AI+汽车智能化系列之三：充分重视OEM自研智驾芯片的长期意义
证券研究报告·行业研究·汽车与零部件 AI+汽车智能化系列之三—— 充分重视OEM自研智驾芯片的长期意义 汽车行业证券分析师：黄细里执业编号：S0600520010001 联系邮箱：huanxl@dwzq.com.cn联系电话：021-60199790 汽车行业证券分析师：杨惠冰执业编号：S0600523070004 联系邮箱：yanghb@dwzq.com.cn 2024年4月22日 当我们在谈自研智驾芯片时，我们究竟在谈什么？【设计芯片IP核+开发适配底软/工具链】 芯片按类可分为计算、存储、信号转换以及片上集成SoC四大类，AI芯片是指在SoC基础上针对人工智能算法做特殊加速处理的芯片。智驾领域AI芯片主要用于云端/边缘端两种场景：1）用于智驾边缘端应用的AI芯片一般涵盖AI计算单元NPU、CPU\GPU\ISP\IO接口等必要组成部分，更强调各IP核之间的综合协调能力；2）用于云端训练应用的AI芯片则更加强调NPU\GPU的计算能力，对于功耗、各部分间协调等要求较低。 OEM及三方供应商自研智驾芯片多指：自身设计SoC系统中NPU/ISP等核心IP核，外采EDA软件形成逻辑电路，并由其他厂商完成制造以及封装环节；同时为更好调用芯片算子算力，玩家需适配性开发底软（计算架构）以及SDK工具链，便于编辑落地上层应用。 为进一步强化智驾“数据闭环”对于软硬件迭代效率的意义，少部分玩家或将自研云端超算芯片 OEM自研设计AI智驾芯片必要性以及可行性如何？【边缘端芯片必要性及可行性强】 必要性：自研边缘端芯片有足够性价比，云端芯片短期必要性较低。智能驾驶产品力的竞争短期看产品体验，中期看迭代效率，长期看降本能力；边缘端芯片自研有效影响中期软件算法相对成熟后的迭代效率（软件能否充分发挥芯片算力），并直接决定长期智驾全系统降本能力，因此强势OEM当前投资芯片自研在未来3~5年内有足够超额回报，有望形成正循环。云端芯片短期性能要求单一，仅针对AI算力，中长期影响软硬件提升速率，但前期投入较大，当前性价比较低。 可行性：OEM玩家自研边缘段智驾芯片可行性较强。参照地平线、黑芝麻智能发展历程，从团队规模、资金投入以及研发耗时三重角度分析，千人研发规模；30~50亿研发投入；2~3年耗时可支持智驾芯片全自研以及配套解决方案落地；特斯拉2016年启动智驾芯片项目，2019年正式搭载上车，国内强势OEM自研芯片以及配套底软具备相当可行性。 第三方Tier玩家自研智驾芯片以及底软，打法及成效如何？【高举高打最强音&自下而上差异化 第一类：英伟达/华为，云端&边缘端软硬件全覆盖。 1）英伟达：高举高打，打造硬件算力&软件生态最强音。公司依托全球绝对领先GPU芯片&CUDA异构计算架构，软硬件配合构筑高壁垒，汽车为其下游重要终端应用场景。以Hopper架构赋能的DGX高性能芯片布局超算中心，自研DPU芯片支持云端大规模数据传输，配合基于CUDA的高性能算子库和SDK工具包，支持数据训练+图形渲染+仿真模拟等，并通过GPU+GraceCPU组合形成SoC芯片，更好裁剪落地云端算法解决方案。 2）华为：全面对标英伟达，赋能车企培育生态。硬件端，华为以昇腾310/910为基础分别聚焦推理/训练环节，310系列配合华为自研激光雷达等传感器形成完整车身解决方案，910NPU配合鲲鹏系列CPU打造Atlas云端服务器，提供最大20PFLOPS的解决方案；软件端，华为对标英伟达CUDA开发CANN计算架构，盘古大模型赋能，MindStudio工具链支持完善第三方应用。软硬件成套配合赋能国内弱势OEM，更好培育自身智驾生态。 第二类：高通/Mobileye/地平线，聚焦边缘端软硬件，自下而上差异化布局。 1）高通：边缘端智驾芯片&开发工具链全自研，发挥基盘业务优势自研全芯片IP核，舱驾一体差异化向上突破，国内市场联合创达/毫末/大疆等Tier1迅速入局，补足生态短板； 2）Mobileye：依托L2智驾开发积累，由封闭黑盒逐步开放，SDK套件开发完善，聚焦低成本 高效能视觉方案，国内联合经纬恒润加速发展； 3）地平线：芯片架构持续优化，征程系列产品以自研BPUAI计算核心，OpenExplorer算法工具链为支撑，以相对“低姿态”赋能国内OEM股东，协同进步。 特斯拉自研智驾云边芯片，国内OEM举旗跟进，布局智驾硬件。 特斯拉全栈自研FSD智驾芯片，底层算法更好适配调用ASIC芯片算力，实现双芯144TOPS算力即可对标英伟达双芯508TOPS算力的智驾功能，同时根据自身软件能力迭代持续优化硬件架构，保障行业领先。另外自研D1芯片支撑云端Dojo超算中心，强化AI计算+传输带宽，AI算力全球领先；并自研训练软件栈，支持通用性计算语言的同时实现对神经网络模型的自动调优和并行化 国内OEM举旗跟进自研。第一类：以头部新势力为代表，智驾边缘端芯片全栈自研，蔚来对标英伟达Orin智驾芯片已发布；小鹏/理想积极布局，预计2025~2026年亮相；第二类：主流车企以战投合作形式展开，吉利亿咖通以及多OEM战投地平线，进行产业链布局。 投资建议：汽车AI智能化转型大势所趋，硬件为基石，看好布局智驾硬件的OEM长期竞争力。 全行业加速智能化转型，产业趋势明确。下游OEM玩家+中游Tier供应商以及上游原材料厂家均加大对汽车智能化投入，大势所趋；智驾核心环节【软件+硬件+数据】均围绕下游OEM展开，数据催化算法提效进而驱动硬件迭代。因此，以AI芯片为核心的智驾硬件是OEM中长期核心竞争力的重要构成，参考手机行业，核心硬件是玩家【成本控制能力+品牌护城河】的终局竞争要素 国内OEM以软件为先，硬件其次，加速进化。头部新势力玩家紧随特斯拉引领本轮智驾技术变革，全自研智驾芯片有望于2025~2026年流片量产，构筑品牌核心竞争力以及产品重要卖点。 看好智驾头部车企以及智能化增量零部件：1）华为系玩家【长安汽车+赛力斯+江淮汽车】，关注【北汽蓝谷】；2）头部新势力【小鹏汽车+理想汽车】；3）加速转型【吉利汽车+上汽集团 +长城汽车+广汽集团】；4）智能化核心增量零部件：域控制器（德赛西威+经纬恒润+华阳集团+均胜电子等）+线控底盘（伯特利+耐世特+拓普集团等）。 风险提示：智能驾驶相关技术迭代/产业政策出台低于预期；华为/小鹏等车企新车销量低于预期 目录 一、如何看待OEM自研智驾芯片？ 二、第三方玩家自研智驾芯片成效如何？三、下游OEM玩家如何做？ 四、投资建议与风险提示 一、如何看待OEM自研智驾芯片？ 芯片分类：四类主流芯片覆盖市场不同应用场景 当前市场上流通的主流芯片包括四大类：1）处理器芯片，包括CPU、GPU、DSP、和MCU，负责系统的运算和控制核心，以及信息处理和程序运行的最终执行单元。2）存储器芯片：包括静态（SRAM）以及动态（DRAM）随机存取存储器等，用于数据的存储。3）模拟-数字转换器(ADC)和数字-模拟转换器(DAC)：这两种芯片分别用于模拟信号和数字信号的互相转换，广泛应用于传感器和测量仪器中。4）片上系统(SoC)：集成微控制器/处理器/存储器/通信接口和传感器等元件，通过简单编程可以实现丰富的功能。 AI芯片是属于SoC片上系统芯片的特殊分支，是指针对人工智能算法做了特殊加速设计的芯片， 专门用于处理人工智能应用中的大量计算。 CPU：中央处理器，负责执行指令、处理数据以及管理计算机的运行GPU：处理图形和图像相关的计算任务，并进行部分原本CPU的工作DSP：专注于数字信号处理，适合处理需要高效、实时、连续的数字信号MCU：把CPU的频率与规格做适当缩减形成芯片级的计算机 图：芯片类型 片上系统 (SoC) 处理芯片 四大主流芯片 储存器芯片 DAC：将数字信号转换成模拟信号，DAC的位数越高，信号失真就越小 ADC：将模拟信号转换成数字信号,并实现数字信号的存储、传输、处理、分析 DRAM：动态数据存储器，DRAM需要周期性地刷新以保持数据不变 SRAM：静态数据存储器，电力供应停止，SRAM储存的数据会消失 数模转换器 集成了微控制器/处理器、存储器、通信接口和各种传感器等元件。 AI芯片：指针对人工智能算法做了特殊加速设计的芯片 AI芯片分类：GPU以及ASIC主导训练/推理应用 为满足行业发展对于芯片处理性质单一但规模庞大的数据计算的需求，产业基于GPU图像处理器的并行计算能力持续升级，开发了以极致性能为代表的GPU以及以极致功耗为代表的ASIC芯片，以及介于二者之间，兼具灵活性和高性能的FPGA等不同类型芯片，应用于包括云端训练以及边缘段推理等不同场景。未来，AI芯片将持续迭代，开发高度模拟人脑计算原理的类脑芯片，围绕人脑的神经元/脉冲等环节，实现计算能力的飞跃提升以及能耗的大幅下降。 定义：单指令、多数据处理的计算单元，主要处理图像领域的运算加速。 图：芯片按架构和场景分类 AI芯片 （按技术架构） 特点：具备通用性，性能高；但功耗高且须有CPU控制调用才能工作 GPU 特点：可编程定制功能，但功耗和通用性一般 定义：一种可以被编程或重新编程的集成电路芯片，可以通过编程来改变功能 FPGA 特点：可定制且功能稳定、功耗可控，但不能编程拓展 定义：一种根据特定用户要求或特定电子系统的需要而设计和制造的集成电路 ASIC 特点：功耗低、响应速度快；但技术尚不成熟 定义：是一款模拟人脑的新型芯片架构，模拟人脑功能进行感知、行为和思考 类脑芯片 AI芯片 （按功能场景） 推理芯片对性能、精度、通用性要求更低；但更为关注用户体验优化 训练芯片需要极高的计算性能、较高的精度、海量数据处理能力、通用性 训练和推理 设备端芯片体积小、耗电少、性能不特别强大，但可让设备不需要联网就能具备一两种AI能力 云端芯片性能强大、能够同时支持运算、图片、语音、视频等不同AI应用 云端和设备端 芯片制造分为三大步骤，分别是芯片设计、芯片制造、封装测试 芯片设计：在EDA软件工具的支持下，通过购买授权+自主开发获得IP，遵循集成电路设计仿真验证流程，完成芯片设计。首先明确芯片目的（逻辑/储存/功率），编写芯片细节，形成完整HDL代码；其次利用EDA软件（高制程工艺软件市场集中度高）将HDL代码转为逻辑电路图，进一步转为物理电路图，最后制作成光掩模。 芯片制造：壁垒最高！三大关键工序光刻、刻蚀、沉积，在生产过程中不断重复循环三工序，最 终制造出合格的芯片。过程中要用到三种关键设备，分别是光刻机、刻蚀机、薄膜沉积设备。 封装测试：测试是指在半导体制造的过程中对芯片进行严格的检测和测试，以确保芯片的质量和稳定性和性能；而封装则是将测试完成的芯片进行封装，以便其被应用在各种设备中。 图：芯片生产流程 EDA：(ElectronicDesignAutomation)电子设计自动化，常指代用于电子设计的软件。目前，Synopsys、Cadence和Mentor（SiemensEDA）占据着90%以上的市场份额。在10纳米以下的高端芯片设计上，其占有率甚至高达100%。国产EDA工具当前距离海外龙头有较大差距。 IP核：指一种事先定义、经过验证的、可以重复使用，能完成特定功能的模块（类似于excel模板），物理层面是指构成大规模集成电路的基础单元，SoC甚至可以说是基于IP核的复用技术。其包括处理器IP（CPU/GPU/NPU/VPU/DSP/ISP…)、接口IP（USB/SATA/HDMI…）、存储器IP等等几类。对于当前智驾领域AI芯片而言，常用IP核包括CPU、GPU、ISP、NPU、内存控制器、对外接口（以太网【用于连接不同车身设备以交换数据】和PCIe接口【用于主板上的设备间 通讯】）等。 图：全球不同厂家芯片IP销售额以及市场规模/百万美元 Rank Comp
