汽车EE架构集中化带来类脑AI芯片需求大幅提升

汽车EE架构集中化带来类脑AI芯片需求大幅提升随着汽车智能化发展，汽车E/E架构也将逐步升级，整体而言，将从分布式架构迈向基于域的集中式架构，最终达到整合域的中央计算平台架构。分布式架构：传统燃油车以机械部件为主，电子系统相对简单，大多应用ECU（电子控制器）分布式架构，芯片主要为MCU，ECU和功能几乎一一对应，比如车灯对应一个控制器，车门对应一个控制器，因此系统相对封闭。这种架构在10-20年前已经实现。基于域的集中式架构：现阶段电气化与驾驶辅助功能已经实现初步应用，基于域的架构将成为当前及未来几年的主流技术选择，在这种架构体系中，不同ECU之间开始整合，原来的单一功能控制器按照功能类别集成在一个控制器中，出现域管理，用DCU和MDC（磁鼓控制器）取代了ECU，实现功能导向的控制。目前比较普遍的功能域架构设计是将整车功能划分为五大功能域：动力域（安全）、底盘域（车辆运动）、座舱域（信息娱乐）、自动驾驶域（辅助驾驶）和车身域（车身电子），每个区域对应推出相应的域控制器，最后再通过CAN/LIN等通讯方式连接至主干线甚至托管至云端，从而实现整车信息数据的交互。这种架构目前已经开始成为主流应用，预计在2021-2025年将快速发展。图表1：汽车E/E架构技术路线资料来源：RolandBerger，五矿证券研究所整合域的中央计算平台架构：长期来看，随着自动驾驶逐步升级，对电子架构的算力、带宽均提出了更高要求，只有整合域的中央计算平台架构能够满足要求，这一架构将功能域进一步集中化，因此也带来了芯片能力进一步提升，用一个集成电路实现对不同功能芯片的整合，更加依赖云端的存储分析能力，这种架构将在未来长期发展中逐步落地。但是这三代架构并非界限分明地孤岛式发展，实际应用中，更多是混合在一起。图表2：汽车E/E架构路线图资料来源：RolandBerger，五矿证券研究所随着自动驾驶从L1-L5升级，汽车E/E架构由分布式走向集中，算力开始集中，集成化的设计可以降低算力冗余要求的同时大幅降低整车线束长度，有效降低成本。当域集中之后，智能化功能升级将从增加传感器数量转为增加算力、算法模型和数据训练，因此对自动驾驶AI芯片算力要求将越来越高，每提升一个级别，算力需求增加10倍以上。根据亿欧数据，L1级别算力需求小于1TOPS（TeraOperationsPerSecond，每秒一万亿次操作），L2级别算力需求2TOPS，L3级别算力需求30TOPS，L4级别算力需求300TOPS，L5级别算力需求4000+TOPS。根据亿欧数据，中国自动驾驶AI芯片市场规模2021年为25.1亿元，预计到2025年将达到109.9亿元，CAGR为44.7%。图表3：自动驾驶L1-L5对于AI芯片算力需求（TOPS）资料来源：亿欧，五矿证券研究所图表4：2015-2025年中国自动驾驶AI芯片市场规模（亿元）资料来源：亿欧，五矿证券研究所目前常见的AI芯片包括CPU、GPU、FPGA和ASIC，从CPU到ASIC，灵活性越来差，效率越来高。并且随着自动驾驶水平越来高，需要处理的数据量大精地图、摄像头、超声波/毫米波/激光雷达、GNSS等软硬件设备对计算提出更高要求，CPU并行计算速度慢，仅靠CPU的算力和功能已经不满足自动驾驶对数据传输实时性要求。为了解决CPU在大量数据运算效率低和能耗高的问题，目前有两种发展路线：一是延用传统冯·诺伊曼架构，搭配加速芯片，用以提升算力并助推法的产生，常见AI加速芯片包括GPU、FPGA和ASIC三类；二是不采用冯·诺伊曼诺伊曼架构，转而采用人脑神经元结构设计芯片来提升计算能力，以实现完全拟人化为目标，追求在芯片架构上不断接近脑，这类芯片被称为类脑芯片。CPU（CentralProcessingUnit，中央处理器）：作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元，CPU是对计算机的所有硬件资源（如存储器、输入输出单元）进行控制调配、执行通用运算的核心硬件单元。优点是有大量的缓存和复杂的逻辑控制单元，非常擅长逻辑控制、串行运算；缺点是不擅长复杂算法运算和处理并行重复的操作。对于AI芯片来说，算力最弱的是CPU。代表厂商包括Intel、AMD。GPU（GraphicsProcessingUnit，图形处理器）：又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。优点是提供了多核并行计算的基础结构，且核心数非常多，可以支撑大量数据的并行计算，拥有更高的浮点运算能力；缺点是管理控制能力最弱，功耗最高。GPU善于处理图像领域的运算加速，但GPU无法单独工作，必须由CPU进行控制调用才能工作。代表厂商包括NVIDIA、AMD。FPGA（FieldProgrammableGateArray，现场可编程门阵列）：FPGA是在PAL、GAL等可编程器件的基础上进一步发展的产物。它是作为专用集成电路（ASIC）领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。优点是可以无限次编程，延时性比较低，同时拥有流水线并行和数据并行（GPU只有数据并行）、实时性最强、灵活性最高；缺点是开发难度大，在实现复杂算法方面有一定的难度，只适合定点运算，价格比较昂贵。代表厂商包括Xilinx（被AMD收购）、Altera（被Intel收购）。ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路）：指按照特定用户要求和特定电子系统的需要而设计、制造的集成电路。目前用CPLD（复杂可编程逻辑器件）和FPGA（现场可编程逻辑阵列）来进行ASIC设计是最为流行的方式之一。优点是它作为集成电路技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比具有体积更小、重量更轻、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点；缺点是灵活性不够，成本比FPGA贵。代表厂商包括谷歌（TPU）、地平线（BPU）、寒武纪（GPU）等。目前主流厂商多采用CPU+GPU/FPGA/ASIC的方式进行自动驾驶芯片设计。特斯拉FSD和英伟达Xavier均采用CPU+GPU+ASIC的方式，其中特斯拉FSD的ASIC是NPU，占据最大面积，主要用来运行深度神经网络，GPU主要是用来运行深层神经网络的后处理部分；英伟达Xavier以GPU为计算核心，GPU占据最大面积。图表5：AI芯片在AI层次中的应用资料来源：Microsoft，Deloitte，五矿证券研究所MobieyeEyeQ5和地平线征程系列则采用CPU+ASIC的方式，MobieyeEyeQ5的ASIC包括ComputerVisionProcessors（CVP）、DeepLearningAccelerator（DLA）和MultithreadedAccelerator（MA），CVP是针对很多传统计算机视觉算法设计的ASIC；地平线的ASIC芯片是BrainProcessingUnit（BPU）。Waymo采用CPU+FPGA的方式，FPGA采用搭配Intel（Altera）的Arria系列。图表6：训练-推断两阶段深度学习资料来源：NVIDIA，五矿证券研究所图表6：AI芯片对比资料来源：Deloitte，各公司官网，五矿证券研究所除了加速芯片之外，一种更为前沿的技术是采用类脑芯片。传统计算机采用冯·诺伊曼架构，存储与计算在空间上分离，频繁的数据交换导致处理海量信息效率很低。类脑芯片不采用经典的冯·诺伊曼架构，而是借鉴人脑的网络结构和信息处理方式，研究基于微电子技术和新型神经形态器件的类脑智能芯片的集成工艺与设计技术，突破传统计算架构，基于神经形态架构设计，实现存储与计算的深度融合，大幅提升计算性能、提高集成度、降低能耗。它的内存、CPU和通信部件完全集成在一起，因此信息的处理在本地进行，克服了传统计算机内存与CPU之间的速度瓶颈问题。类脑芯片的设计目的不再仅仅局限于加速深度学习算法，而是在芯片基本结构甚至器件层面上改变设计，希望能够开发出新的类脑计算机体系结构，比如采用忆阻器和ReRAM等新器件来提高存储密度。这类芯片技术尚未完全成熟，离大规模应用还有一定的差距，但是长期来看类脑芯片有可能会带来计算机体系结构的革命。类脑芯片的代表为IBMTrueNorth，第二代TrueNorth采用三星28nm工艺，包含54亿个晶体管和4096个神经突触核心，功耗小于100mW。除了TrueNorth，还有英特尔Loihi芯片、高通Zeroth芯片、西井科技DeepSouth芯片、浙大“达尔文”类脑芯片、AI-CTX芯片也都在类脑芯片上不断努力，清华大学类脑计算中心于2015年11月成功研制了国内首款超大规模的神经形态类脑计算天机芯片，该芯片同时支持脉冲神经网络和人工神经网络（深度神经网络），可进行大规模神经元网络的模拟。图表7：类脑计算市场规模及市占率（十亿美元）资料来源：Yole，五矿证券研究所随着技术不断进步，类脑计算市场规模将不断提升，占比也将不断增大。根据Yole数据，预计类脑计算市场规模2025年为2亿美元，在整个AI市场中占比0.3%；2030年为70亿美元，在整个AI市场中占比8%；2035年为200亿美元，在整个AI市场中占比18%。2025-2030年，类脑计算下游应用领域将迅速拓展，新增应用领域包括智能手机、可穿戴、智能家居、自动驾驶、无人机、服务器、外科修复学领域等。图表8：类脑计算下游应用普及时间资料来源：Yole，五矿证券研究所图表9：IBMTrueNorth架构资料来源：IBM，五矿证券研究所图表10：类脑计算厂商及机构资料来源：Yole，五矿证券研究所图表11：类脑芯片参数对比资料来源：络绎知图，五矿证券研究所