北京治疗白癜风的费用是多少 https://jbk.39.net/yiyuanfengcai/tsyl_bjzkbdfyy/
1.汽车智能化时代来临，车规级AI芯片黄金赛道
1.1.AI芯片是智能汽车时代关键变量
汽车由分布式架构向域控制/中央集中式架构方向发展。传统分布式硬件架构面临智能汽车时代多维感知需求和海量非结构化数据处理的需求，一般每新增一个应用功能，便新增对应的感知传感器、决策、执行层。随着智能网联汽车时代的到来，以特斯拉为代表的汽车电子电气架构改革先锋率先采用中央集中式架构，即用一个电脑控制整车。全球范围内各大主机厂均已认识到软件定义汽车的大趋势，纷纷升级自身的电子电气架构，虽不同主机厂采用几个电脑控制整车的方案不同，但架构域控制/集中化方向相同。
智能驾驶处理数据量指数级提升，AI芯片成为智能汽车时代的运算核心。分布式架构一般可实现低级别辅助驾驶，由于需要处理的传感器信息相对较少，采用MCU芯片即可满足运算要求。随着高级别智能驾驶的到来，更智能的汽车需要处理更大量的图片、视频等非结构化数据，仅依靠传统MCU芯片不能满足运算需求，而AI芯片则可以实现算得快、准、巧。我们重点参考地平线的数据，L3级别自动驾驶产生的数据量是2.3GB/s，对算力要求在TOPS以上；L4级别自动驾驶数据量达到8GB/s，对算力要求达到TOPS以上。如果考虑功能安全的冗余备份，算力需求还要翻倍。
由于智能驾驶对算力的需求，汽车业界已经将峰值算力当作衡量AI芯片的主要指标，并掀起算力军备竞赛。蔚来新款旗舰车型ET7搭载算力超过TOPS。上汽智己新发布车型搭载算力也达到~TOPS。
1.2.我们预计年我国汽车AI芯片市场超92亿美元，未来5年CAGR45.0%
假设：
1）汽车市场容量预测。年汽车产量约2万辆，年我们预计达到万辆，假设我国汽车产量-年复合增速为2%。
2）各级别自动驾驶渗透率预测。L3、L4级分别于年、年规模量产，每年并以3-4%渗透率提升。根据工信部发布的《汽车中长期发展规划》指出，我国年自动驾驶渗透率达50%，年渗透率达80%。L3级于年开始量产并规模投放市场，渗透率快速提升，随着L4级车于年开始量产，低级别渗透率陆续到达渗透率峰值后又缓慢下降。
3）各级别自动驾驶AI芯片单车价值预测。年L1-L3级AI芯片单车价值分别为50美元、美元、美元，随着技术逐渐成熟，年下降到41美元、美元、美元。我们预计到年L4级高级自动驾驶出现，AI芯片单车价值约为1美元，到年下降到美元。
年我国AI芯片市场超92亿美元，未来5年复合增速达45%。经我们测算，年我国汽车AI芯片市场规模为14亿美元，随着汽车EE架构加速升级，域控制器/中央计算平台被广泛使用，到年AI芯片市场规模达92亿美元，CAGR为45.0%，到年将达亿美元，十年复合增速28.8%。
1.3.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。
FPGA全称是FieldProgrammableGateArray：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。
ASIC全称是Application-SpecificIntegratedCircuit：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。
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，两者未来性能、成本等方面会有相互靠近的趋势。
1.4.车规级芯片条件苛刻
车规级芯片标准远高于消费级，认证流程长。1）工作环境更为恶劣：相比于消费芯片及一般工业芯片，汽车芯片的工作环境温度范围宽（-40至摄氏度）、高振动、多粉尘、多电磁干扰。2）可靠性安全性要求高：一般的汽车设计寿命都在15年或20万公里左右，远大于消费电子产品寿命要求。在相同的可靠性要求下，系统组成的部件和环节越多，对组成的部件的可靠性要求就越高。3）车规级芯片认证流程长:一款芯片一般需要2年左右时间完成车规级认证，进入车企供应链后一般拥有5-10年的供货周期。
汽车标准需认证可靠性标准AEC-Q系列、质量管理标准ISO/TS其中之一，此外需要通过功能安全标准ISOASILB(D）。ISO在年11月15日正式发布，主要包括四个等级，分别为ASILA/B/C/D。ISO安全是汽车电子元件稳定性优劣的评判依据之一，通过该等级代表其产品稳定性合格，耐用，但不代表其算力、能效比高。此外，还需要通过零失效的供应链质量管理标准TS/ISO国际认证体系下的汽车行业分支的标准认证；另一个是AEC-Q认证，由克莱斯勒、通用、福特制定的汽车电子元件安全性检测标准。
1.5.汽车AI芯片市场格局清晰，行业寡头垄断
截止年，根据Mobileye数据，其占据约70%量产车市场。随着L1/L2级辅助驾驶逐步演进到L3级别智能驾驶，消费电子/通信领域的英伟达、华为、高通以及国内的初创企业地平线、黑芝麻等加速入场抢夺汽车AI芯片市场份额。算力、功耗、生态等成为各家芯片厂商抢夺市场的核心竞争力。
特斯拉FSD芯片自研自用，引领产业发展，属于独立一级。特斯拉搭载的芯片经历MobileyeEyeQ3与英伟达DRIVEPX2，后期选择自研。主要优势：由于其自研自用，根据需求研发专用芯片，减少不必要的软硬件模块，1）缩短研发周期，减少研发设计工作量；2）提升能效比；3）用户数据驱动研发优化。主要劣势：1）生态较为封闭，仅内部开发和使用，无法建立完善的生态体系。2）若使用量有限，芯片研发需要投入大量资金，软硬件开发的成本难以通过大规模使用均摊成本。
全球GPU领域AI龙头英伟达和背靠英特尔的汽车AI芯片龙头Mobileye属于第一阵列。NIVIDA作为通用AI芯片龙头，对外提供芯片级产品，具备最完善的软件工具链和应用生态。Mobileye背靠英特尔，提供芯片+算法绑定的一体式解决方案，客户资源最丰富且已实现量产验证，但黑盒捆绑销售模式一定程度上限制了用户创新。短期来看，Mobileye面向L3级以下市场，产品更加成熟。中长期来看，英伟达面向L3级以上市场在AI领域实力深厚，后发有力，优势会更加突出。
高通与华为属于1.5阵列，有望快速突围进入第一阵列。高通在通信及消费电子领域优势明显，基于智能手机芯片的成功经验，已成为智能座舱域芯片龙头。在智能驾驶领域，高通于年1月推出了SnapdragonRide平台，正加速推广应用中。华为AI芯片云边端领域全覆盖，技术实力雄厚。华为面向智能驾驶领域，对应产品为昇腾（面向所有边缘侧）、昇腾（专用于汽车领域）、昇腾等。此外，年9月，华为对外发布新一代车规级MDC计算平台（包含MDC、MDC、MDC、MDC）。
地平线属于强势第2阵列，对外可提供解决方案类产品（芯片+算法），也可以单独供应。作为中立第三方，芯片和算法可分开销售或一体式解决方案，受客户信任，有望逐步实现国产替代。
各计算平台的算力均超百TOPS。计算平台各厂商车载计算平台竞争格局来看，英伟达算力相对领先，但算力利用率相对较低；而特斯拉、Mobileye等虽然算力并不突出，但是由于芯片+算法均采用自研，所以算力利用率相对较高。
2.汽车AI芯片赛道长坡厚雪，孕育中国独角兽地平线
地平线，全称北京地平线机器人技术研发有限公司，成立于年7月，是边缘人工智能芯片的全球领导者，具有领先的人工智能算法和芯片设计能力。创始人系前百度深度学习研究院院长余凯博士。年12月发布中国首款边缘端人工智能视觉芯片征程（Journey）系列和旭日（Sunrise）系列。征程系列芯片主要用于智能驾驶领域，旭日系列芯片主要用于物联网领域。合作伙伴包括奥迪、博世、长安、比亚迪、上汽、广汽等国内外的顶级Tier1，OEM厂商。
2.1.地平线发展历程
公司成立于年，专注于边缘端AI芯片。地平线战略聚焦于车规级智能驾驶AI芯片+AIoT边缘AI芯片的研发和产业落地，对外主要提供解决方案类产品（芯片+软件算法）。公司已发布车规级AI芯片：征程1.0、征程2.0、征程3.0；自动驾驶计算平台：Matrix1.0、Matrix2.0；AIoT边缘AI芯片旭日1、2、3；AI开发平台：天工开物等多类产品。年3月，长安UNI-T座舱域搭载车规级AI芯片——地平线征程二代，实现首次前装量产。
2.2.技术团队实力雄厚，股东资源丰富
核心技术骨干来自百度等科技巨头，团队实力强劲。地平线创始人CEO余凯博士，曾任百度深度学习研究院常务副院长，百度研究院执行院长，创建并领导百度深度学习研究院(IDL)、百度自动驾驶团队和百度大脑PaddlePaddle等项目。他也是曾担任两大著名机器学习国际会议ICML和NIPS的领域主席（AreaChair）为数不多的几位华人学者之一，年在斯坦福大学计算机系任兼职教授。此外，他被年《福布斯》杂志评选为“20位驱动中国人工智能改革的科技领导者”之一。除了创始人余凯以外，联合创始人算法副总裁黄畅、地平线通用AI首席科学家硅谷研究院负责人徐伟、智能驾驶研发总监余轶南均来自百度IDL。
团队规模上，地平线在硅谷、北京、上海、南京等地均设有研发中心和商务运营团队，截至年底共有余人，其中研发人员占比70%以上。团队成员大多毕业于国内外著名学府，在人工智能算法和芯片架构研发方面作出多项世界级的成果和产品。
C轮9亿美元融资落定，产业资本加持集中优质资源。年12月以来，地平线先后获得3批次融资，C轮融资达9亿美元。年12月C1轮吸引到高瓴创投、五源资本、今日资本领投，金额1.5亿美元；年1月获得BaillieGifford、云锋基金、中信产业基金、宁德时代领投的4亿美元C2轮融资；年2月拿到3.5亿美元C3轮融资，其中比亚迪、长城汽车、长江汽车电子、东风资产、舜宇光学、星宇股份等6家汽车产业链上下游企业联合加持。自成立以来，地平线已累计获得10轮融资，备受明星机构及产业资本
