集成更多AI 单元是智能芯片技术路径发展的大趋势

CPU，又称中央处理器，擅长逻辑控制和通用类型数据运算，具有不可替代性。CPU有很强的通用性，可处理不同的数据类型，主要负责顺序控制、操作控制、时间控制、数据加工等操作，因此在任何一个电脑或嵌入式的计算中都有CPU 或其裁剪版本。CPU由控制器（Control），寄存器（Cache、DRAM）和逻辑单元（ALU）构成，其中控制器和寄存器占比较大，而处理数据的逻辑单元占比较小，因此对于专用领域数据处理能力较弱。代表厂商即为X86 处理器的英特尔和嵌入式处理器的ARM。

GPU，又称图形处理器，俗称显卡，擅长大规模并行计算。GPU 拥有计算单元数量众多和超长的流水线，处理的数据类型通常为高度统一的、相互无依赖，省去了大量CPU的不必要控制指令计算模块，并行计算能力较CPU 强。随着人工智能的发展，GPU 不断被应用于数值模拟、机器学习、视觉处理、语音识别等领域，厂商代表即为英伟达。

CPU 结构

资料来源：公开资料

GPU 结构

资料来源：公开资料

FPGA 全称是Field Programmable Gate Array：又称可编程逻辑门阵列，算力较高，适合小规模定制化开发测试。用户可通过烧入配置文件来定义其内部结构的连线，从而达到定制电路的目的。FPGA 的芯片量产成本较高，能效比较差，不如ASIC 专用芯片。适用于科研、企业开发阶段，一旦方案确定，其成本优势就不再突出。代表厂商：赛灵思、阿尔特拉（被英特尔收购）、深鉴科技。

ASIC 全称是Application-Specific Integrated Circuit：是一种为专门目的而设计的集成电路，具有算力最高，能效比优等特点。ASIC 面向特定用户的需求，适合较为单一的大规模应用场景，运行速度在同等条件下比FPGA 快。但在架构层面对特定智能算法作硬化支持，指令集简单或指令完全固化，若场景一旦发生变化，该类AI 芯片便不再适用，需要跟新换代。面对现阶段，AI 算法日新月异，每年都有大量的算法被开发出来，对于自动驾驶领域适用性不强。所以现阶段并没有真正意义上的ASIC 芯片。

N-SOC，（即添加神经网络单元的系统级芯片）是指在芯片中集成更多的神经网络单元，以实现快速的CNN（卷积神经网络）运算。N-SOC 是现阶段市场的新名词，主要系随着AI 芯片的发展，传统定义方法并不完全适用，N-SOC区别于ASIC 的智能算法被硬化，但其并不是一颗完全通用芯片，仅支持少量的算法。典型的代表企业：英特尔旗下的Mobileye、华为（达芬奇架构Ascend 系列）、寒武纪（MLU 系列）、百度（昆仑云）、阿里平头哥、Google（TPU）等。

FPGA 结构

资料来源：公开资料

由通用向专用排序依次：CPU、GPU、FPGA、ASIC；数据处理成本经济性（由优至差）：ASIC、FPGA、GPU、CPU。1）CPU 最通用，算力差，能效比最差，但除了运算，还包括控制指令，不可被替代；2）GPU 为较为通用的芯片，算力高，架构较为开放，可允许主机厂基于底层硬件架构开发自己的专门算法，但能效比较差；3）FPGA，算力一般，可根据客户需求用配置文件更改芯片结构的连线，实现定制电路，适用于实验室科研、前期开发等小批量应用；4）ASIC 为专用芯片，算力高、能效比优，节约不必要开发资源，规模量产成本最低，但支持算法不够灵活。

AI 芯片通过添加神经网络单元实现AI 运算的更高效。目前市场对未来汽车AI 芯片采用通用GPU、FPGA、ASIC 芯片方案仍有较大争议，我们认为汽车数据处理芯片不断异构化，通过不断添加神经网络单元实现AI 运算是未来发展的主要方向。除了华为、地平线、寒武纪等AI 芯片不断增加神经网络单元外，而作为通用GPU 的代表供应商英伟达的自动驾驶系列芯片，也通过添加神经网络单元，以实现对AI 处理越来越高效。但总体而言GPU 仍功耗较高，丰富的通用模块可实现对各种场景的适用性，但也带来了成本过高，功耗过高的问题。而新出现的N-SOC 虽不是ASIC 固定算法，具有成本/功耗较低等优点，但其针对各种场景的适应性仍较弱。在汽车领域，未来两者未来性能、成本等方面会有相互靠近的趋势。