一、自动驾驶芯片概述

大家好，我是你们这堂课的主讲人。做自动驾驶芯片选型这事儿，我前前后后折腾了七八年。踩过的坑不少，积累的经验也还算有点价值。今天咱们就从最基础的开始聊——自动驾驶等级划分、芯片为什么这么重要，以及现在市面上都有哪些玩家。

1.1 自动驾驶等级划分（L0-L5）

聊芯片之前，得先搞清楚车到底要“自动”到什么程度。SAE（国际自动机工程师学会）的标准，大家应该都听过。我简单过一遍，重点说几个容易混淆的地方。

等级	名称	核心特征	典型场景
L0	无自动化	人类全权驾驶，系统仅提供警告	碰撞预警、盲区监测
L1	驾驶辅助	横向或纵向单一控制	定速巡航、车道保持
L2	部分自动化	横向+纵向同时控制，人类需监控	自适应巡航+车道居中
L3	有条件自动化	系统负责驾驶，人类需接管	高速领航辅助
L4	高度自动化	系统全权驾驶，限定区域	Robotaxi、无人配送
L5	完全自动化	全场景、全工况，无限制	终极目标，目前尚未实现

这里有个关键点——L3是个分水岭。L2及以下，出了事故是驾驶员的责任。到了L3，系统在激活状态下，责任就转移给了车企。所以你看，为什么很多厂商宣传L2.9、L2.99，就是不想碰L3这个烫手山芋。我个人习惯把L2+到L3之间的区域叫做“责任模糊带”，选芯片的时候，这个区域的算力需求差异特别大。

1.2 芯片在自动驾驶系统中的核心地位

自动驾驶系统说白了就是“感知-决策-控制”的闭环。感知靠摄像头、雷达、激光雷达，决策靠算法和芯片，控制靠线控底盘。芯片在这里扮演什么角色？

我打个比方。你想想看，传感器是眼睛和耳朵，算法是大脑的思维方式，那芯片就是大脑的神经元和神经网络。没有足够强的芯片，你算法再牛也跑不动。

具体来说，芯片承担这几件事：

• 数据处理：每秒处理数GB的传感器数据，包括图像、点云、毫米波信号。
• 算法推理：运行深度学习模型，做目标检测、语义分割、路径规划。
• 实时控制：毫秒级响应，从感知到执行延迟必须控制在100ms以内。
• 安全冗余：满足ASIL-D功能安全等级，单点故障不能导致系统失效。

我记得有一次做项目，选了一款算力看起来够用的芯片，结果实际跑起来，因为内存带宽不够，数据搬运成了瓶颈。嗯，这里要注意——算力不是唯一指标，带宽、延迟、功耗、散热都得综合考虑。

1.3 当前主流芯片厂商格局

现在市面上做自动驾驶芯片的，主要分两派：一派是通用GPU路线，一派是专用ASIC路线。我分别说说几家代表性的公司。

NVIDIA

NVIDIA是绝对的霸主，从Orin到Thor，算力一路飙升。Orin是254 TOPS，Thor直接干到2000 TOPS。他们的优势是生态成熟，CUDA、TensorRT、DriveWorks一套下来，开发效率很高。但缺点也很明显——贵，功耗高。Orin的典型功耗是45W，Thor估计要上百瓦。做量产车，散热和成本都是大问题。

Mobileye

Mobileye是曾经的王者，EyeQ系列芯片出货量巨大。他们的特点是软硬一体，算法和芯片深度绑定。EyeQ5是24 TOPS，看起来不高，但实际效率不错。不过，Mobileye的黑盒模式让很多车企不爽——你没法自己改算法，只能用它提供的功能。我接触过几家主机厂，最后都因为这个问题转向了其他方案。

高通

高通从手机跨界到汽车，Snapdragon Ride平台势头很猛。他们的优势是制程先进（5nm、4nm），功耗控制得好。SA8295P的AI算力是30 TOPS，但CPU和GPU性能很强，适合做座舱和智驾的域融合。我个人觉得，高通在性价比和生态开放性上，是NVIDIA的有力竞争者。

地平线

地平线是国内的代表，征程系列芯片从J2到J6，覆盖了从低阶到高阶的完整产品线。征程5是128 TOPS，已经量产上车。他们的优势是本土化服务好，支持客户定制，而且功耗控制得不错。我去年帮一家Tier1做选型，最后就定了征程5，因为他们的工具链对Pytorch模型支持得最好，迁移成本低。

黑芝麻

黑芝麻智能也是国内玩家，华山系列芯片主打高算力。A1000是58 TOPS，A2000号称能到200+ TOPS。他们的特点是自研了神经网络加速器IP，在特定模型上效率很高。不过，目前量产上车案例还不多，生态和工具链还在完善中。

下面这张图，是我自己整理的芯片厂商格局，方便大家直观理解。

好了，这一章的内容就到这里。自动驾驶芯片的选型，说白了就是在性能、功耗、成本、生态、安全之间找平衡。没有完美的芯片，只有最适合你项目需求的方案。下一章，我会详细讲讲芯片的核心参数——算力、带宽、功耗、安全等级，到底怎么看，怎么比。

---