您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[东吴证券]:海外观察系列之:从特斯拉、英伟达、Mobileye的视角,看智能驾驶芯片的竞争格局 - 发现报告
当前位置:首页/行业研究/报告详情/

海外观察系列之:从特斯拉、英伟达、Mobileye的视角,看智能驾驶芯片的竞争格局

交运设备2022-06-26张良卫、刘睿哲东吴证券娇***
海外观察系列之:从特斯拉、英伟达、Mobileye的视角,看智能驾驶芯片的竞争格局

2022年6月26日海外观察系列之:从特斯拉、英伟达、Mobileye的视角,看智能驾驶芯片的竞争格局研究助理:刘睿哲执业编号:S0600121070038邮箱:liurz@dwzq.com.cn证券分析师:张良卫执业证书编号:S0600516070001联系邮箱:zhanglw@dwzq.com.cn证券研究报告·行业研究·半导体 ◼智能驾驶芯片(又可称为自动驾驶芯片、ADAS芯片等),主要是让车辆能够实现自动驾驶的计算单元,是人工智能(AI)芯片的一部分,从计算机视觉(Computer Vision,CV)出发,逐步演化出了针对汽车在驾驶中所遇到场景的算法;算法有自上而下(谷歌、百度)和自下而上(特斯拉、小鹏)两种流派。在相关算法基础上,衍生出了相应的GPU(英伟达)和ASIC芯片(特斯拉、高通、Mobileye、地平线)。◼伴随着汽车智能化的加速发展,智能驾驶芯片将迎来快速扩张的阶段,成长空间很大,我们测算2021~2025该领域市场规模会从19亿美元增长到54亿美元,CAGR为30%。◼由于自动驾驶属于新鲜事物,国内外差距不大,且国内整车厂智能化转型很快,对芯片需求很大,中国厂商存在机会。◼我们推荐英伟达(NVDA.O),建议关注特斯拉(TSLA.O)、Mobileye/英特尔(INTC.O)、地平线(未上市)等。◼风险提示:政府减少对自动驾驶领域的扶持政策导致自动驾驶市场增速放缓;自动驾驶相关领域、人工智能相关领域法律趋严,导致商业化项目迟迟无法落地;自动驾驶相关技术无法达到商业化落地预期,整个产业发展缓慢等。核心观点厂家优势劣势特斯拉(1)芯片效率更高(2)可以更容易尝试新方案(3)一体化带来更快迭代速度(1)可能选错技术迭代方向(2)如果出货量较少,则研发成本偏高英伟达(1)从原有业务切入,软硬件复用性强,初始成本低(2)人工智能软硬件技术领先(1)通用性较强,可能导致效率偏低(2)如果赚钱效应不高,则该业务资源投入可能不多Mobileye(1)深耕多年,产品得到验证(2)车企使用成本低,除产品费用外,无需过多投入(1)新算法支持性弱,升级能力存疑(2)黑盒方案为主,车企无法利用数据资源高通(1)智能座舱的优势地位(2)拥有芯片研发经验(1)人工智能研发经验较少德州仪器(1)供应链管理能力强(2)产品落地经验丰富(1)人工智能研发经验较少地平线(1)算法拥有优势(2)团队以做自动驾驶芯片为主,全身心投入(3)中国供应商对中国车企吸引力强(1)公司规模相对较小华为(1)算法和芯片设计能力均非常丰富(1)受制裁导致流片出现问题2数据来源:各公司官网,东吴证券研究所表:各厂家优劣势对比 智能驾驶芯片:概览3数据来源:各公司官网,东吴证券研究所技术路线/起源厂家芯片架构车辆配备/合作商INT8算力(TOPS)芯片价格范围(美元)算法支持每瓦功耗(W)制程(nm)SOP时间传统汽车电子厂商转型瑞萨V3HCPU+ASIC博世/海拉4/提供硬件平台,提供一定算法支持2.5162019V3U60///2021恩智浦S32VRTI(软件公司)4/1.5162022E德州仪器TDA4VM百度/博世/大陆81001.5162020提供整套解决方案Mobileye(英特尔)EyeQ3CPU+ASIC奥迪A8/沃尔沃/凯迪拉克0.25610~30自带算法,算法一般是封闭的。目前声称提供修改工具,客户可进行部分优化10402014EyeQ4蔚来/理想/大众/宝马/福特/日产/广汽/长城等主力在售车型2.5301.2282018EyeQ5宝马iNext(E)/极氪00124/0.41672021通用型、平台化硬件+软件工具链英伟达XavierCPU+GPU+ASIC(少量)小鹏P7/P530100提供工具链和软件算法参考模型,客户自定义算法1122020Orin蔚来ET7/小鹏P7&G9/比亚迪沃尔沃XC90/上汽RES33/奔驰/集度/理想L9254300~5000.22572022EAtlan奔驰1000/--5(E)2023E高通Snapdragon RideCPU+GPU+ASIC宝马700/0.18652022E地平线征程2CPU+ASIC长安UNIT/奇瑞蚂蚁/上汽通用五菱420~300.125282019征程3江淮/理想One/博世/大陆5300.5162020征程5/5P长城/理想One长城/比亚迪/博世/大陆96/1281000.19572022E华为昇腾310CPU+ASIC/16/0.5122018昇腾910北汽/长城640/0.48/2022E黑芝麻A1000CPU+ASIC一汽红旗(E)、上汽(E)40/0.2162020A1000 Pro东风(E)106/0.24162022E软硬件全栈自研特斯拉FSDCPU+GPU+ASICModel3/S/X/Y73.7/自研1142019升级版FSDModel3/S/X/Y210///2022E注:表格数据截至2022年6月,其中车辆配备、芯片价格等数据可能存在短期变动的可能,芯片价格为大致的区间价格,不代表所有厂商的采购价。表:智能驾驶性能汇总 目录3、英伟达:中高端车型的首选方案4、其他中外竞争对手:创业公司+传统汽车芯片公司41、自动驾驶芯片:人工智能领域的重要落地场景5 、风险提示2、特斯拉:软硬件一体化的代表 ◆自动驾驶实现方法:环境感知:摄像头、超声波雷达、毫米波雷达、激光雷达、多传感器融合、高精地图与定位;决策规划:AI芯片、软件算法、计算平台(域控制器)、操作系统;控制执行:线控转向制动;◆自动驾驶是高阶的人工智能。与人脸、语音识别以及大数据分析等领域相比,对安全性和实时性要求更高,且由于驾驶是要和人类共同参与的,因此需要更高的认知与推理能力。◆决策软件(算法)作为自动驾驶的“大脑”,是自动驾驶的核心竞争力:主要包括视觉算法、雷达算法等传感器数据处理和融合,以及路径规划、行为决策与动作规划等部分。◆自动驾驶算法中大量运用了深度学习等AI领域的算法,因此对于自动驾驶来说,车端需要能够进行推理的AI芯片,云端需要能够进行大量数据训练的服务器芯片。自动驾驶:高阶人工智能图:自动驾驶的实现方法图:感知层使用的人工智能算法5资料来源:云脑智库,知乎,东吴证券研究所图:算法说明 芯片:通用芯片VS 专门芯片6资料来源:Semiengineering,东吴证券研究所◼最早出现的芯片可被认为是CPU,用来负责处理通用的任务。◼GPU可认为是针对图像领域的ASIC(Application-specific integrated circuit,特定场景芯片)。GPU是图形处理单元,在PC(个人电脑)早期,图形数据较为简单,主要都是由CPU来进行图形处理。随着图形显示规模的增加,CPU已经很难分出更多精力来处理图形信息,而且CPU的架构决定了其处理图形信息的效率是偏低的,因此逐渐发展出了专门处理图形信息的GPU。◼随着AI以及云计算的兴起,市场上开始出现专用程度更高的TPU、NPU等ASIC,但尚未形成完全确定的市场格局。此类芯片包括FPGA(Field-programmable gate array,可编程逻辑阵列)和针对某一类AI计算的ASIC(Application-specific integrated circuit,特定场景芯片),包括谷歌推出的TPU(张量计算单元)、特斯拉推出的NPU(神经网络计算单元)和地平线推出的BPU,虽然在某些特定计算上效率更高,但目前这些芯片的使用场景比较单一,市场规模还较小。表:不同类型芯片特点总结芯片种类CPUGPUFPGAASIC(TPU、NPU)芯片架构计算单元和高速存储单元占用的晶体管数量相当,适合串行计算晶体管大部分构建计算单元,运算复杂度低,适合大规模并行计算可编程的逻辑阵列,初始尝试成本很低。可以重新配置芯片一部分,而其余部分依然工作,对于尚未完全确定架构的情况很适合。晶体管根据算法定制,不会有冗余,功耗低、计算性能高、计算效率高擅长领域没有特定领域图像处理以及与深度学习类似的人工智能领域的并行计算等用于雷达、手机基站、军事通信等(设计需要经常升级)市场需求量大的专用领域(十万片以上的成本可能会优于FPGA)优点通用性强擅长处理图像等矩阵数据,并行运算能力强可以根据算法进行不断调整优化体积小、功耗低、计算性能高、计算效率高、芯片出货量越大成本越低缺点针对特定领域效率很低价格贵、功耗高成熟度较差,效率一般不够高算法固定、开发周期长、上市速度慢、一次性成本高、风险大专用性越来越强,特定领域效率越来越高图:牧本浪潮makimotowave对通用和专用芯片的预测 7数据来源:Jon Peddie Research,东吴证券研究所芯片行业特点:寡头格局,竞争壁垒高◼在充分的市场竞争条件下,消费级芯片是一个非常典型的寡头市场。在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。◼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。依靠高性价比获得销量分摊研发及流片费用进行下一代芯片的研发图:芯片行业逻辑图:芯片成本构成 ◆云(服务器、数字中心)和端侧(手机、智能汽车等移动端)场景中,AI芯片的运算方式有着本质性的差别:1.云端处理大批量一次性到达的累积数据(扩大批处理量,batch size),车端芯片则需要处理流数据,随着行驶(时间)陆续到来的数据;2.云端处理可以“等”数据“够了”再开始处理,车端则需要实时完成计算,尽可能得降低延迟,更勿论几秒钟的“等待”;3.在云端,任务本身是限定在虚拟世界,无需考虑与现实世界的交互。在车端则身处现实世界,每一个任务都需要考虑交互性;4.功耗和成本在车端AI芯片的考量中也占据更重的分量。◆因此,云端AI芯片更侧重于数据吞吐量和支持多种AI任务的要求,车端的AI芯片则须保证很高的计算能效和实时性要求,能够实现端侧推断,以及低功耗、低延迟甚至低成本的要求。◆我们认为,对于智能驾驶这个全新的场景来说,进行全新架构设计,才能更好地实现效率上的需求。人工智能:边缘芯片VS云芯片资料来源:Syslogic,东吴证券研究所图:车端芯片及控制器示意图图:云服务器芯片及机箱示意图 汽车芯片:从MCU到SoC9◼在特斯拉之前,汽车芯片多是指MCU芯片。MCU芯片全称为Micro controller Unit(微控制单元),又称为单片微型计算机或者单片机。它是一个是把中央处理器的频率与规格做适当缩减,并将内存、计数器、USB、A/D转换、UART、PLC、DMA等周边接口,甚至LCD驱动电路都整合在单一芯片上,形成芯片级的计算机。通常MCU只能完成较少的任务,例如开启智能雨刷,或是下车后自动落锁等等。因此,在豪车中可能拥有数百个MCU,来实现各种智能化功能。◼MCU只是芯片级的芯片,而SOC是系统级的芯片,它集成了MCU和MPU的优点,即拥有内置RAM和ROM的同时又像MPU那样强大,它可以存放并运行系统级别的代码,即可以运行操作系统。◼汽车开始经历像从功能手机到智能手机的升级。在车辆电气化集中的趋势以及对智能化和娱乐化更高的要求下,原有的MCU在算力上完全无法适应,因此像平板电脑或手机的高算力SoC(System on Chip,片上系统)甚至是PC所采用的高算力芯片开始逐渐被汽车行业所采用,汽车更像是大号的智能手机了。DMIPS:Dhrystone Million Instructions executed Per Second