智能汽车产业研究系列（二）：硬件芯片是智能化方案的基座，软件算法是制约用户体验的核心

1 摘要 智能驾驶以集中式EE架构为依托，未来走向域融合 01E/E架构从分布式架构→域集中式架构→中央集中式架构发展。 架构走向“域融合”是未来趋势。能计算典型代表是以神经网络为代表的智能计算，会逐渐取代逻辑计算成为车载计算的核心。 软件功能的差异化和快速迭代将成为核心竞争力。软件定义汽车（SDV）与基于服务（SOA）的软件设计理念成为系统软件设计的基石。 02 硬件芯片是算力时代下汽车智能化方案的基座 好的芯片需能够做到“机器自编程+应用自适应”。高性能大算力的芯片是六边型战士，一个复杂系统通过系统级别的软硬件协同才能达到整体最优。 芯片是智驾方案最低层的数字基座。芯片厂商通过与生态合作伙伴合作的关系来为主机厂提供全栈自研能力，主机厂来决定到底是全栈还是半栈。 汽车芯片从MCU进化至SoC。车载芯片前景广阔，新能源单车搭载芯片数从2012年的500-600颗提升至2023年的1000颗+。 03 制约用户体验的核心在软件，目前各主机厂算法能力未拉开差距 制约用户体验的核心在软件与算法。算力的确会带来更多的价值潜力，但算力并不是越高越好，制约用户体验的核心在软件与算法。 特斯拉率先证实BEV+TransFormer方案可行性。算法向NeRF、TPVFormer、VoxFormer迭代进化。 04 L2+++阶段各主机厂智驾算法难以拉开差距，新车型主要卷补丁产品，未来2-5年规划决策算法将拉开车企智驾能力差距。L2+++级的销量，还是靠座舱域的舒适性/娱乐性、整车定价性价比、是否有高速/城市NOA。 风险提示 （1）新能源车场景落地不及预期；（2）地区排产计划变动；（3）产品研发不及预期等。 2 /CONTENTS 01 02 03 04 3 01 4 EE 1.1   5 → → 1.2 E/E  ECU ECU CAN 制约架构升级、影响汽车安全性能的瓶颈效应明显。 ECU部署增多，车内的线束也会随之延长，整车质量和成本增加，影响整车布置及装配  ECU DCU  域内算力集中，提高了系统功能 集成度，通信速率也有显著提升。  DCU SoC CCP ZCU 6 1.2 E/E  E/E 统一交互，实现整车功能协同。 算力集中化，算力利用率更高。 缩短整车线束长度和质量，降低故障率。 → → 车辆易于平台化，扩展性增强。 为软硬件解耦奠定基础，支撑软件定义汽车。 7 1.3 CPU  8 1.4 Hypervisor POSIX  9 1.5 SOA SOA SOA  /POSIX/ OTA 10 3 2 1 SOA SOA 1.5 SOA HMI AI L3+ L2 OEM OEM SDK SDK SOA OEM 11 1.5 E/E 软件功能的差异化和快速迭代将成为核心竞争力。软件定义汽车（SDV）与基于服务（SOA）的软件设计理念成为系统软件设计的基石，设计可解耦、可升级、易配置、高安全、个性化的软件将成为整车企业角力的主战场。 现有通信机制难以适应暴涨的数据传输需求，亟须设计高带宽、强实时、低时延抖动的车载通信机制，强化通信网络的可配置性和多通信协议的可扩展性。 结合车辆功能设计ICV专用智能控制器，实现提算力、降能耗；优化电源系统与线束系统设计理念，降低整车成本与质量。 现有基于经验的设计流程难以支撑全开发周期高精度设计，构建基于模型的设计理论和评估体系，以多元化需求为导向，强化架构软硬综合匹配、功能安全、数据安全、信息安全设计。 E/E 12 1.6 特斯拉E/E架构难以效仿，HPC+Zonal成为阶段性发展目标 HPC+Zonal成为本土品牌阶段性发展目标。 各家主机厂规划的中央集中式架构形式上并不统一。例如上汽零束的整车计算平台采用2个 HPC；广汽/长城的方案采用中央计算平台、智驾域和座舱域三大计算平台。 各家车企设计思路不同，但硬件上采用中央计算（HPC）+区域控制（Zonal）的架构方案，软件上采用SOA软件架构的设计理念已成为中国企业E/E架构发展共识。 特斯拉成为中央计算+区域控制架构先进理念 的践行者。 特斯拉智驾模块的硬件部分采用自研的FSD芯片；软件模块的操作系统基于开源Linux进行定制化裁剪，并自研中间件。特斯拉实现软硬件自主可控，既有利于加快车型功能的的迭代更新速度，同时降低了整车开发成本； 软件架构层面，采用SOA架构，便于SOTA的 部署以及云端数据的收集和分析；特斯拉E/E架构实现了中央集中式架构的雏形，CCM将智能驾驶模块、影音娱乐模块以及车内外网联模块进行集成，并共用液冷系统。 特斯拉的软件架构确保所有运行在同一车型上 的软件已整合为一个单个的逻辑系统，这意味着更少的黑盒，更简单的线束，更集成的软件，更少意外情况的出现。 数据来源：特斯拉官网，亿欧智库，芝能智芯，国泰君安证券研究13 1.7 车企多采用BEV+Transformer+占栅格网络，个性部分发展差异化              数据来源：广汽、长城、上汽、小鹏公司官网公告，特斯拉官网，亿欧智库，Multi-camera3DOccupancyPredictionforAutonomousDriving，赛博汽车，九章智驾，国泰君安      证券研究14      1.7 车企多采用BEV+Transformer+占栅格网络，个性部分发展差异化              数据来源：未来、阿维塔、吉利、红旗官网，赛博汽车，九章智驾，国泰君安证券研究15     域融合中央计算数字架构       1.7 车企多采用BEV+Transformer+占栅格网络，个性部分发展差异化  +    16 02 17 + 2.1  CPU  --- DETR,Transformer Transformer SwinTransformer,2021  InputSize CompetitorFPS Journey5FPS SwinT 224*224 165 144 DETR 800*1333 36 42 18  OS 2.1 I/O    19 2.1 GPUFPGAASIC ASIC GPU    PALGALCPLD  GPU     AMD  GPUASIC  FPGA       IBM  20 2.1 FPGACPU CPU CPU () CPU FPGA FPGA   21 2.1 Aera Performance Power TeraOperationPerSecond OPOPTOPS 1 TOPS Floating-PointOperationsPerSecond FLOPS DMIPS DhrystoneMillionInstructionsPerSecond MIPS SoC:CPU20,000DMIPSGPU100GFLOPSSoC SoC:TOPS AI *2* TOPS GPU MultiplyAccumulateMACTOPS=MAC*MAC 22 2.2 MCUSoC 智能汽车的发展对汽车的算力提出了更高的要求，传统的功能芯片已经无法满足算力需求，应运而生。 MCUvs.SoC MCU SoC ADAS IVI CPU+ RAM,ROM)+ IOPin) CPU+ DSP/ RAMROM)+GPU/ + NPU 8bit16bit32bit 32bit,64bit MHz MHz-GHz RAM( MB MB-GB 0.1-15/ IVI:10 ADAS >100 FSD) Linux) 数据来源：盖世汽车研究院23 2.2 SoC MCU CPU SoC 24 2.2 SoC HW3.0FSD FSD 2 1500 61% Marvell 1 360 7% GPS U-BLOX 1 320 7% MCU 1 260 5% PHY Marvell 2 130 5% 2 110 4% UFS 2 55 2% Flash Cypress 1 50 1% 1 40 1% LPDDR4 8 30 5% 2 30 1%   25 2.2 CPU+XPU”SoC  SoC CPU EyeQ54CPUComputerVisionProcessorsCVPDeepLearningAcceleratorDLAMultithreadedAcceleratorMACVP ASIC AlASIC BrainProcessingUnitBPU AI XavierGPU 4CPUGPU ASICDeepLearningAcceleratorDLAProgrammableVisionAcceleratorPVA FSDNPUASIC CPUGPU NeuralProcessingUnitNPU CPU+GPU+ASIC CPU+ASIC CPU+FPGA” Xeon12 AlteraArria FPGA CPU CPU+FPGA 26 2.2  L3 CPU AI CPU AI ARM AI GPUFPGAASIC MCU AI ASIL-D AI CPU 27 2.2 OEM 28 2.3 ASIL ISO26262 ASIL ISO26262 ISO26262ASIL AEC-Q100 AECAutomotiveElectronicCouncil AEC-QAEC-Q100AEC 202312 AEC-Q100 ASIL ASIL 29 2.4 SoC 3 3000 2500 2000 1500 1000 500 0 20.50% 79.5% 201220172023 SoC 2019-2023 3000 2000 1000 0 SoC % 40% 30% 20% 10% 0% 20192020202120222023 数据来源：盖世汽车研究院，国泰君安证券研究 2023SoC  934 813 1450 562438 550 120% 100% 80% 60% 40% 20% 0% 7.70% 90.80% 4.40% 52.20% 1.50% 10-20 20-30 30-40 40-50 0 SoC 2023 69.00% 31% 0.10% 43.30% 2.4 FSD BEV+Transiformer+Occupancy Model3/ModelY 自研14nmFSD 72TOPS/枚芯片 选配基础功能36000元 选配全面功能60000 XNGP BEV+Transformer+占栅格网络 G6/G9/P7i等 7nmNIVIDOrin-X*2 254TOPS/枚芯片 选配9800/年，39800/永久 ADMAX3.0 BEV+Transformer+NPN+TIN L7/8/9等 MAX系列7nmNIVIDOrin-X*2 Pro系列16nm地平线征程5*1 254TOPS/枚芯片，128TOPS/枚 芯片 标配ADpro版-35.98万元 标配ADMax版39.98万元 NAD/nop+ BEV+Transformer+占栅格网络 ES6/7/8，ET5/7，EC7等 自研5nm神玑芯片 1000TOPS+/枚芯片 选配680/月，7200/年，36000/永久 ADS