集微咨询（JW Insights）认为：
- 自动驾驶进入算力角逐时代，高算力自动驾驶芯片是确定趋势；
- 根据各家目前自动驾驶芯片的量产规划与流片进程来看，预计2022年、2023年或将是高算力自动驾驶芯片进入爆发的时期，向L3以上级别进击；
- 高级别自动驾驶的量产难题不仅仅卡在算力上；
- 要实现真正的自动驾驶商业落地，不能只看算力这一指标，更要综合看包括能效（算力功耗比）、综合计算能力等多方因素。
自动驾驶进入算力角逐时代。
去年夏天的特斯拉AI Day期间，马斯克向全世界秀了秀自家全新的算力怪兽Dojo——这是特斯拉在云端进行AI训练的超级计算机，其算力据称排名全球前五。
至于为什么要自研超算 Dojo，马斯克也给过答案：“解决自动驾驶的唯一方法是解决现实世界中的 AI 问题，无论是硬件还是软件，而这也是特斯拉正在做的事情。除非一家公司具有很强的 AI 能力以及超强算力，否则很难解决自动驾驶难题。”
自动驾驶芯片的算力在过去的几年里有了很大的提升。从技术上来看，直指L5级别自动驾驶所需的1000TOPS也已经呼之欲出。比如，英伟达预计2023年向开发者提供样品的Atlan，其算力达1000TOPS，直指L5级别自动驾驶；Mobileye 也规划将在2023年量产可以支持L5级别的EyeQ6自动驾驶芯片。
但是，高级别的自动驾驶汽车依然难以真正驶出实验室。能够上路的基本是L1、L2低级别的辅助驾驶，L3级别以上的量产车型也还处于少数，L4以上真正意义的自动驾驶商业落地似乎还遥遥无期。是算力卡住了高阶自动驾驶的脖子吗？
芯片算力角逐赛 L3自动驾驶将迎来爆发年
就目前自动驾驶芯片的市场格局来看，背靠英特尔的Mobileye主要布局L1和L2市场，出货量目前占据市场70%的份额，预计在2023年会推出算力达到128TOPS的EyeQ6；英伟达则聚焦于L3及以上的市场；特斯拉自成一派，自研自用FSD芯片。
但高算力是智能驾驶芯片的确定趋势之一。因为随着自动驾驶等级的升高，自动驾驶汽车需要处理传感器对环境的感知、高精度地图精准定位、V2X信息通信、多种数据融合、决策与规划算法运算等过程，这些都会产生海量的数据，对于计算平台实时处理、分析海量数据的能力要求非常高。
英特尔推算，全自动驾驶时代，每辆汽车每天产生的数据量高达4000GB。根据地平线数据披露，自动驾驶等级每增加一级，所需芯片算力就会呈现数十倍的上升，L2级自动驾驶的算力需求仅要求2-2.5TOPS，但是L3级自动驾驶算力需求就需要达到20-30TOPS，到L4级需要200TOPS以上，L5级别算力需求则超过2000TOPS。
针对高级别自动驾驶所需要的大算力芯片的角逐，势必是个大芯片厂商下一站竞争的焦点。主流芯片厂商也早已在布局L3以上的自动驾驶芯片。
主机厂也在加速智能化转型，相继推出了上汽R汽车ES33、智己L7、极氪001等高算力智能化车型相继推出，其中一些车型未来规划可以实现500-1000TOPS的总算力。
根据各家自动驾驶芯片目前的量产规划与流片进程来看，集微咨询（JW Insights）预计，2022年、2023年或将是高算力自动驾驶芯片进入爆发的时期，车企将向L3以上级别进击。
2021年，L3级的量产车型已经在一些国家和地区上路。本田去年3月开始发售全球首款搭载L3自动驾驶系统的高级轿车“Legend”，并且得到了日本政府的上路许可。继本田之后，奔驰的L3级自动驾驶量产车型则于去年12月获得德国联邦汽车运输管理局 (KBA) 批准上路。
中国《智能网联汽车技术路线图2.0》显示，在2020年中国L2级自动驾驶的渗透率是15%，到2025年，L2-L3级的智能网联汽车销量占当年汽车总销量比例超过50%。国内长安、上汽、广汽、吉利、长城、小鹏等自主品牌，在2020年或是发布L3自动驾驶量产，或是发布了L3自动驾驶系统。
IHS Markit预计，到2025年，预计L2+L3级量产车型的市场份额将会超过50%。现在各家车企都开足马力进行研发，推动更高级别自动驾驶车型的量产。
麦肯锡预测，到2025年，63%售出的汽车将配备L2或更高级别的自动驾驶系统。到2030年，将有少量的高级别（L4及以上）自动驾驶量产车型出现在市场上。
L3及以上量产落地有哪些关键指标？
什么才是L3级别的自动驾驶？L3级别通常被定位为有条件的自动驾驶。业界公认的最起码要有以下几点能力：首先要支持自动变道，即打转向后车辆可以自行完成变换车道；第二要支持高速公路的自动导航辅助驾驶（类NOA，0-120km/h）；第三要支持市区的交通拥堵引导（TJP，0-60km/h）。
（来源：头豹研究院）
这意味着，L3不但需要多种传感器的融合，还需要强大的计算平台及具备深度学习能力的软件平台，以及高精地图+高精定位等的配合。
这其中，算力显然是关键因素。自动驾驶的三个核心环节在于感知、决策与执行。如果算力不足，那么自动驾驶汽车就无法从庞大的感知数据中，思考得出正确的决策，也就无法执行安全合理的操作。这体现在车端的即时决策，也体现在云端的算法训练。
但算力也不是唯一的指标。地平线创始人兼CEO余凯在去年征程5的发布会上就曾强调，算力只是一个技术参数，地平线更关注在实际应用场景下软件的性能表现。事实上，还有更多的细化指标将影响芯片整体的性能。把绝对算力当作衡量人工智能芯片的主要指标是一个“很大的误区”。有效算力才是更值得关注的核心，即算力的有效利用率，每瓦的有效算力，每美元的有效算力，以及算力转化为AI结果的效能（目标数量、帧率等等）。
需要强调的是，自动驾驶芯片的性能不能简单地从TOPS的数值来看，而应该是一种综合计算能力。自动驾驶是一个综合算力支撑的平衡系统，来支持不同传感器所需的完整算力，包括CPU、GPU、NPU、DSP等综合的算力。对于自动驾驶芯片更准确的描述应该是——一个异构多核架构下的计算芯片。因为它要提供给自动驾驶系统综合的计算能力，比如CPU可以给激光雷达的算法计算，包括路径规划的算法计算；GPU可以提供在泊车环境下全景算法拼接，包括虚拟的车模3D渲染；NPU则提供感知计算；ISP提供图象处理的计算能力等等。
而到了真正的量产层面，还必须考虑成本以及功耗等综合因素。因为算力就像自动驾驶汽车的第二个发动机，疯狂地掠夺着电力。特斯拉曾公布过一项数据，在驾驶辅助系统启用时，其市区驾驶里程锐减25%。还有一项研究显示，特斯拉Model 3用于AI计算的功耗，约占电池总量的13%。而功耗的上升将使芯片产生更多热量，从而降低性能。这使得原本的理论算力峰值无法真正实现。集微咨询（JW Insights）认为，低功耗高算力的人工智能芯片，将是高阶自动驾驶阶段芯片竞争的核心。这其中，算力功耗比，即能效，成为十分重要的指标。因为高能效比的芯片不仅能够为汽车节约大量的电力，还能产生更少的热能，有助于芯片模组的散热与高性能稳定运行。（校对/萨米）
