自动驾驶行业专题报告：领航辅助，自动驾驶“奇点”时刻到来？(13)

芯片：大模型驱动下走向大算力&新架构
在“BEV Transformer”趋势下，算法复杂度、数据规模以及模型参数均呈指数级 提升，推动自动驾驶芯片向着大算力、新架构以及存算一体等方向演进。
1） 大算力：向数百 TOPS 算力演进。传统 L1/L2 辅助驾驶所需处理的数据量小且算 法模型相对简单，因此以 Mobileye 为代表的单目视觉 芯片算法强耦合的一体机 方案即可满足需求。但领航功能作为高阶辅助驾驶的代表，需要“更强算力 软硬 件解耦的芯片 域控制器”来满足海量数据处理与后续持续 OTA 迭代的需求。高 速领航开始向 20 万以下车型渗透，15-30TOPS 可满足基本需求，但若想要“好 用”或需要 30-80TOPS。城区领航的场景复杂程度和技术实现难度更高，目前普 遍需要搭载激光雷达，芯片以英伟达 Orin、华为 MDC 和地平线 J5 为主，算力配 置普遍超 200TOPS。而在应用“BEV Transformer”技术后，多传感器前融合 以及 2D 至 3D 空间的转化需要 AI 芯片具备更强的推理能力，因此也需要比以往 更大的算力支撑，包括更高的 AI 算力、CPU 算力和 GPU 算力。
2） 新架构：加强并行计算能力和浮点运算能力。相较于 CNN/RNN，Transformer 具有更强的并行计算能力，可加入时间序列矢量，其数据流特征有显著差别，浮 点矢量矩阵乘法累加运算更适合采用 BF16 精度。Transformer 允许数据以并行的 形式进行计算，且保留了数据的全局视角，而 CNN/RNN 的数据流只能以串行方 式计算，不具备数据的全局记忆能力。传统 AI 推理专用芯片大多针对 CNN/RNN， 并行计算表现不佳，且普遍针对 INT8 精度，几乎不考虑浮点运算。因此想要更 好适配 Transformer 算法，就需要将 AI 推理芯片从硬件层面进行完整的架构革新， 加入专门针对 Transformer 的加速器，或使用更强的 CPU 算力来对数据整形，这 对芯片架构、ASIC 研发能力，以及成本控制都提出了更高的要求。
以特斯拉、地平线为代表的厂商均“重 ASIC（即 AI 推理专用芯片），轻 GPU”。 特斯拉引领 BEV Transformer 路线，以专用 NPU（神经网络处理器）承担 AI 运 算，在 NPU 设计之初便进行了针对性优化。而地平线等后来者或需要在下一代芯 片中对 AI 推理芯片架构进行针对性优化。