟件、工具包，支持應(yīng)用程序不可知的安全子系統(tǒng)，

跨多樣化系統(tǒng)提供安全服務(wù)的方案。

20《車載智能計算芯片白皮書（2023）》

車輛控制、智能座艙、輔助駕駛、自動駕駛等場景和通常的邊緣計算場景相比，需要更高的性能，

更低的功耗，更及時的響應(yīng)，更可靠穩(wěn)定，更保密安全，且成本可控，以滿足安全駕駛的苛刻需求。

車載應(yīng)用開發(fā)往往需要同時使用上述多種異構(gòu)計算單元提供算力保障，不同計算單元協(xié)同工作，平衡

工作負載，構(gòu)建最具成本效益和高性能的芯片配置，需要芯片設(shè)計廠商針對場景優(yōu)化。

1.車載智能計算SoC架構(gòu)

輔助駕駛和自動駕駛運行時軟件與芯片硬件是緊密耦合的，從汽車行業(yè)發(fā)展趨勢看，域集中式電

子電氣架構(gòu)和更為激進的中央集中式電子電氣架構(gòu)是產(chǎn)業(yè)發(fā)展方向，無論是哪一類電子電氣架構(gòu)，車

載SoC都會更加復(fù)雜，需同時具有多路傳感器接口（包括攝像頭、雷達、超聲波雷達、激光雷達等）、

通信、GPU、VPU、ISP、NPU、高性能APCPU等功能模塊，以及應(yīng)對車載環(huán)境對于信息安全和功

能安全的特殊需求，這些都需要完整無縫銜接運行，并且可以支撐上層各種特定虛擬化軟件應(yīng)用。

如圖七所示，安謀科技提供了車載智能計算SoC所需要的幾乎全部核心IP，以及底層硬件計算單

元配套的驅(qū)動、編譯器、工具鏈等系統(tǒng)軟件集等，以滿足虛擬化和上層應(yīng)用開發(fā)所需的仿真、調(diào)試等

快速開發(fā)、測試和部署運行需求。

圖七：安謀科技車載智能SoC概念設(shè)計方案

21《車載智能計算芯片白皮書（2023）》

2.能耗與性能

2020年6月，權(quán)威雜志《科學(xué)》發(fā)表MIT、英偉達和微軟研究人員的聯(lián)合論文，論文指出：隨著，

隨著摩爾定律放緩，AI計算性能提升在于軟件工程，算法，硬件架構(gòu)聯(lián)合優(yōu)化，行業(yè)正在迎來頂層設(shè)

計的黃金時代。

來源：CharlesE.Leiserson,etc.Science368,1079(2020)5June2020，MIT、Nvidia、Microsoft

圖八：后摩爾時代的計算效能提升

該論文從側(cè)面揭示了一個重要趨勢：隨著AI計算的興起，計算規(guī)模擴大了2～3個數(shù)量級，算法、

軟件和架構(gòu)開始引領(lǐng)芯片創(chuàng)新，行業(yè)進入了軟件定義智能計算芯片時代。

車載智能計算芯片上，AI計算加速器（深度神經(jīng)網(wǎng)絡(luò)加速器）的能耗通常較大，靈活可配置的系

統(tǒng)架構(gòu)，可以極大降低功耗，提高性能，降低晶體管數(shù)量，讓PPA（Performance、Power、Area）

達到最優(yōu)，但達到這個目的，通常有如下技術(shù)難點：

22《車載智能計算芯片白皮書（2023）》

2.1突破馮·諾伊曼“瓶頸”

傳統(tǒng)馮·諾伊曼計算架構(gòu)，程序和數(shù)據(jù)保存在內(nèi)存中，處理器和內(nèi)存是分開的，數(shù)據(jù)在兩者之間移

動。這種計算架構(gòu)導(dǎo)致數(shù)據(jù)在內(nèi)存和處理器間的傳輸延遲不可避免。例如DDR最高帶寬理論值約為

30-80GB/s，且隨機數(shù)據(jù)訪問時的帶寬要遠低于理論值。而一次深度神經(jīng)網(wǎng)絡(luò)的推理過程涉及的計算

中間數(shù)據(jù)量遠高于此，比如：VGG16網(wǎng)絡(luò)有138.36M個權(quán)重參數(shù)，一次推理過程需要154.7G次乘累

加運算。深度神經(jīng)網(wǎng)絡(luò)加速器（NPU）最重要的優(yōu)化手段之一是降低對內(nèi)存訪問的頻率，有利于降低

系統(tǒng)功耗，并縮短推理計算的延遲。比如根據(jù)不同類型場景需求中的神經(jīng)網(wǎng)絡(luò)模型特性，設(shè)定NPU內(nèi)

SRAM大小，降低DDR內(nèi)存訪問的概率。甚至當模型無法全部一次性加載到NPU中時，也可以通過

靈活的數(shù)據(jù)替換策略和對稀疏矩陣數(shù)據(jù)優(yōu)化壓縮等手段，大大降低內(nèi)存訪問頻率和帶寬延遲。

2.2靈活性與性能的平衡

基于深度神經(jīng)網(wǎng)絡(luò)推理的NPU，包含大量乘加操作以及標量數(shù)學(xué)運算單元，由于神經(jīng)網(wǎng)絡(luò)算法不

同，其網(wǎng)絡(luò)結(jié)構(gòu)也會有較大差異，因此在定制相應(yīng)的AI加速器單元時，往往操作粒度越細靈活度越高，

NPU內(nèi)部實現(xiàn)也更加復(fù)雜，反之靈活度低，甚至只支持特定網(wǎng)絡(luò)模型，但是NPU內(nèi)部實現(xiàn)則相對簡

單。安謀科技“周易”NPU內(nèi)部包含標量處理單元（ScalarUnit）、張量處理單元（TensorProcessing

Cluster）以特定AI操作（FixFunction）硬件加速單元實現(xiàn)，并定義了一套完備的AI推理計算的指令

集，并通過上層系統(tǒng)軟件驅(qū)動以上模塊協(xié)同交互，完成基于各種深度神經(jīng)網(wǎng)絡(luò)類型的推理計算任務(wù)，

實現(xiàn)運行效率和通用性的兼顧。

2.3通用性和專用性兼顧

通用型AI推理處理器，由于內(nèi)部復(fù)雜且有部分冗余設(shè)計，與特定神經(jīng)網(wǎng)絡(luò)模型加速的處理器相比，

性能很難做到絕對優(yōu)勢，一些NPU廠商會通過固化部分常用運算算子，確保針對特定模型算法也有顯

著加速效果。安謀科技“周易”NPU本身配合專有工具鏈和編譯器，能支持數(shù)百個各類音視頻及其它數(shù)

據(jù)類型的神經(jīng)網(wǎng)絡(luò)應(yīng)用，并在架構(gòu)設(shè)計上已經(jīng)特別優(yōu)化支持VisionTransformer、3D神經(jīng)網(wǎng)絡(luò)等，對

處理像素級別處理應(yīng)用等均有很好的性能優(yōu)化。

23《車載智能計算芯片白皮書（2023）》

2.4可變推理量化比特精度

在推理準確率允許范圍內(nèi)，降低推理時的量化比特精度，既可以大大降低運算單元的計算量，又

能減少存儲容量需求，還可以降低存儲器讀寫頻次。安謀科技“周易”NPU的基本計算單元設(shè)計成可配

置的權(quán)重精度，支持INT4、INT8、INT12、INT16、FP16等。多種推理數(shù)據(jù)類型支持，兼顧了推理精

度和效率，比如在推理精度滿足需求的前提下，用戶可以選用INT4的權(quán)重值；創(chuàng)新性的INT12支持，

既可以滿足像素級別處理的神經(jīng)網(wǎng)絡(luò)推理精度要求，同時帶寬、存儲低于INT16，從而提高能效比。

2.5多核調(diào)度

雖然NPU單核內(nèi)部運算已經(jīng)是并行計算，但是同一時間只會有一個推理計算任務(wù)進行。先進的多

核方案，能夠使單塊SoC硅片充分發(fā)揮硬件的算力，每個計算核心可以完成不同的推理計算或者多個

計算核心共同完成同一個推理計算任務(wù)，理論上算力可以做到并行疊加，甚至可滿足數(shù)千TOPS算力

需求。不過多核設(shè)計中，系統(tǒng)軟件對于多核任務(wù)的調(diào)度優(yōu)化十分重要，需要合理將任務(wù)分配到不同計

算核心并監(jiān)控其運行狀態(tài)，隨著并行任務(wù)的增多，任務(wù)調(diào)度器本身也會成為性能瓶頸。安謀科技“周

易”NPU多核架構(gòu)則采用先進的硬件任務(wù)調(diào)度管理器，相比使用控制處理器（如CPU、DSP等）來調(diào)

度多核任務(wù)的架構(gòu)設(shè)計，能夠克服隨著算力增加而產(chǎn)生調(diào)度瓶頸的問題，并且可以使HostCPU軟件

設(shè)計和維護更加簡化和高效。

3.功能安全

涉及到安全應(yīng)用的汽車芯片必須滿足系統(tǒng)的ISO26262要求，其中包括半導(dǎo)體IP，處理子系統(tǒng)、

嵌入式存儲器等。功能安全強調(diào)應(yīng)對兩類失效：系統(tǒng)性失效和隨機硬件失效。對于前者除了公司層級

需要具備合規(guī)的功能安全流程外，更需在產(chǎn)品研發(fā)的生命周期下嚴格遵循功能安全流程，從而將系統(tǒng)

性失效的風險控制在對應(yīng)汽車安全完整性等級（ASIL）要求的范圍內(nèi)。對于后者可用失效模式影響和

診斷分析進行定量證明，芯片內(nèi)的功能安全機制是可以保證診斷覆蓋率，達到或者超過ISO26262相

應(yīng)的ASIL要求。

24《車載智能計算芯片白皮書（2023）》

圖九：功能安全兩類失效類型

針對隨機硬件失效的各種失效模式，需要有相應(yīng)的功能安全機制進行應(yīng)對。包括用于保護內(nèi)部

SRAM和傳輸中數(shù)據(jù)的糾錯碼(ECC)、探測硬件死鎖(deadlock)的watchdogtimer、探測寄存器內(nèi)容

故障的Parity、針對復(fù)雜邏輯的硬件冗余和鎖步、以及探測門級隨機硬件失效所需運行的軟件自測庫

等等。由此可見，為了應(yīng)對隨機硬件失效，額外的硬件及軟件安全機制的設(shè)計均是不可或缺的。在具

體的產(chǎn)品開發(fā)實踐中，以安謀科技開發(fā)的STAR-MC2為例，該處理器使用了以下機制來實現(xiàn)錯誤的檢

測和處理：

?處理器設(shè)計了內(nèi)存保護單元，安全態(tài)標記單元等進行軟件訪問權(quán)限管理，保護軟件系統(tǒng)的正確

運行；

?處理器設(shè)計了異常處理單元，允許對包含硬件錯誤、指令執(zhí)行錯誤、內(nèi)存訪問異常、取指令異

常等錯誤行為進行相應(yīng)的處理和糾正；

?處理器的存儲器和總線接口上，引入ECC（錯誤數(shù)據(jù)糾正）或者Flopparity（校驗）設(shè)計，對

存儲數(shù)據(jù)讀寫錯誤進行檢測和糾正；

?處理器設(shè)計了一個可編程的內(nèi)建存儲自測試模塊，可以對存儲單元進行測試；

?處理器設(shè)計了一個可編程的內(nèi)建軟件自測試模塊，可以通過軟件對處理器自身進行覆蓋性測試。

25《車載智能計算芯片白皮書（2023）》

雙核異步互鎖（參考）設(shè)計，通過兩個完全一致的處理器運行同時運行同樣的程序代碼，并對結(jié)

果進行實時比較，用冗余的方式實現(xiàn)硬件運行錯誤的實時發(fā)現(xiàn)和處理，實現(xiàn)超過99%的隨機錯誤檢測

覆蓋率，達到ISO26262ASIL-D要求；

作為硬件安全機制的補充，同時為了優(yōu)化PPA，安謀科技軟件自測庫（SoftwareTestLibrary）

被廣泛用于芯片產(chǎn)品中。從功能安全的角度來看，STL的設(shè)計開發(fā)與使用需要從以下幾個維度進行綜

合考慮：

3.1運行階段

一般來說STL可以在啟動和運行兩個階段為芯片提供安全保障。在啟動階段，STL可以檢測硬件

安全機制的有效性，從而有效避免潛在故障。在運行階段，STL可以通過不同的激勵和測試向量支持

芯片故障的實時在線檢測。根據(jù)不同的系統(tǒng)上下文，STL可以有不同的觸發(fā)模式。

3.2運行平臺

STL作為一種軟件安全機制，其安全運行除了需要在軟件開發(fā)過程中所采用的各種系統(tǒng)性的方法

論來保證安全外，還需要安全的硬件運行平臺。從STL運行環(huán)境來看這個問題，STL的指令需要能夠

安全的執(zhí)行，并且STL軟件棧需要被保護以避免其他無安全要求的軟件棧的干擾。

3.3診斷能力

作為安全機制，STL需要為硬件提供足夠的診斷能力。STL診斷能力通常會以ASILB級別的隨機

硬件失效診斷能力為目標。對于十分復(fù)雜的設(shè)計，有時候往往需要STL與各種硬件安全機制相互配合

來實現(xiàn)最終目標。

3.4系統(tǒng)能力

軟件系統(tǒng)能力是由開發(fā)過程決定的，無法在項目完成后提升。雖然，STL提供的診斷能力只有

ASILB，但是，有時STL往往會與ASILD的軟件棧同步運行。所以，有的STL雖然為硬件提供的是

26《車載智能計算芯片白皮書（2023）》

ASILB的診斷能力，但是，往往有ASILD的系統(tǒng)能力要求。這主要是為了方便用戶在集成過程中減

少免干擾分析方面的工作量。

3.5系統(tǒng)集成

STL一般獨立于HAL并專屬于特定硬件，STL根據(jù)會應(yīng)用或RTOS的指令有選擇的執(zhí)行硬件測試

并且通過特定的API反饋測試結(jié)果。STL可以通過調(diào)度器支持用戶配置不同的測試組。用戶還可以通

過特定API來改變STL行為模擬硬件故障的進行系統(tǒng)集成測試。不過STL調(diào)用期間一般需要屏蔽外部

中斷。

4.信息安全

智能汽車的信息安全，是確保自動駕駛邊緣計算系統(tǒng)免受外部非法入侵或者攻擊的核心基礎(chǔ)。

自動駕駛汽車的安全性應(yīng)涵蓋自動駕駛邊緣計算堆棧的不同層。這些安全措施包括傳感器安全、

操作系統(tǒng)安全、控制系統(tǒng)安全和通信安全。汽車安全要求HSM（HardwareSecurityModule–硬件安

全模塊）已經(jīng)成為智能汽車的安全基礎(chǔ)，也是行業(yè)的默認標準。

“山海”SPU是安謀科技自主研發(fā)的專門應(yīng)用于汽車行業(yè)的HSM解決方案，能夠廣泛應(yīng)用于自動駕

駛芯片，智能座艙、域控制器、中央網(wǎng)關(guān)等不同的應(yīng)用場景，“山海”SPU還支持功能安全為智能汽車

芯片提供可靠的安全基礎(chǔ)能力。

27《車載智能計算芯片白皮書（2023）》

圖十：“山海”SPU架構(gòu)

在安全子系統(tǒng)“山海”SPU內(nèi)部，有專用的CPU負責處理HSM內(nèi)部的安全請求，加解密引擎是

安全子系統(tǒng)的核心，提供安全算法加速器的功能，支持國密算法SM2、SM3、SM4以及國際通用算法

RSA、ECC、SHA、AES等，并通過配置可以滿足EvitaHSM不同級別（Full、Medium、Light）的

要求。

虛擬化是智能汽車中的重要需求，“山海”SPU能夠提供多達16個虛擬機同時訪問，為隔離的不同

應(yīng)用提供安全保障。除硬件安全能力外，“山海”SPU提供了豐富的軟件庫支持智能汽車安全能力的建

立，支持系統(tǒng)廠商構(gòu)建符合行業(yè)要求的啟動方案，使車載系統(tǒng)安全快速進入Runtime狀態(tài)，啟動TEE

OS基礎(chǔ)操作系統(tǒng)，并通過STL周期性校驗HSM的健康狀態(tài)，確保系統(tǒng)的可靠性。

從軟件定義汽車角度來看，信息安全應(yīng)該是各類軟件包括操作系統(tǒng)，系統(tǒng)軟件、應(yīng)用軟件等的重

要組成部分，只有能夠在各類型軟件中把信息安全放在首位考慮建立系統(tǒng)性的信息安全方案，整車系

統(tǒng)的安全性才能得到保證。隨著強安全性要求的軟件越來越多，比如智能車鑰匙、FOTA、身份認證，

數(shù)據(jù)的安全存儲和傳輸?shù)龋琀SM在汽車軟件系統(tǒng)中的地位越發(fā)關(guān)鍵，“山海”SPU為這些強安全場景的

28《車載智能計算芯片白皮書（2023）》

軟件及整車的軟件安全提供基礎(chǔ)安全能力，包括提供運行態(tài)的安全根，加解密能力以及密鑰和機密信

息的存儲等能力，是建立系統(tǒng)信息安全的核心安全部件。

五、車載智能計算軟硬協(xié)同優(yōu)化

車載智能計算場景中，人工智能推理技術(shù)對應(yīng)的軟件、硬件和算法是非常重要的。無論智能座艙，

輔助駕駛或是自動駕駛，包含CPU、NPU、GPU等功能模塊芯片（SoC）是承載計算的核心基礎(chǔ)硬

件平臺，基于硬件基礎(chǔ)平臺，與軟件、算法適配協(xié)同，才能充分挖掘算力，使芯片在實際應(yīng)用中發(fā)揮

出性能優(yōu)勢。

1.自動駕駛算法向端到端大模型演進

案例三：自動駕駛端到端大模型行業(yè)研究案例

自動駕駛算法正在向感知決策一體化大模型的方向發(fā)展。2023年6月22日，在計算機視覺領(lǐng)域頂級會議CVPR

上，來自上海人工智能實驗室、武漢大學(xué)等學(xué)者的論文Planning-orientedAutonomousDriving獲得最佳論文，這是

CVPR歷史上首篇以自動駕駛為主題的最佳論文。

論文中提出“感知決策一體化”的自動駕駛通用大模型UniAD，該算法直接使用傳感器輸入，通過對學(xué)習(xí)人類駕駛

行為，采用完整的端到端系統(tǒng)，實現(xiàn)完整的全場景自動駕駛。該系統(tǒng)最大優(yōu)勢在于：其行駛范圍幾乎等同人類駕駛

范圍ODD（OperationalDesignDomain，即運行設(shè)計域，指自動駕駛系統(tǒng)被設(shè)計起作用的條件及適用范圍）場景，

不需依賴高精地圖，只需依賴導(dǎo)航地圖，即可實現(xiàn)。

UniAD建立了以全局任務(wù)為目標的自動駕駛大模型架構(gòu)。第一次將檢測、跟蹤、建圖、軌跡預(yù)測，占據(jù)柵格預(yù)

測以及規(guī)劃，整合到一個基于Transformer的端到端網(wǎng)絡(luò)框架下，并將各項任務(wù)通過token的形式在特征層面，按照

感知-預(yù)測-決策的流程進行深度融合，實現(xiàn)了自動駕駛系統(tǒng)算法性能的全面提升。UniAD在nuScenes數(shù)據(jù)集中的所

有任務(wù)表現(xiàn)均達到State-of-the-art，并且在預(yù)測和規(guī)劃中的效果表現(xiàn)遠超其他模型。

29《車載智能計算芯片白皮書（2023）》

UniAD端到端模型構(gòu)架

基于BEV+Transformer的端到端自動駕駛大模型實現(xiàn)感知決策一體化

面對自動駕駛海量長尾場景的挑戰(zhàn)，大模型已經(jīng)表現(xiàn)出巨大的潛力，目前這一“BEV+

Transformer”的模型需要上億級別的參數(shù)量。在未來十年，端到端的模型需要更大參數(shù)規(guī)模，甚至到

千億級、萬億級以上，從而提高自動駕駛系統(tǒng)的自適應(yīng)性、穩(wěn)定性、準確性和持續(xù)進化能力。

同時，隨著算法的日益復(fù)雜，原先簡單的大規(guī)模并行計算架構(gòu)也難以為繼，智能計算與邏輯計算

開始深度耦合，例如，為了實現(xiàn)更高效率的稀疏化等優(yōu)化手段，通過CPU對數(shù)據(jù)進行調(diào)度，可以實現(xiàn)

更好的NPU計算利用率，因此，NPU算力的增長會同步帶動對于CPU算力的需求。

2.軟硬協(xié)同優(yōu)化的難點

芯片設(shè)計、生產(chǎn)與場景落地往往是不同的廠商參與，芯片設(shè)計和生產(chǎn)由于其一次性投入非常大，

特別是針對汽車的智能計算芯片而言，只有足夠的場景覆蓋才會有較大出貨量，所以車載芯片在其設(shè)

計之初就會保留一定通用性。對于特定場景的軟件開發(fā)團隊而言，一方面需要與芯片及基礎(chǔ)軟件開發(fā)

團隊通力合作，通過軟件優(yōu)化的方式充分發(fā)揮芯片及硬件的計算效能；另外一方面，通用芯片很難針

30《車載智能計算芯片白皮書（2023）》

對所有場景都實現(xiàn)特別優(yōu)化。因此，實際場景中的計算性能發(fā)揮往往與芯片最佳性能差距較大，其中

的難點主要體現(xiàn)在如下幾個方面：

2.1AI算法迭代創(chuàng)新周期很快

人工智能領(lǐng)域軟件迭代的速度非常快，據(jù)斯坦福大學(xué)以人為本人工智能研究所發(fā)布的《2022年人

工智能指數(shù)報告》指出，2021年全球人工智能相關(guān)的公開專利數(shù)量超過14萬件，是2015年的30

倍，年復(fù)合增長率高達76.9%。因此，固化的硬件設(shè)計難以滿足日益增長的算力需求和日新月異的算

法演化需求，特別是在車載計算硬件平臺，一旦發(fā)布，則存在于汽車的完整周期，要滿足未來8-10年

的軟件和算法迭代，選定合適的硬件計算平臺，甚至預(yù)埋部分額外算力，可以與未來的軟件、算法升

級適配的是非常重要的。

圖十一：全球人工智能專利數(shù)統(tǒng)計

2.2AI模型計算模式差異性大

31《車載智能計算芯片白皮書（2023）》

車載AI應(yīng)用目前以推理為主，算法模型是在云端提前訓(xùn)練好，下載部署到車端，但是目前不存在

一個統(tǒng)一的深度神經(jīng)網(wǎng)絡(luò)模型，適用于所有的AI場景，往往不同具體場景有多種類型的算法模型適用，

這些不同類型的模型共同驅(qū)動AI推理芯片的架構(gòu)演進。

比如早期CNN模型采用若干個卷積層作用于輸入圖像以生成低維特征，然后再將幾個全連接層

用作分類器產(chǎn)生識別結(jié)果的輸出；ResNet則主要基于稠密矩陣，使用了多分支和并行層，以實現(xiàn)多尺

度采樣和避免梯度消失；而對于推薦系統(tǒng)而言，可能需要非常大的甚至跨越節(jié)點才可以存放下的稀疏

矩陣模型；還有近年關(guān)注度較高的Transformer模型等等，他們的并行性、網(wǎng)絡(luò)結(jié)構(gòu)、計算依賴性、

網(wǎng)絡(luò)層數(shù)、模型大小、以及數(shù)據(jù)訪問模式都不盡相同，這給都AI加速器設(shè)計增加不少挑戰(zhàn)。

2.3端到端異構(gòu)計算流水線設(shè)計與參數(shù)調(diào)優(yōu)復(fù)雜

異構(gòu)計算是車載高性能AI應(yīng)用的典型流水線作業(yè)計算方式，既復(fù)用了傳統(tǒng)CPU的成熟軟件生態(tài)，

也可以結(jié)合場景，用特定硬件加速器完成AI推理、前處理和后處理，真正做到兼顧性能延遲、功耗、

成本等。從軟件與算法角度，需要對AI任務(wù)進行分割，確認相應(yīng)的硬件加速器使用，建立合理的計算

流水線以及設(shè)定相應(yīng)的處理參數(shù)和調(diào)度策略，確保環(huán)境感知數(shù)據(jù)通過不同步驟（硬件加速單元）不會

出現(xiàn)明顯的瓶頸，這都需要建立在大量的實驗數(shù)據(jù)分析上，才能得到最佳的優(yōu)化配置。

案例四：地平線真實計算效能計算公式

32《車載智能計算芯片白皮書（2023）》

地平線的技術(shù)專家提出，智能計算芯片的性能通過FPS（FramesPerSecond）更能夠反映AI芯片的真實計

算性能。

2.4指令集定義兼顧靈活性和性能

指令集架構(gòu)（ISA）是對計算機計算模型的明確規(guī)范，它定義了軟件如何控制芯片。ISA充當硬件

和軟件的接口，并明確了處理器單元能夠做什么以及如何完成，也是用戶能夠與硬件交互的唯一方式。

它是匯編語言程序員、編譯器編寫者和應(yīng)用程序程序員可以看到的機器編程手冊。ISA定義了支持的

數(shù)據(jù)類型、寄存器、硬件如何管理主內(nèi)存、微處理器可以執(zhí)行的指令以及輸入/輸出模型等。

硬件加速算子粒度是確保架構(gòu)可編程性、實現(xiàn)軟件優(yōu)化、適應(yīng)未來算法演進需求的關(guān)鍵，在此基

礎(chǔ)上，定義完備且穩(wěn)定的指令集，在軟件和硬件迭代不同步的情況下，仍然可以通過微架構(gòu)和芯片制

造工藝的改進提升，實現(xiàn)應(yīng)用整體性能的朝高吞吐量、低功耗、小面積和低帶寬方向優(yōu)化。

“周易”NPU指令集是專門為AI處理器設(shè)計的一套異構(gòu)指令集，以傳統(tǒng)VLIW為基礎(chǔ)，包含可編程

標量，矢量處理器指令集和AI專用計算處理指令集，兼顧了靈活性和AI處理的高效性，并以此拓展

成可支持靜態(tài)形（StaticShape）和動態(tài)形（DynamicShape）模型輸入數(shù)據(jù)。“周易”指令集的設(shè)計思

想是面向通用AI數(shù)據(jù)處理，盡可能把AI相關(guān)的計算轉(zhuǎn)移到NPU上面執(zhí)行，并且提供編程友好的接口

來支持開發(fā)者進行自定義開發(fā)。指令集對開發(fā)者開放，開發(fā)者除了使用內(nèi)建優(yōu)化算子庫之外，更可實

現(xiàn)整個NPU的靈活編程，以滿足用戶日益增長的定制化、差異化的神經(jīng)網(wǎng)絡(luò)算法部署需求。

2.5統(tǒng)一編程模型

AI推理計算是非常復(fù)雜的過程，對于延遲要求非常高，采用多核并行架構(gòu)可以有效提高性能是高

性能SoC上的常見做法，并行架構(gòu)在數(shù)據(jù)訪問延遲、計算核心作業(yè)調(diào)度、計算核心控制、多層次緩存

結(jié)構(gòu)、虛擬化以及進程間切換等方面，涉及到編譯器、多核編程，數(shù)據(jù)壓縮、量化等眾多細節(jié)，這些

對AI應(yīng)用開發(fā)者而言并非完全透明，甚至需要開發(fā)者對性能數(shù)據(jù)進行調(diào)試、跟蹤、分析。這一整套代

碼編寫、調(diào)試涉及的SDK/API調(diào)用規(guī)范，可以簡單理解為編程模型。深入理解編程模型，需要對硬件

33《車載智能計算芯片白皮書（2023）》

架構(gòu)有一定理解，也是充分發(fā)揮應(yīng)用程序計算性能的前置條件，但是對于很多AI應(yīng)用開發(fā)者而言，理

解硬件架構(gòu)并非易事，因此統(tǒng)一的編程模型至少帶來如下好處：

編程學(xué)習(xí)曲線：對于應(yīng)用開發(fā)者而言，熟練使用同一套編程API和編程方式，有助于降低開發(fā)人

員學(xué)習(xí)成本和團隊溝通成本，提高日常開發(fā)工作效率，也有助于保持軟硬件平臺演化的一致性。比如

深度學(xué)習(xí)主流框架之一的Keras，代碼簡單很容易擴展，非常直觀的定義神經(jīng)網(wǎng)絡(luò)，初學(xué)者非常容易

入門，最初Keras為了訓(xùn)練自定義的神經(jīng)網(wǎng)絡(luò)，采用了Theano作為默認的后端實現(xiàn)來完成AI訓(xùn)練，

隨著TensorFlow訓(xùn)練框架的興起，Keras也支持TensorFlow以及其它多個AI訓(xùn)練框架為其后端執(zhí)

行器，影響了大量的AI開發(fā)者。簡單、易用、完備、高度抽象、兼容性強的API定義，對于吸引AI

開發(fā)者非常重要。

簡化調(diào)試部署：同一個系列不同版本的芯片，功能或者性能可能有所不同，芯片廠商提供統(tǒng)一的

SDK，可以屏蔽芯片實現(xiàn)細節(jié)和硬件差異，可以避免用戶代碼的改動甚至可以避免用戶代碼重新編譯。

對于AI應(yīng)用開發(fā)者而言，可以做到開發(fā)環(huán)境調(diào)試和目標設(shè)備運行基本保持一致，特別是目標設(shè)備不完

全一致時，也會極大簡化開發(fā)、調(diào)試和部署的工作量，降低成本。比如ApacheTVM項目兩個主要功

能為：將深度學(xué)習(xí)模型編譯成最小可部署的與硬件無關(guān)模塊；根據(jù)后端執(zhí)行加速器硬件特性，自動生

成和優(yōu)化模型，提高性能；ApacheTVM目前可以支持的后端比如生成CPU、GPU、瀏覽器WASM

VM以及部分自定義的NPU代碼和模型，極大簡化開發(fā)者的調(diào)試部署時間。

2.6編譯器技術(shù)

硬件執(zhí)行體設(shè)計者，會根據(jù)計算特征，將計算瓶頸相關(guān)運算固化成硬件指令，采用硬件加速單元

來完成，而編譯器開發(fā)者則需要制定規(guī)則，將軟件代碼翻譯成相應(yīng)的硬件加速指令。通常軟件和算法

會針對不同場景，使用不同的算法模型，完成相應(yīng)的計算任務(wù)，即便是同一類型的算法模型，也會根

據(jù)能效和性能需要，進行必要的參數(shù)調(diào)整。編譯器技術(shù)雖然可以幫助軟件開發(fā)者將高級語言翻譯成機

器可執(zhí)行機器語言，但是編譯器通常都是基于規(guī)則來完成機器語言的翻譯和優(yōu)化，在實際運行中，由

34《車載智能計算芯片白皮書（2023）》

于輸入條件和場景不同，編譯器無法針對運行時的場景進行優(yōu)化，此時則需要軟件工程師對芯片硬件

架構(gòu)體系有一定了解，針對場景編寫出硬件優(yōu)化的代碼，并指導(dǎo)編譯器優(yōu)化編譯。

3.NPU軟硬協(xié)同設(shè)計創(chuàng)新

對于AI芯片而言，能夠通過軟件在運行時重新配置、實時動態(tài)改變功能，以運行不同計算任務(wù)，

滿足不同場景需求至關(guān)重要。AI芯片的運行時實時動態(tài)重新配置稱為可重構(gòu)計算技術(shù)，可重構(gòu)計算技

術(shù)允許硬件架構(gòu)不變，通過軟件來完成計算任務(wù)設(shè)定，同時具備CPU的靈活性和ASIC的高性能和低

功耗，被認為是突破性的下一代集成電路技術(shù)，為AI芯片帶來了極高的靈活度和適用范圍。

可重構(gòu)技術(shù)與系統(tǒng)軟件緊密耦合，普通AI應(yīng)用軟件開發(fā)并不能直接針對AI芯片進行編程。“周

易”NPU是典型的可重構(gòu)AI芯片技術(shù)，通過CompassSDK可以完成典型AI模型的轉(zhuǎn)化和代碼編譯，

使得AI模型可以運行在包含“周易”NPUIP的芯片之上。最新發(fā)布的X2系列NPU產(chǎn)品針對自動駕駛

領(lǐng)域計算芯片，單核MAC陣列，在配置成INT8*INT8或者INT8*INT12時，可以提供10TOPS的

算力，INT16*INT16時可以提供2.5TOPS的算力，并支持混合精度神經(jīng)網(wǎng)絡(luò)推理部署。除了精度的

動態(tài)配置外，“周易”NPU還可以在運行時配置，以支持各種AI模型的動態(tài)切換。

圖十二：“周易”NPU軟件技術(shù)棧

如圖十二藍色部分所示，“周易”NPU工具鏈可以把典型的AI訓(xùn)練框架生成的模型，轉(zhuǎn)化成“周

易”NPU可執(zhí)行文件，并在轉(zhuǎn)化編譯過程中，針對目標平臺芯片進行諸如低精度量化等優(yōu)化執(zhí)行碼操作，

35《車載智能計算芯片白皮書（2023）》

極大方便AI算法和軟件工程師部署模型推理和性能調(diào)優(yōu)。目前已支持160多個常用的AI模型算子，

其開放的軟件技術(shù)架構(gòu)，也方便AI開發(fā)者自定義算子。隨著“周易”NPU技術(shù)的不斷演化，更多新的AI

芯片將不斷量產(chǎn)，軟件與算法開發(fā)者均可以借助“周易”NPU工具鏈，完成代碼模型對AI芯片產(chǎn)品的適

配、調(diào)試或者仿真測試，實現(xiàn)軟件算法開發(fā)對芯片的解耦，提高車載自動駕駛軟件的研發(fā)效率。

AI編譯器可以將機器學(xué)習(xí)模型轉(zhuǎn)換為對應(yīng)AI芯片上的運行代碼（通常作為某種形式的深度神經(jīng)網(wǎng)

絡(luò)執(zhí)行），甚至針對特定模型和目標芯片特性進行優(yōu)化。一方面軟件屏蔽了AI芯片的底層技術(shù)細節(jié)，

降低自動駕駛算法落地的工程開發(fā)難度，另外一方面，隨著算法和模型的不斷演進，對于未來出現(xiàn)的

新算法和模型支持也能做到一定程度上的支持，確保硬件平臺向后兼容性。

4.異構(gòu)感知計算流水線優(yōu)化

車載智能計算平臺在輔助駕駛或者自動駕駛場景中，對于環(huán)境數(shù)據(jù)感知有著非常苛刻的延遲要求，

其中數(shù)據(jù)傳輸及處理涉及到多個功能模塊。在SoC設(shè)計時，不同功能IP模塊往往由不同廠商提供，

針對特定場景優(yōu)化，需要這些模塊間形成可以直接通信的系統(tǒng)方案。比如：多路攝像頭及其它傳感器

輸入的環(huán)境感知數(shù)據(jù)，會實時輸入給NPU模塊。高性能的車載智能計算SoC內(nèi)部，讓NPU模塊與

GPU、ISP、VPU等模塊協(xié)同工作以達到最佳的效率是非常重要的。

安謀科技推出的DFC（DirectFrameConnection）技術(shù)，避免ISP（ImageSignalProcessor）

輸出數(shù)據(jù)寫入DRAM（延遲通常在50–100ns）內(nèi)存，然后NPU再從DRAM內(nèi)存讀取數(shù)據(jù)并處理的

過程，在芯片設(shè)計時，工程師可以根據(jù)場景需求，靈活配置DFC內(nèi)部SRAM（延遲通常在1-2ns）大

小，橋接諸如標準的“玲瓏”ISP和“周易”NPU模塊，極大降低數(shù)據(jù)延遲和功耗，提高數(shù)據(jù)處理吞吐率，

避免因數(shù)據(jù)訪問DRAM造成性能抖動。

36《車載智能計算芯片白皮書（2023）》

DFC

(SRAM)

ISP

NPU

數(shù)據(jù)總線

(DRAM)

圖十三：DFC技術(shù)示意圖

5.輔助駕駛、自動駕駛案例

案例五：地平線智駕系列產(chǎn)品

地平線是中國智能駕駛計算解決方案的頭部廠商，到目前為止，已經(jīng)推出了四代車載智能計算芯片，并開發(fā)對

應(yīng)的BPU智能計算引擎，在產(chǎn)品開發(fā)的理念上充分體現(xiàn)了前文所提到的方法論。

2018年，地平線提出了智能計算的新摩爾定律，這個定律的核心概念是端到端的計算性能優(yōu)化，而不只是理論

的峰值算力。其中包含三方面的關(guān)鍵要素：第一是在設(shè)計、工程實現(xiàn)方面的極致優(yōu)化；第二是對最先進算法的采

納，結(jié)合整個算法大發(fā)展趨勢，預(yù)判最合適自動駕駛應(yīng)用場景的最佳算法；第三是軟硬件計算架構(gòu)的聯(lián)合優(yōu)化。通

過將這三方面結(jié)合在一起，設(shè)計出端到端的計算最優(yōu)解。總體來看，設(shè)計理念就是既支持好算法，又使得它物理硬

件實現(xiàn)最有效。

這個過程中，需要軟件和硬件在算法、在工程技術(shù)上進行很多探索。自動駕駛芯片執(zhí)行的是“從感知到定位到規(guī)

控”的完整閉環(huán)，并遵循嚴格的安全標準，將車規(guī)體系對可靠性和安全性的最高要求和最佳實踐，注入到了歷代的芯

片設(shè)計和解決方案的工程實踐中。

車載計算架構(gòu)從以邏輯為主的1.0走向以智能為主的2.0時代，本質(zhì)是從規(guī)則化設(shè)計方式走向數(shù)據(jù)化設(shè)計方式。

數(shù)據(jù)驅(qū)動的方法不僅僅用于算法本身，還應(yīng)用于編譯器，通過優(yōu)化提升編譯器的算法和性能，可以將算法轉(zhuǎn)換

成計算架構(gòu)上準確執(zhí)行的長序列