01.前言

目前，智能駕駛領(lǐng)域在處理深度學習AI算法方面， 主要采用GPU、FPGA 等適合并行計算的通用芯片來實現(xiàn)加速 。同時有部分芯片企業(yè)開始設(shè)計專門用于AI算法的ASIC專用芯片，比如谷歌TPU、地平線BPU等。在智能駕駛產(chǎn)業(yè)應(yīng)用沒有大規(guī)模興起和批量投放之前，使用GPU、FPGA等已有的通用芯片可以避免專門研發(fā)定制芯片（ASIC）的高投入和高風險，但是，由于這類通用芯片設(shè)計初衷并非專門針對深度學習，因而存在性能不足、功耗過高等方面的問題。這些問題隨著自動駕駛行業(yè)應(yīng)用規(guī)模的擴大將會日益突出。

本文從芯片種類、性能、應(yīng)用和供應(yīng)商等多角度介紹AI芯片，用于給行業(yè)內(nèi)入門新人掃盲。

02.什么是人工智能（AI）芯片？

從廣義上講，能運行AI算法的芯片都叫AI芯片。

目前通用的CPU、GPU、FPGA等都能執(zhí)行AI算法，只是執(zhí)行效率差異較大。但狹義上講一般將AI芯片定義為“專門針對AI算法做了特殊加速設(shè)計的芯片”。

目前AI芯片的主要用于語音識別、自然語言處理、圖像處理等大量使用AI算法的領(lǐng)域，通過芯片加速提高算法效率。 AI芯片的主要任務(wù)是矩陣或向量的乘法、加法，然后配合一些除法、指數(shù)等算法。 AI算法在圖像識別等領(lǐng)域，常用的是CNN卷積網(wǎng)絡(luò)，一個成熟的AI算法，就是大量的卷積、殘差網(wǎng)絡(luò)、全連接等類型的計算，本質(zhì)是乘法和加法。

對汽車行業(yè)而言，AI芯片的主要用于就是處理智能駕駛中環(huán)境感知、傳感器融合和路徑規(guī)劃等算法帶來的大量并行計算需求。

AI芯片可以理解為一個快速計算乘法和加法的計算器，而CPU要處理和運行非常復(fù)雜的指令集，難度比AI芯片大很多。GPU雖然為圖形處理而設(shè)計，但是CPU與GPU并不是專用AI芯片，其內(nèi)部有大量其他邏輯來實現(xiàn)其他功能，這些邏輯對于目前的AI算法來說完全無用。目前經(jīng)過專門針對AI算法做過開發(fā)的GPU應(yīng)用較多，也有部分企業(yè)用FPGA做開發(fā)，但是行業(yè)內(nèi)對于AI算法必然出現(xiàn)專用AI芯片。

03.為什么要用AI芯片？

人工智能從功能上來看包括推理和訓練兩個環(huán)節(jié)，智能駕駛行業(yè)亦然。在訓練環(huán)節(jié)， 通過大數(shù)據(jù)訓練出一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，目前大部分企業(yè)在訓練環(huán)節(jié)主要使用英偉達的GPU集群完成 。推理環(huán)節(jié)是指利用訓練好的模型，使用大量數(shù)據(jù)推理出各種結(jié)論。因此，訓練環(huán)節(jié)對芯片的算力性能要求比較高，推理環(huán)節(jié)對簡單指定的重復(fù)計算和低延遲的要求很高。

從應(yīng)用場景來看，人工智能芯片應(yīng)用于云端和設(shè)備端，在智能駕駛領(lǐng)域同樣具備云服務(wù)器和車載的各種計算平臺或域控制器， 在智能駕駛深度學習的訓練階段需要極大的數(shù)據(jù)量和大量運算，單一處理器無法獨立完成，因此訓練環(huán)節(jié)只能在云服務(wù)器實現(xiàn)。相對的在設(shè)備端即車上，各種ECU、DCU等終端數(shù)量龐大，而且需求差異較大。因此，推理環(huán)節(jié)無法在云端完成，這就要求車上的各種電子單元、硬件計算平臺或域控制器有獨立的推理計算能力，因此必須要有專用的AI芯片來應(yīng)對這些推理計算需求。

傳統(tǒng)的CPU、GPU都可以拿來執(zhí)行AI算法，但是速度慢，性能低，尤其是CPU，在智能駕駛領(lǐng)域無法實際投入商用。

比如，自動駕駛需要識別道路、行人、紅綠燈等路況和交通狀況，這在自動駕駛算法里面都是屬于并行計算，如果是CPU去執(zhí)行計算，那么估計車撞到人了也沒算出來個結(jié)果，CPU并行計算速度慢屬于先天不足。如果用GPU速度要快得多，畢竟GPU專為圖像處理并行計算設(shè)計，但是GPU功耗過大，汽車的電池無法長時間支撐正常使用，而且GPU價格相對較高，用于自動駕駛量產(chǎn)的話普通消費者也用不起。另外，GPU因為不是專門針對AI算法開發(fā)的ASIC，執(zhí)行AI計算的速度優(yōu)勢還沒到極限，還有提升空間。

在智能駕駛這樣的領(lǐng)域，環(huán)境感知、物體識別等深度學習應(yīng)用要求計算響應(yīng)方面必須快！ 時間就是生命，慢一步就有可能造成無法挽回的情況，但是保證性能快效率高的同時，功耗不能過高，不能對智能汽車的續(xù)航里程造成較大影響，也就是AI芯片必須功耗低，所以GPU不是適合智能駕駛的最佳AI芯片選擇。因此開發(fā)ASIC就成了必然。

04.AI芯片的種類

當前主流的AI芯片主要分為三類，GPU、FPGA、ASIC。GPU、FPGA均是前期較為成熟的芯片架構(gòu)，屬于通用型芯片。ASIC屬于為AI特定場景定制的芯片。行業(yè)內(nèi)已經(jīng)確認CPU不適用于AI計算，但是在AI應(yīng)用領(lǐng)域也是必不可少，另外一種說法是還有一種類腦芯片，算是ASIC的一種。

FPGA（Field Programmable Gate Array，現(xiàn)場可編程門陣列）具有足夠的計算能力和足夠的靈活性。FPGA的計算速度快是源于它本質(zhì)上是無指令、無需共享內(nèi)存的體系結(jié)構(gòu)。對于保存狀態(tài)的需求，F(xiàn)PGA中的寄存器和片上內(nèi)存（BRAM）是屬于各自的控制邏輯的，無需不必要的仲裁和緩存，因此FPGA在運算速度足夠快，優(yōu)于GPU。同時FPGA也是一種半定制的硬件，通過編程可定義其中的單元配置和鏈接架構(gòu)進行計算，因此具有較強的靈活性。相對于GPU，F(xiàn)PGA能管理能運算，但是相對開發(fā)周期長，復(fù)雜算法開發(fā)難度大。

ASIC（Application Specific Integrated Circuit特定用途集成電路）根據(jù)產(chǎn)品的需求進行特定設(shè)計和制造的集成電路，能夠在特定功能上進行強化，具有更高的處理速度和更低的能耗。缺點是研發(fā)成本高，前期研發(fā)投入周期長，且由于是定制化，可復(fù)制性一般，因此只有用量足夠大時才能夠分攤前期投入，降低成本。

4.1 CPU (CentralProcessing Unit)

中央處理器作為計算機系統(tǒng)的運算和控制核心，是信息處理、程序運行的最終執(zhí)行單元，CPU 是對計算機的所有硬件資源（如存儲器、輸入輸出單元） 進行控制調(diào)配、執(zhí)行通用運算的核心硬件單元。

優(yōu)點： CPU有大量的緩存和復(fù)雜的邏輯控制單元，非常擅長邏輯控制、串行的運算

缺點： 不擅長復(fù)雜算法運算和處理并行重復(fù)的操作。

對于AI芯片來說，算力最弱的是cpu。雖然cpu主頻最高，但是單顆也就8核,16核的樣子，一個核3.5g,16核也就56g，再考慮指令周期，每秒最多也就30g次乘法。還是定點的。

生產(chǎn)廠商: intel、AMD

4.2 GPU (GraphicsProcessing Unit)

圖形處理器，又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設(shè)備（如平板電腦、智能手機等）上做圖像和圖形相關(guān)運算工作的微處理器。

優(yōu)點： 提供了多核并行計算的基礎(chǔ)結(jié)構(gòu)，且核心數(shù)非常多，可以支撐大量數(shù)據(jù)的并行計算，擁有更高的浮點運算能力。

缺點： 管理控制能力（最弱），功耗（最高）。

生產(chǎn)廠商： AMD、NVIDIA

4.3 FPGA（Field Programmable Gate Array）

FPGA是在PAL、GAL等可編程器件的基礎(chǔ)上進一步發(fā)展的產(chǎn)物。它是作為專用集成電路（ASIC）領(lǐng)域中的一種半定制電路而出現(xiàn)的，既解決了定制電路的不足，又克服了原有可編程器件門電路數(shù)有限的缺點。

優(yōu)點： 可以無限次編程，延時性比較低，同時擁有流水線并行和數(shù)據(jù)并行（GPU只有數(shù)據(jù)并行）、實時性最強、靈活性最高。

缺點： 開發(fā)難度大、只適合定點運算、價格比較昂貴

生產(chǎn)廠商： Altera（Intel收購）、Xilinx

4.4 ASIC（Application Specific IntegratedCircuit）

ASIC,即專用集成電路，指應(yīng)特定用戶要求和特定電子系統(tǒng)的需要而設(shè)計、制造的集成電路。目前用CPLD（復(fù)雜可編程邏輯器件）和 FPGA（現(xiàn)場可編程邏輯陣列）來進行ASIC設(shè)計是最為流行的方式之一。

優(yōu)點: 它作為集成電路技術(shù)與特定用戶的整機或系統(tǒng)技術(shù)緊密結(jié)合的產(chǎn)物，與通用集成電路相比具有體積更小、重量更輕、 功耗更低、可靠性提高、性能提高、保密性增強、成本降低等優(yōu)點。

缺點： 靈活性不夠，成本比FPGA貴

主要性能指標： 功耗、速度、成本

生產(chǎn)廠商： 谷歌、地平線、寒武紀等

4.5 四種芯片的特性總結(jié)

CPU是一個有多種功能的優(yōu)秀領(lǐng)導者。它的優(yōu)點在于調(diào)度、管理、協(xié)調(diào)能力強，計算能力則位于其次。而GPU相當于一個接受CPU調(diào)度的“擁有大量計算能力”的員工。

GPU 作為圖像處理器，設(shè)計初衷是為了應(yīng)對圖像處理中需要大規(guī)模并行計算。

因此，其在應(yīng)用于深度學習算法時，有三個方面的局限性：

第一， 應(yīng)用過程中無法充分發(fā)揮并行計算優(yōu)勢。深度學習包含訓練和應(yīng)用兩個計算環(huán)節(jié)，GPU 在深度學習算法訓練上非常高效，但在應(yīng)用時一次性只能對于一張輸入圖像進行處理，并行度的優(yōu)勢不能完全發(fā)揮。

第二， 硬件結(jié)構(gòu)固定不具備可編程性。深度學習算法還未完全穩(wěn)定，若深度學習算法發(fā)生大的變化，GPU 無法像FPGA 一樣可以靈活的配置硬件結(jié)構(gòu)。

第三， 運行深度學習算法能效遠低于FPGA。學術(shù)界和產(chǎn)業(yè)界研究已經(jīng)證明，運行深度學習算法中實現(xiàn)同樣的性能，GPU 所需功耗遠大于FPGA，例如國內(nèi)初創(chuàng)企業(yè)深鑒科技基于FPGA 平臺的人工智能芯片在同樣開發(fā)周期內(nèi)相對GPU 能效有一個數(shù)量級的提升。

FPGA，其設(shè)計初衷是為了實現(xiàn)半定制芯片的功能，即硬件結(jié)構(gòu)可根據(jù)需要實時配置靈活改變。

研究報告顯示，目前的FPGA市場由Xilinx 和Altera 主導，兩者共同占有85%的市場份額，其中Altera 在2015 年被intel以167 億美元收購， Xilinx則選擇與IBM進行深度合作，背后都體現(xiàn)了 FPGA 在人工智能時代的重要地位。

盡管 FPGA 倍受看好，甚至百度大腦、地平線AI芯片也是基于FPGA 平臺研發(fā)，但其畢竟不是專門為了適用深度學習算法而研發(fā)，實際仍然存在不少局限：

第一， 基本單元的計算能力有限。為了實現(xiàn)可重構(gòu)特性，F(xiàn)PGA 內(nèi)部有大量極細粒度的基本單元，但是每個單元的計算能力（主要依靠LUT 查找表）都遠遠低于CPU 和GPU中的ALU模塊。

第二， 速度和功耗相對專用定制芯片（ASIC）仍然存在不小差距。

第三， FPGA 價格較為昂貴，在規(guī)模放量的情況下單塊FPGA 的成本要遠高于專用定制芯片。

人工智能定制芯片是大趨勢，從發(fā)展趨勢上看，人工智能定制芯片將是計算芯片發(fā)展的大方向。

05.AI芯片算力對比

5.1 通用芯片—GPU

GPU（Graphics Processing Unit）即為圖形處理器。 NVIDIA公司在1999年發(fā)布GeForce256圖形處理芯片時首先提出GPU的概念。從此NVIDIA顯卡的芯就用這個新名字GPU來稱呼。GPU使顯卡削減了對CPU的依賴，部分替代原本CPU的工作，特別是在3D圖形處理方面。由于在浮點運算、并行計算等方面，GPU可以提供數(shù)十倍乃至于上百倍于CPU的性能。

GPU相比CPU更適合人工智能計算。 GPU和CPU分別針對的是兩種不同的應(yīng)用場景，他們的設(shè)計目標不同，CPU需要很強的通用性來處理各種不同的數(shù)據(jù)類型，同時邏輯判斷又會引入大量的分支跳轉(zhuǎn)和中斷的處理。這些都使得CPU的內(nèi)部結(jié)構(gòu)異常復(fù)雜。而GPU擅長的則是在不需要被打斷的純凈的計算環(huán)境中進行類型高度統(tǒng)一的、相互無依賴的大規(guī)模數(shù)據(jù)處理，人工智能的計算恰巧主要是后者，這使得原本為圖像處理而生的GPU在人工智能時代煥發(fā)第二春。

CPU的邏輯運算單元（ALU）較少，控制器（control）占比較大； GPU的邏輯運算單元（ALU）小而多，控制器功能簡單，緩存（cache）也較少。架構(gòu)的不同使得CPU擅長進行邏輯控制、串行計算，而GPU擅長高強度的并行計算。GPU單個運算單元處理能力弱于CPU的ALU，但是數(shù)量眾多的運算單元可以同時工作，當面對高強度并行計算時，其性能要優(yōu)于CPU。現(xiàn)如今GPU除了圖像處理外，也越來越多的運用到別的計算中。

CPU根據(jù)功能劃分，將需要大量并行計算的任務(wù)分配給GPU。 GPU從CPU獲得指令后，把大規(guī)模、無結(jié)構(gòu)化的數(shù)據(jù)分解成許多獨立部分，分配給各個流處理集群（SMM）。每個流處理集群再次把數(shù)據(jù)分解，分配給調(diào)度器，調(diào)度器將任務(wù)放入自身所控制的計算核心core中完成最終的數(shù)據(jù)處理任務(wù)。

GPU性能較強但功耗較高。以NVIDIA開發(fā)的GPU為例，Xavier最高算力為30Tops，功耗為30W，NVIDIA最新發(fā)布的GPUA100相比Volta架構(gòu)的640個Tensor Core，A100核心的TensorCore減少到了432個，但是性能大幅增強，支持全新的TF32運算，浮點性能156TFLOPS，同時INT8浮點性能624TOPS，F(xiàn)P16性能312TFLOPS，同時功耗也達到了400W。

5.2 半定制化芯片—FPGA

FPGA（Field－ProgrammableGate Array），即現(xiàn)場可編程門陣列。它是在PAL、GAL、CPLD等可編程器件的基礎(chǔ)上進一步發(fā)展的產(chǎn)物。它是作為專用集成電路（ASIC）領(lǐng)域中的一種半定制電路而出現(xiàn)的，既解決了定制電路的不足，又克服了原有可編程器件門電路數(shù)有限的缺點。

FPGA內(nèi)部有很多可配置邏輯模塊（CLB），這些模塊是現(xiàn)實邏輯功能的基本單元，F(xiàn)PGA可通過靈活地配置CLB來令其實現(xiàn)工程師想要實現(xiàn)的邏輯功能。

FPGA的并行處理能力也很強大，其可編程性也適用于不斷優(yōu)化的深度學習算法的運算。目前很多公司基于FPGA開發(fā)人工智能處理器。于2016年成立的深鑒科技，就在研發(fā)深度學習通用解決方案。2016年初，深鑒科技就設(shè)計了基于FPGA、針對深度學習的DPU硬件架構(gòu)。該產(chǎn)品實現(xiàn)了高性能功耗比，并且成本也比GPU產(chǎn)品低很多。今年8月加州的Hot Chips大會上，百度也發(fā)布了其基于FPGA芯片的A.I加速芯片—XPU。該芯片有256核，旨在尋求性能和效率的平衡，處理多樣化計算任務(wù)。

基于FPGA開發(fā)的人工智能處理器具有高性能、低能耗、可硬件編程的特點。

1）高性能

除了GPU，F(xiàn)PGA也擅長并行計算，基于FPGA開發(fā)的處理器可以實現(xiàn)更高的并行計算。而且FPGA帶有豐富的片上存儲資源，可以大大減少訪問片外存儲的延遲，提高計算性能，訪問DRAM儲存大約是訪問寄存器存儲延遲的幾百倍以上。

2）低能耗

相比于CPU和GPU，F(xiàn)PGA的能耗優(yōu)勢主要有兩個原因：1）相比于CPU、GPU，F(xiàn)PGA架構(gòu)有一定的優(yōu)化，CPU、GPU需要頻繁的訪問DRAM，而這個能量消耗較大，F(xiàn)PGA可以減少這方面的能耗。2）FPGA的主頻低，CPU和GPU的主頻一般在1-3GHz之間，而FPGA的主頻一般在500MHz一下。因此，F(xiàn)PGA的能耗要低于CPU、GPU。

3）可硬件編程

FPGA可硬件編程，并且可以進行靜態(tài)重復(fù)編程和動態(tài)系統(tǒng)重配置。用戶可像編程修改軟件一樣修改系統(tǒng)的硬件功能，大大增強了系統(tǒng)設(shè)計的靈活性和通用性。使得FPGA可以靈活地部署在需要修改硬件設(shè)置場景中。

FPGA+CPU異構(gòu)架構(gòu)被越來越多地研究和認可。相比于CPU+GPU，因為FPGA的高性能低功耗等優(yōu)勢使FPGA+CPU可以提供更好的單位功耗性能，且更易于修改和編程。因此FPGA適合做可并行計算的任務(wù)，如矩陣運算。如果是一些判斷類的問題，F(xiàn)PGA算得并沒有CPU快。所以已經(jīng)有研究人員探討FPGA+CPU的架構(gòu)模式。

5.3 全定制芯片—ASIC

ASIC（Application Specific IntegratedCircuit）在集成電路界被認為是一種為專門目的而設(shè)計的集成電路。是指應(yīng)特定用戶要求和特定電子系統(tǒng)的需要而設(shè)計、制造的集成電路。ASIC的特點是面向特定用戶的需求，ASIC在批量生產(chǎn)時與通用集成電路相比具有體積更小、功耗更低、可靠性提高、性能提高、保密性增強、成本降低等優(yōu)點。簡單地講，ASIC芯片就是通過臺積電等代工廠流片的芯片。目前，基于ASIC的人工智能芯片有地平線BPU、谷歌的TPU。

基于ASIC開發(fā)人工智能芯片開發(fā)周期較長?；贏SIC開發(fā)人工智能芯片更像是電路設(shè)計，需要反復(fù)優(yōu)化，需要經(jīng)歷較長的流片周期，故開發(fā)周期較長。

量產(chǎn)后ASIC人工智能芯片成本及價格較低。雖然相較于FPGA， ASIC人工智能芯片需要經(jīng)歷較長的開發(fā)周期，并且需要價格昂貴的流片投入，但是這些前期開發(fā)投入在量產(chǎn)后會被攤薄，所以量產(chǎn)后，ASIC人工智能芯片的成本和價格會低于FPGA人工智能芯片。

ASIC芯片性能功耗比較高。從性能功耗比來看，ASIC作為定制芯片，其性能要比基于通用芯片F(xiàn)PGA開發(fā)出的各種半定制人工智能芯片更具有優(yōu)勢。而且ASIC也并不是完全不具備可配置能力，只是沒有FPGA那么靈活，只要在設(shè)計的時候把電路做成某些參數(shù)可調(diào)即可。

ASIC人工智能芯片主要面向消費電子市場。ASIC更高的性能，更低的量產(chǎn)成本以及有限可配置特性，使其主要面向消費電子市場，如寒武紀等公司。

5.4 類腦芯片

類人腦芯片架構(gòu)是一款基于神經(jīng)形態(tài)的工程，旨在打破“馮·諾依曼”架構(gòu)的束縛，模擬人腦處理過程，感知世界、處理問題。這種芯片的功能類似于大腦的神經(jīng)突觸，處理器類似于神經(jīng)元，而其通訊系統(tǒng)類似于神經(jīng)纖維，可以允許開發(fā)者為類人腦芯片設(shè)計應(yīng)用程序。通過這種神經(jīng)元網(wǎng)絡(luò)系統(tǒng)，計算機可以感知、記憶和處理大量不同的信息。類腦芯片的兩大突破：1、有望形成自主認知的新形式；2、突破傳統(tǒng)計算機體系結(jié)構(gòu)的限制，實現(xiàn)數(shù)據(jù)并行傳送、分布式處理，能以極低功耗實時處理大量數(shù)據(jù)。

06.總結(jié)

CPU 有強大的調(diào)度、管理、協(xié)調(diào)能力。應(yīng)用范圍廣。開發(fā)方便且靈活。但其在大量數(shù)據(jù)處理上沒有 GPU 專業(yè)，相對運算量低，但功耗不低。

GPU：是單指令、多數(shù)據(jù)處理，采用數(shù)量眾多的計算單元和超長的流水線，如名字一樣，圖形處理器， GPU善于處理圖像領(lǐng)域的運算加速。但GPU無法單獨工作，必須由CPU進行控制調(diào)用才能工作。CPU可單獨作用，處理復(fù)雜的邏輯運算和不同的數(shù)據(jù)類型，但當需要大量的處理類型統(tǒng)一的數(shù)據(jù)時，則可調(diào)用GPU進行并行計算。

FPGA：和GPU相反，F(xiàn)PGA適用于多指令，單數(shù)據(jù)流的分析，因此常用于預(yù)測階段，如云端。 FPGA是用硬件實現(xiàn)軟件算法，因此在實現(xiàn)復(fù)雜算法方面有一定的難度，缺點是價格比較高。將FPGA和GPU對比發(fā)現(xiàn)，一是缺少內(nèi)存和控制所帶來的存儲和讀取部分，速度更快。二是因為缺少讀取的作用，所以功耗低，劣勢是運算量并不是很大。結(jié)合CPU和GPU各自的優(yōu)勢，有一種解決方案就是異構(gòu)。

ASIC芯片：是專用定制芯片，為實現(xiàn)特定要求而定制的芯片。 除了不能擴展以外，在功耗、可靠性、體積方面都有優(yōu)勢，尤其在高性能、低功耗的移動端。谷歌的TPU、寒武紀的MLU，地平線的BPU都屬于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，與CPU和GPU相比，TPU把控制縮小了，因此減少了芯片的面積，降低了功耗。

四種架構(gòu)將走向哪里？

眾所周知，通用處理器（CPU）的摩爾定律已入暮年，而機器學習和Web 服務(wù)的規(guī)模卻在指數(shù)級增長。

人們使用定制硬件來加速常見的計算任務(wù)，然而日新月異的行業(yè)又要求這些定制的硬件可被重新編程來執(zhí)行新類型的計算任務(wù)。

將以上四種架構(gòu)對比，GPU未來的主攻方向是高級復(fù)雜算法和通用性人工智能平臺，其發(fā)展路線分兩條走： 一是主攻高端算法的實現(xiàn)，對于指令的邏輯性控制要更復(fù)雜一些，在面向需求通用的AI計算方面具有優(yōu)勢；二是主攻通用性人工智能平臺，GPU的通用性強，所以應(yīng)用于大型人工智能平臺可高效完成不同的需求。FPGA更適用于各種細分的行業(yè)，人工智能會應(yīng)用到各個細分領(lǐng)域。

ASIC芯片是全定制芯片，長遠看適用于人工智能。現(xiàn)在很多做AI算法的企業(yè)也是從這個點切入。因為算法復(fù)雜度越強，越需要一套專用的芯片架構(gòu)與其進行對應(yīng)，ASIC基于人工智能算法進行定制，其發(fā)展前景看好。類腦芯片是人工智能最終的發(fā)展模式，但是離產(chǎn)業(yè)化還很遙遠。

幾個品牌的SOC及域控制器做的還是不錯的，尤其是基于NVIDIA Xavier以及前期PX2等芯片的開發(fā)。國內(nèi)大部分企業(yè)的應(yīng)用比較集中在Xavier平臺和Linux系統(tǒng)，尤其是新勢力造車企業(yè)，而傳統(tǒng)車企更青睞TI、瑞薩等半導體公司的智能AI芯片以及QNX系統(tǒng)。國內(nèi)基于Xavier做開發(fā)的企業(yè)很多，天津優(yōu)控智行目前的域控制器產(chǎn)品在行業(yè)內(nèi)屬于中等偏上水平，但是其軟件工具和服務(wù)做得相對有些優(yōu)勢，后期有時間也扒一扒地平線、智行者等企業(yè)的域控制器學習學習。