近几年来，整个供应链面临“芯荒”危机，汽车制造等行业受到严重冲击；美国“芯片法案”或改变全球芯片产业形势；为了有效发展芯片产业，我国加大了对芯片行业的扶持力度。而伴随着自动驾驶高速发展并逐步进入商业化应用的新阶段，自动驾驶芯片更成为了汽车行业与芯片行业高度关注的焦点。
2022年9月14日，全球自动驾驶计算芯片引领者黑芝麻智能在北京举办“媒体技术开放日”，分享了自动驾驶行业的发展和公司战略、行业技术趋势和公司产品规划、车规芯片制造流程以及自动驾驶算法研发实践。
01拥抱开放生态，大算力赋能汽车产业协同创新
汽车已成为全产业链最关注的领域，10年前中国汽车产业选择新能源换道超车，今天已处于全球领先位置。接下来的创新焦点就是智能化，自动驾驶作为汽车智能化中非常有代表性的技术，越来越多地成为新款汽车的标配。第三方机构预计，2025年L2以上自动驾驶技术渗透率将超过25%，此前更多是L2到L3，主要是人机共驾为主。
中国汽车产业上游机会来了
黑芝麻智能首席市场营销官杨宇欣认为，就国内消费而言，无论是对自动驾驶的看法还是买单都在全球遥遥领先。“作为汽车产业上游的智能驾驶SoC芯片的市场容量将超过百亿美金。伴随智能新能源车的发展和电子电气架构的演进，软件、算法、其他周边芯片都有非常多的机会，这是中国汽车产业上游的机会。”他说。
从技术成熟周期来看，只车变得足够智能来实现自动驾驶要花很长时间。中国的重要技术路线是车路协同，将自动驾驶上升到交通维度，利用车路云网图的完整体系让自动驾驶更快实现商业化落地。
智能电动车是一个新物种，融入了很多智能化技术，是全新体验的输出，为中国汽车品牌带来了绝佳的机会，也带动了上游全产业链的发展，包括核心芯片到操作系统、软件、应用等。
集成电路规模将越来越大
汽车是集大成者，综合了电子行业几十年发展积累下来的技术，从数据平台、创新电子电气架构，到强大的基础计算平台，以及成熟可靠的零部件、软件可升级，这些对智能化底座和芯片提出了更高的要求。CPU+GPU+ISP+NPU神经网络加速器加上很多信号处理，芯片变得越来越复杂。为应对不断提升的智能汽车对功能、性能的要求，芯片变得越来越复杂，集成电路的规模将越来越大。
中国企业有望在细分赛道与美企平分天下
杨宇欣说，传统汽车MCU芯片供应商主要集中欧、美、日，卖到全世界的汽车培养了上游核心芯片供应链。现在，车中开始出现了一些相对集中化的功能组件，有了SoC芯片需求，到了智能驾驶阶段，传统汽车芯片厂商在慢慢掉队，汽车芯片领域领先的反而是非汽车领域的芯片巨头，如英伟达、高通、英特尔/Mobileye，他们看到了高性能计算对未来汽车智能化的重要性。
在行泊一体芯片量产方面，中国有一定的优势。下一代电子电气架构的演进并不会一蹴而就，从域控架构向中央计算演进有不同阶段，包括域与域的融合、多域融合芯片，最后是一个巨大的芯片把所有的功能集成起来。
中国以黑芝麻智能为代表的创业公司，一方面在挣扎生存，另一方面不断将创新体现在客户的产品中。杨宇欣表示：“得益于中国车企汽车产业中扮演的重要角色，2025年后，在中央计算架构到来时，如果中国企业做的好，有望在智能汽车领域跟美国企业在细分赛道平分天下。”
2025年是非常重要时间节点
关于“芯荒”，杨宇欣认为两到三年之内很难有质的改变，其中原因之一是除了中国外，全球MCU所依赖的成熟工艺节点车规产线都没有扩产计划，未来的机会在中国。因为需求量大，也有许多本土芯片设计企业成长起来，需要与本土车企互相配合。
美国对英伟达的限制虽未涉及汽车产品，但产业头上毕竟多了一把刀，一些车企也开始关注汽车大算力芯片的国产化替代进程。对汽车行业来说，还是要尽快在国内找到解决方案备份。在中国跟美国的技术赛跑过程中，限制只会越来越多。
由于汽车芯片非常难做，无论是IP、人才、研发成本都比消费级和工业级芯片高很多；车规芯片从研发到客户认证的产品研发周期都很长，需要企业有足够的资金储备和忍耐力，以及足够强的战略坚定性。但是，现在汽车芯片给了本土企业很大的机会，加之新的技术迭代使可选范围越来越小，车企不得不选择创新技术公司的产品。为了防止未来出现芯片供应短缺，更需要培养本土供应商。
汽车芯片的大多数关键环节已经有本土供应商，客户已经在用或在开发产品。2025年能不能上车非常关键，因为车企一旦投入大量人力、物力培养了一个成熟的供应商，再换到另一家供应商的动力会呈几何级数下降。
算法重要还是算力重要？
“算力是系统功能的边际，所以算力更重要。而作为软件的算法有很多可以妥协的方式，所以真正要实现芯片指标，芯片企业的硬件能力非常重要。”杨宇欣回答。
黑芝麻智能的终端算力平台一方面赋能汽车，让车变得越来越聪明、越来越智能，另一方面也可以赋能路的智能化。车的感知范围是250到300米，如果路变得智能，就可以无限延伸车的感知距离。当车的感知数据和路的感知数据充分融合，再配合云控平台，像一些车路协同试点案例，通过动态调节路况就可以将拥堵率降低三分之一以上。作为技术平台的延伸，黑芝麻智能已在国内几个城市开始试点，跟合作伙伴配合实现未来可以期待的自动驾驶落地。
黑芝麻智能的定位是全球自动驾驶计算芯片引领者，希望通过自己领先的芯片技术，包括结合芯片的软硬件算法能力，赋能产业形成面向车和路的各种解决方案。团队的特色在于要么来自汽车行业，要么来自芯片行业，能够结合芯片和汽车两个领域的资深专家，芯片团队有20年以上设计经验，有10年以上上百颗SoC流片和IP设计经验；汽车团队也有20年以上从业经历和量产经验。
通过跟车企紧密合作，黑芝麻智能2021年开始进入快速发展阶段。2021年很多生态合作开始落地，路端方案开始量产，还发布了最新的A1000系列芯片。2022年产品开始量产落地，发布了和江淮汽车的合作，最近还会有更多车企合作发布。前段公布的C+轮融资大约五亿美金，有了充足的资金进行技术迭代。
02引领新兴技术，产品战略未雨绸缪
从技术角度看，推动汽车电子电气架构技术演进的动力一是数据，二是算力。数据是下一代智能汽车的血液，传感器、网联化带来大量数据，传输、处理需求大大提高；功能越来越多，对数据量的需求也越来越大。只有新的电子电气架构才能保证大数据量的高速流转，进一步支撑电子电气架构所部署的功能。这一切都需要更强大算力的芯片来支撑。
功能域再度合并，重用分散算力
黑芝麻智能产品副总裁丁丁认为，传统分布式架构已无法满足用户更舒适使用、更轻松可靠驾驶、更方便出行的体验需求。将几个大的功能单元按域分成几个控制器，就可以解决功能体验的提升问题。但是，未来三年至五年，当所有的车都具备更多功能时会带来一个新的挑战，重量、成本、线缆复杂度都将严重影响整车经济性。随着半导体技术的进步，可以将几个大的功能域再度合并，重用原来分散的大量算力，保证以高安全方式管理越来越多的数据，同时以服务型架构支撑车企的售后服务。
芯片定义的考量
丁丁指出，定义芯片产品时，需要顺应以上逻辑来把握节奏，在最适当时机推出最合适的功能服务于行业变化。黑芝麻的产品组合A1000和A1000L系列已经在中国车厂商业化落地。规划的新一代芯片平台已在开发，新的技术平台对应电子电气架构的不同阶段。
A1000和A1000L定位为中大算力域控芯片，可单芯片支持行泊一体方案。随着电子电气架构的进一步集中，新一代芯片平台除了算力提升，还会采用很多电子电气架构演进的新技术，如多域融合、跨域计算、功能单元之间的隔离技术，或采用现在流行的先进封装技术。当集中化越来越强时，整车对系统或芯片的信息安全、功能安全要求也会进一步提高。
L2++或L3领航级别点对点上下高速结合地图数据的高阶行泊一体方案，基本上涵盖自动驾驶域控的三个最主要应用。市面上已有泊车芯片算力小于1T，高阶智能泊车系统大约4到8T。A1000L可以在同样成本下提供更高的算力。满足泊车传感器从100万向300万发展，加入很多新功能、识别种类更多的需要。L2+高低速融合现在用2到3个芯片，A1000L一颗芯片即可承担相同计算任务，降低车厂开发难度和成本。
如何帮客户用好芯片？
研究发现目前自动驾驶系统国产芯片量产状态比例不到3%，要让客户用好芯片，就要在参考设计上下功夫。丁丁说，今年3、4月份，针对客户提出的用了A1000，周边很多东西还是买不到的问题，从调研选型开始先行一步，以A1000为中心提前对一些国产周边芯片进行验证，形成一个初级版本的全国产化自动驾驶L2+参考设计，很受车厂欢迎。
针对电子电气架构的进一步集中，但下一代集中化大芯片不可能一蹴而就的情况，首先将智能网关和VCU计算集中到一个盒子上，由A1000承担高阶行泊一体功能，集成SOA服务、网关数据交换、自动驾驶规划控制。这个参考设计在于车厂节省大量成本。
算法是重中之重，包括支撑算法的数据、软件工具。为了让客户更好、更快地使用芯片，黑芝麻大量投入适配相关关键技术软件，包括Linux、QNX等操作系统和多家国产安全操作系统。前几个月，黑芝麻还发布了自动驾驶中间件，解决客户碰到的关键技术难点。
在算法处理方面，有专门的硬件调度核，不会耗费CPU算力，留给客户自由发挥的空间更大。在商也模式上也更加灵活，没有入门费、开发费等。基本上所有的应用场景都用一颗芯片对标，或替换其他多芯片应用系统，可以给客户带来非常可观的BOM成本下降。
黑芝麻芯片处于成熟量产状态，供应链提前锁定了合理产能，2023、2024年不会让客户在供应链上掉链子，针对大项目客户可以做到7天24小时随叫随到。
自动驾驶算力如何衡量？
针对自动驾驶算力，行业有一些不同说法。丁丁认为，硬件上设计多少个乘加器决定了卷积能力。通常做法是芯片中用了多少频率、多少赫兹计算单元，以此客观地量化芯片的真实算力。
首先，等效算力降低了精度，而自动驾驶越往高阶走恰恰需要精度越来越高；其次如果单纯为了凑TOPS，把8比特计算用4比特来算，算力可以直接翻倍，但事实上没有任何一个自动驾驶网络跑4比特。
第二，MobileNET网络主要是手机或消费类应用，所以跑的模型和功能精度要求都跟自动驾驶差很多，它已经不是车厂需要的合理的数据参考。行业共识是用实时感知的高精度ResNET架构搭建自动驾驶算法架构，而以MobileNet对标实际使用的ResNet跑分是非常不公平的事情。
第三，汽车芯片的主要量产节点是16nm，很少有100或200T的芯片。乘加器和工艺决定了芯片大小，如果讲等效算力，芯片是25×25mm，芯片中几十T算力基本占到三分之一面积。从比例上看，芯片就会变成40×40mm，但其实芯片并没有那么大。这证明了在16nm上讲的算力并不真实。
03车规芯片制造流程水很深
黑芝麻智能芯片产品专家额日特在分享智能驾驶大脑车规大算力芯片制造流程时表示，车规芯片的制造壁垒非常高，一直都是业内关注的话题。传统汽车时代是以系统为主，智能网联电动化汽车芯片的数量和种类明显提升，汽车芯片产业链流程和其他行业也有很大不同。
他说，继PC和智能手机后汽车电子成为了又一个芯片制造强劲增长的引擎。一直专注于大算力、车规及自动驾驶计算芯片的黑芝麻智能处在产业链中游，上游产业是设备和材料供应商。芯片设计涉及方方面面，包括系统集成和仿真，以保证系统能够正常工作；然后会交到晶圆制造工厂做成芯片，最后是封装测试。
做车规芯片需要定力
车规芯片和消费类芯片有很多不同，工艺落后于消费类，首先车规设计IP都需要有相应的车规认证，包括自研IP和第三方IP都要符合车规功能安全认证。和其他消费类相比，最主要的半导体工艺区别是汽车使用环境比消费类严苛很多；另外车规芯片要保证10年稳定供应，15年内芯片不会出现任何问题。
种种严苛条件决定了汽车芯片在设计、制造、封装等环节需要严苛的测试和很长的认证流程；在生产制造中，代工厂的机台要和其他消费类产品分开，不能转厂。汽车芯片设计考验的是一个企业对于产品的准确市场定位，而且要在三到四年内坚定实现最初的既定目标。
失效率、封装和软件设计相得益彰
电子元器件的失效率分布是一条典型的浴缸曲线，随着时间推移失效率会进一步提升。根据功能安全认证指标，需要模拟相应的工作时长推导出符合车规要求的产品失效率，现在汽车芯片追求的失效率基本上为零。
封装也很关键，封装工厂也需要专门的车规认证。同样，自研IP和外购IP都需要有相应的车规认证，才能够给代工厂生产。可靠性测试流程主要是确保排除晶圆生产缺陷和封装缺陷，确保得到一个合格的芯片产品。早期失效测试需要800多颗芯片，时间在半年左右。如果有失效需要从头再来，顺利情况下需要差不多一年的时间。
在软件设计中，也要遵循包括ASPICE流程或IATF16949流程认证，整体上确保芯片相配的软件能够做到和硬件相应的功能安全等级。
黑芝麻A1000L和A1000平台化方案基本上覆盖了市面上所有的渗透率比较高的自动驾驶辅助和自动驾驶功能，现在的Drive N、Drive S和Drive B平台，加上下一代计算平台Drive T，将构建一个Drive BEST平台矩阵，推进中国自动驾驶不断发展。
04自动驾驶算法剑指商业化
在分享自主研发的算法、AI工具链和AI开发流程时，黑芝麻智能系统架构高级经理仲鸣表示，黑芝麻智能A1000芯片是具有非常高的算力的多核处理器，现阶段主要针对NOA（城市领航辅助）相关应用。
黑芝麻智能提供几个层次的产品，包括很多生态伙伴的自主创新开发板和SDK、中间件、深度学习工具链。拥有AI算法研发能力的合作伙伴可以将自己的算法移植到A1000芯片上，充分发挥其大数据处理能力。作为国产芯片，黑芝麻智能自主研发了很多感知算法，有助于一些短期或中短期智能领航和泊车应用的产品快速落地量产。
让800万摄像头更具鲁棒性
感知算法主要定义于视觉感知，能够将摄像头看到的客观世界呈现给后端规划控制部分。目前，造车新势力的一些新车型在从200万升级到800万像素摄像头，在成本增加的同时也给产品带来很多优势。200万摄像头的探测距离非常有限，800万摄像头则可将检测距离从120米扩展到250米，实现高速路更高时速的自动巡航，同时可以提前检测到远处行人横穿的运动轨迹以及100米左右的红绿灯目标，驾驶者减速体验更好。在城市高架路段匝道检测，使用800万摄像头可以看到远处更清晰的图像，更好地识别红绿灯及交通指示牌；近距离广角功能可以更好地探测左右靠近车辆或加塞车辆。
将800万摄像头应用场景拓宽到NOA应用，可以对于轿车、SUV、Van、Bus等进行分类，还可以检出非常多的交通标志牌，更好地适配国内千变万化的应用场景。面向高精度地图定位匹配的红绿灯、锥桶检测可以更好地融合视觉和GPS信息，提高车辆定位精度；同时可以检出停车杆、车牌、道路标线的实线、虚线、实虚虚实、虚实实虚、黄色线等。
NOA的另一个应用是识别车道线分岔和合并，支持最多六条车道线及两条路沿检测，还可以检测大弯道。另外，对于神经网络没有训练过的数据也可以进行检测，地面箭头、十字路口停止线、斑马线以及灯杆都可以识别。
采用800万摄像头还可以识别各种车灯，包括后灯、左右转向灯及刹车灯；即使前车灯特别亮，也可以匹配避免漏掉目标。灯光识别有利于道路所有参与者的行为预测，提供更好的驾乘体验。
仲鸣说，黑芝麻智能的前视算法具有很高的鲁棒性，是结合语义分割及深度估计训练方法来训练数据，通过不同数据、不同维度数据的无监督或半监督方式验证来提升现有目标检测及障碍物检测的鲁棒性。
他说：“自动驾驶解决的不仅仅是标准场景，而是20%是标准场景，80%各种长尾场景。算法开发是面向量产验证过程中采集到的场景。利用CornerCase认证让算法越来越稳健，向量产目标靠拢。”
使用A1000芯片，可以实现六路摄像头感知输出，也可以对激光雷达和4D毫米波雷达与视觉进行深度融合。多摄像头感知可以更好地识别停车位形态，包括地面干扰线、限位器、地锁障碍或地砖、草坪构成的停车位。侧向和后向及前向6个摄像头可以完成360度视觉感知融合，实现NOA或城市道路规划控制。
此外，只是完成感知算法距离量产还有很远距离，量产过程中会遇到各种奇怪的问题，尤其是故障诊断。车辆毕竟处在室外风吹雨打的环境，通常会有镜头脏污、失效或标定偏差，视觉算法可以实现图像诊断，确保系统功能。
黑芝麻的下一代算法借鉴了特斯拉和学术界的做法，将多摄像头数据、多帧数据、多传感器数据进行了一次前融合。前融合对于算力需求将更大，将使用新的架构实现目标融合、目标过滤和目标跟踪，以提供更好的体验。目前，面向产品化的BEV感知算法已经初具雏形，很快就会发布。
加快迭代感知算法
黑芝麻提供一整套深度学习工具链，主要目的是将服务器或人工智能开发出来的模型转为芯片上可以运行的程序。通过主流的Pytorch、Caffe等训练框架训练结果，经过工具链、前端量化、融合、仿真，最后生成代码、报告和可视性文件。使用模型架构可以更好地发挥芯片目标检测或车道线检测等功能。
算法开发流程，尤其是感知算法，既包含神经网络，也包含后处理。从NOA或L2变道等可以分析出视觉需求、检测距离和目标稳定性。根据需求有针对性地采集并训练数据，通过不同的标准方法进行后处理算法设计，完成最终的产品化。
算法迭代是一个闭环过程，神经网络算法迭代主要源于两个驱动，一是数据，二是算法。一方面是通过采集更多的数据标注，推动神经网络的精度持续提高，并加入更多CornerCase来提高神经网络的鲁棒性或后处理全面程度；另一方面还要通过算法功能开发或算法架构调整更好地适配CornerCase测试。
算法多级闭环包括模型自主闭环、PC端闭环和实车闭环。模型闭环主要利用深度学习工具链，在PC上快速模拟切入平台结果，模拟量化，让AI开发工程师更快地验证模型是否有效或有损失。
PC闭环可以完全呈现切入式芯片的神经网络推理，并借助跨平台中间件，更好地完成算法及后处理的PC开发，完成SIL或HIL测试。实车闭环是在一些安装激光雷达系统以及全套视觉传感器的实车上记录出问题的场景，并在实验室快速回放，实现算法的快速迭代。
05总结
伴随自动驾驶的快速发展，中国汽车产业上游供应链的机会已经显现，虽然赛道很漫长，但只有只争朝夕的企业才有机会在竞争中脱颖而出。
黑芝麻智能“媒体技术开放日”向行业释放了一个强有力的信号——身处大算力自动驾驶车规级芯片赛道，将以全球领先技术做出世界上最好产品为核心理念，融入汽车市场发展大潮，把握住稍纵即逝的机会，努力成为一个被行业认可和为客户创造价值的企业！
