汽車智能化報告：從芯片到軟件車載計算平臺產(chǎn)業(yè)鏈全面拆解

1、行業(yè)研究Page 3內容目錄決策篇：. 6車載計算平臺由硬件平臺+系統(tǒng)軟件+功能軟件構成. 6EEA 架構逐漸走向域集中，DCU 應運而生 . 6單車智能化逐步提升，對計算平臺的需求持續(xù)增加 . 9硬件平臺之一：芯片 . 11計算芯片是算力時代下智能網(wǎng)聯(lián)汽車的核心 .11傳統(tǒng) MCU：MCU 需求穩(wěn)步增長，海外寡頭長期壟斷. 12智能座艙 SoC：高通在中高端數(shù)字座艙呈現(xiàn)壟斷局面 . 14自動駕駛 SoC：CPU+XPU 是當前主流，英偉達當前領先 . 15評估芯片性能，算力、能耗、效率缺一不可 . 19硬件平臺之二：域控制器. 21面向高階自動駕駛，異構多核硬件架構成為趨勢. 21高性能 S

2、oC 主芯片占整體域控制器的主要成本. 22OEM 自研、系統(tǒng)集成商、軟件平臺商三方勢力各顯身手 . 22系統(tǒng)軟件之一：操作系統(tǒng). 25操作系統(tǒng)標準與分類：車控 OS 與座艙 OS . 25QNX、Linux、VxWorks 是主要的底層內核. 26QNX+Linux 或 QNX+Android 是當前的主流趨勢. 27系統(tǒng)軟件之二：硬件抽象層與中間件層 . 29硬件抽象層之一 BSP：主板硬件與操作系統(tǒng)之間的橋梁 . 29硬件抽象層之二 Hypervisor：虛擬化平臺，跨平臺應用的重要途徑 . 29中間件層：助力軟硬件解耦分離，提升應用層開發(fā)效率 . 32功能軟件、工具鏈及應用軟件： .

3、34功能軟件：自動駕駛的核心共性功能模塊. 34工具鏈：提升平臺軟硬件研發(fā)效率的重要途徑. 35應用軟件：OEM 品牌智能化產(chǎn)品力的直接體現(xiàn). 35相關公司：中科創(chuàng)達、德賽西威、光庭信息、東軟集團、四維圖新、經(jīng)緯恒潤 . 38中科創(chuàng)達（300496.SZ）：全球領先的智能平臺技術服務提供商 . 38德賽西威（002920.SZ）：汽車電子 Tier 1 龍頭，ADAS 先發(fā)優(yōu)勢顯著. 39光庭信息（301221.SZ）：領先的智能汽車軟件解決方案提供商 . 40東軟集團（600718.SH）：智能汽車浪潮為老牌軟件龍頭注入活力 . 41四維圖新（002405.SZ）：地圖為基、芯片鑄魂，打造汽

4、車智能領導者. 41經(jīng)緯恒潤（A21257.SH）：領先的綜合電子系統(tǒng)科技服務龍頭 . 42國信證券投資評級. 45分析師承諾 . 45風險提示. 45證券投資咨詢業(yè)務的說明. 45請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖表目錄圖 1：汽車智能化產(chǎn)業(yè)地圖之車載計算平臺. 6圖 2：分布式架構下車輛 ECU 通過 CAN 總線連接 . 7圖 3：大量 ECU 分布在車輛全身各處. 7圖 4：汽車電子電氣架構的發(fā)展路徑. 7圖 5：域集中式的 EEA 架構 . 7圖 6：基于功能域劃分的大眾 MEB 架構. 8圖 7：特斯拉 Model 3 的基于區(qū)域劃分的域控制器 . 9圖 8：功能

5、域與空間域劃分方式的優(yōu)劣勢. 9圖 9：L2-5 級各類傳感器的搭配方案. 10圖 10：不同等級自動駕駛對算力的需求 . 11圖 11：汽車半導體分類結構 . 11圖 12：MCU 芯片典型構架. 12圖 13：SoC 芯片典型構架. 12圖 14：2019-2026E 全球車規(guī)級 SoC 市場規(guī)模（億美元）. 12圖 15：MCU 工作原理. 13圖 16：不同類型汽車所需的 MCU 數(shù)量（顆/車）. 13圖 17：2020-2026E 全球 MCU 市場規(guī)模（億美元）. 14圖 18：2020-2026E 中國 MCU 市場規(guī)模（億元） . 14圖 19：2020 年全球車規(guī)級 MCU

6、市場格局. 14圖 20：GPU 和 CPU 的架構示意圖 . 16圖 21：英偉達 Xavier 芯片架構. 17圖 22：特斯拉 FSD 芯片架構 . 17圖 14：Mobileye Eye Q5 電路系統(tǒng)塊圖. 17圖 15：地平線征程 2 芯片架構 . 17圖 23：Waymo 的 CPU+FPGA 架構示意圖. 18圖 24：卷積神經(jīng)網(wǎng)絡的計算原理. 20圖 25：地平線定義的芯片 AI 效能三要素 . 20圖 26：特斯拉 HW 3.0 實物圖 . 22圖 27：域控制器的競爭格局 . 23圖 28：AUTOSAR 制定者及合作廠商（截至 2022.1）. 25圖 29：CP AU

7、TOSAR 和 AP AUTOSAR . 26圖 29：2021 年全球智能座艙操作系統(tǒng)競爭格局. 27圖 30：全球車載操作系統(tǒng)市場格局變化 . 27圖 31：不同類型的定制車機系統(tǒng). 28圖 32：BSP 在軟件系統(tǒng)中的位置. 29圖 33：Hypervisor（虛擬機）的工作原理. 30圖 34：基于 QNX Hypervisor 虛擬技術運行的多操作系統(tǒng)架構. 31圖 35：中間件層的位置與作用 . 32圖 36：RTE 實現(xiàn)基礎軟件與應用軟件的分離 . 32圖 37：集成 DDS 的 AUTOSAR 平臺. 33圖 38：功能軟件基本架構. 34圖 39：智能駕駛三大類型通用模型 .

8、 34圖 40：2020 年國內高精度地圖市場份額 . 37圖 41：2020-2025E 國內高精度地圖市場規(guī)模（億美元）. 37圖 42：2020 年國內車載語音市場份額 . 38圖 43：中科創(chuàng)達發(fā)布基于高通 SA8295 的座艙解決方案. 39圖 44：中科創(chuàng)達的 E-cockpit 智能座艙解決方案. 39圖 45：德賽西威產(chǎn)品布局. 40圖 46：德賽西威域控制器產(chǎn)品矩陣 . 40圖 47：光庭信息汽車業(yè)務布局情況 . 40圖 48：光庭信息的智能座艙產(chǎn)品布局. 40圖 49：東軟大汽車整體業(yè)務布局. 41圖 50：東軟睿馳面向 SDV 的產(chǎn)品與解決方案. 41圖 51：四維圖新整

9、體戰(zhàn)略布局 . 42圖 52：杰發(fā)科技智能座艙 SoC 芯片 AC8015. 42圖 53：經(jīng)緯恒潤業(yè)務布局. 43請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖 54：經(jīng)緯恒潤的主要國內外客戶 . 43表 1：五大功能域控制器功能介紹 . 8表 2：自動駕駛分級 L0-L5 . 10表 3：各級別自動駕駛對傳感器數(shù)量的需求量 . 10表 4：不同位數(shù) MCU 常見應用場景. 13表 5：目前主流智能座艙 SoC 芯片全梳理. 15表 6：CPU、GPU、FPGA、ASIC 之間的區(qū)別. 16表 7：目前主流自動駕駛 SoC 芯片全梳理. 18表 8：特斯拉 HW 3.0 FSD 主控芯

10、片成本拆解 . 22表 9：全球主要智能座艙域控制器廠商梳理. 23表 10：全球主要自動駕駛域控制器廠商梳理. 24表 11：常見 OS 內核對比. 27表 12：各家 OEM 所采用的車機 OS 以及底層內核 . 28表 13：主要 Hypervisor 介紹. 31表 14：中國供應商 AUTOSAR 業(yè)務進展. 33表 15：車載計算平臺全棧式工具鏈 . 35表 16：自動駕駛算法的主要分類及作用 . 36表 17：高精度地圖與傳統(tǒng)地圖的比較. 36表 18：高精度地圖是 L3 及以上自動駕駛的必備 . 37表 19：全球車載語音市場的主要玩家. 38請務必閱讀正文之后的免責條款部分全

11、球視野 本土智慧決策篇：車載計算平臺由硬件平臺+系統(tǒng)軟件+功能軟件構成智能駕駛產(chǎn)業(yè)主要可以分為感知層、決策層與執(zhí)行層，本篇是汽車智能化系列專題的第二篇，主要圍繞著汽車智能化的決策層展開。本篇報告針對車載計算平臺全產(chǎn)業(yè)鏈的每個細分環(huán)節(jié)，從其概念、技術路徑、發(fā)展趨勢、競爭格局等內容展開。車載計算平臺是智能網(wǎng)聯(lián)汽車的“大腦”，從硬件到軟件主要包括：（1）異構硬件平臺：CPU 計算單元、AI 單元（GPU、ASIC、FPGA）、MCU控制單元、存儲、ISP 等其他硬件組成的自動駕駛域控制器；（2）系統(tǒng)軟件：硬件抽象層（Hypervisor、BSP）、操作系統(tǒng)內核（QNX/Linux/Andriod/V

12、xworks）、中間件組件等；（3）功能軟件：自動駕駛通用框架（感知、決策、執(zhí)行）、功能軟件通用框架（數(shù)據(jù)抽象/數(shù)據(jù)流框架/基礎服務）；（4）其他：工具鏈（開發(fā)、仿真、調試、測試等）、以及安全體系（功能安全、信息安全等）。圖 1：汽車智能化產(chǎn)業(yè)地圖之車載計算平臺資料來源：億歐智庫，國信證券經(jīng)濟研究所整理EEA 架構逐漸走向域集中，DCU 應運而生單車 ECU 數(shù)量激增，無法滿足汽車智能化的需求。1980 年代開始，以機械為主宰的汽車行業(yè)內掀起一場電子電氣化革命，電子控制單元（Electronic ControlUnit，ECU）占領了整個汽車，此時的汽車電子電氣架構都是分布式的，各個ECU 都

13、通過 CAN（Controller Area Network，控制器域網(wǎng)絡）或 LIN（Local請務必閱讀正文之后的免責條款部分全球視野 本土智慧Interconnect Network，局部互聯(lián)網(wǎng)絡）總線連接在一起，通過工程師預設好的通信協(xié)議交換信息。在傳統(tǒng)的 EEA 架構下，ECU 是系統(tǒng)的核心，智能功能的升級依賴于 ECU 數(shù)量的累加。原有智能化升級方式面臨研發(fā)和生產(chǎn)成本劇增、安全性降低、算力不足等問題，傳統(tǒng)分布式架構亟需升級，傳統(tǒng) EEA 架構主要面臨以下問題：（1）控制器數(shù)量過多：各級別汽車 ECU 數(shù)量都在逐年遞增，每臺汽車搭載的 ECU 平均 25個，一些高端車型通常會超過 1

14、00 個；（2）線束布置過于復雜：ECU 數(shù)量越多，總線數(shù)量必將更長，2000 年奔馳 S 級轎車的電子系統(tǒng)已經(jīng)擁有 80 個 ECU，1,900 條總長達 4km 的通信總線。2007 年奧迪 Q7 和保時捷卡宴的總線長度突破 6km，重量超過 70kg，基本成為位列發(fā)動機之后的全車第二重部件；（3）“跨域”信號傳輸需求增加：智能駕駛需要大量的“跨域”信號傳輸，環(huán)境傳感器（雷達，視頻和激光雷達）產(chǎn)生了大量數(shù)據(jù)傳輸?shù)男枨?，這也對傳統(tǒng)分散式 ECU 基礎架構提出了挑戰(zhàn)。圖 2：分布式架構下車輛 ECU 通過 CAN 總線連接圖 3：大量 ECU 分布在車輛全身各處資料來源：博世，國信證券經(jīng)濟研究

15、所整理資料來源：高通，國信證券經(jīng)濟研究所整理為適應智能化需求，催生出以 DCU 為主的域集中架構。為了控制總線長度、降低 ECU 數(shù)量，從而降低電子部件重量、降低整車制造成本，將分散的控制器按照功能域劃分、集成為運算能力更強的域控制器（Domain Control Unit，DCU）的想法應運而生。博世用三類 EEA 架構共六個階段來展示架構演進方向：分布式（模塊化、集成化）、域集中式（集中化、域融合）、集中式（車載電腦、車-云計算）。圖 4：汽車電子電氣架構的發(fā)展路徑圖 5：域集中式的 EEA 架構資料來源：ETAS，國信證券經(jīng)濟研究所整理資料來源：博世，國信證券經(jīng)濟研究所整理請務必閱讀正文

16、之后的免責條款部分全球視野 本土智慧功能域與空間域是當前域控制器發(fā)展的兩條路徑。域控制器根據(jù)劃分方式，主要可以分為以五大功能域劃分和以車輛特定物理區(qū)域劃分兩種，相較于純粹以功能為導向的域控制器，空間域劃分的集中化程度更高，對 OEM 廠商自身開發(fā)能力要求也會更高：（1）基于功能劃分的域控制器：典型代表博世、大陸等傳統(tǒng) Tier 1博世、大陸等傳統(tǒng) Tier 1 將汽車 EEA 架構按功能劃分為動力域（安全）、底盤域（車輛運動）、信息娛樂域（座艙域）、自動駕駛域（輔助駕駛）和車身域（車身電子）五大區(qū)域。每個區(qū)域對應推出相應的域控制器，最后再通過CAN/LIN 等通訊方式連接至主干線甚至托管至云端

17、，從而實現(xiàn)整車信息數(shù)據(jù)的交互。表 1：五大功能域控制器功能介紹圖 6：基于功能域劃分的大眾 MEB 架構功能域域控制器功能介紹動力域負責動力總成的優(yōu)化與控制，同時兼具電氣智能故障診斷、智能節(jié)電、總線通信等功能（安全）負責具體的汽車行駛控制，需要對包括助力轉向系統(tǒng)（EPS）、車身穩(wěn)定系統(tǒng)（ESC）、電動剎車助力器、安全氣囊控制系統(tǒng)等在內的系統(tǒng)進行統(tǒng)一的控制汽車座艙電子系統(tǒng)功能，可融合傳統(tǒng)的車載信息系統(tǒng)（儀表）和車載娛樂系統(tǒng)（IVI）等功能，同時集成駕駛員監(jiān)控系統(tǒng)、360 環(huán)視系統(tǒng)、AR HUD、行車記錄儀和空調控制器等功能底盤域（車輛運動）信息娛樂域（座艙域）具備多傳感器融合、定位、路徑規(guī)劃、決

18、策控制、無線通訊、高速通訊的能力，通常需要外接多個攝像頭、毫米波雷達、激光雷達等設備，完成的功能包含圖像識別、數(shù)據(jù)處理等自動駕駛域（輔助駕駛）負責傳統(tǒng)車身功能的整體控制，無鑰匙進入和啟動（PEPS）、車窗控制、天窗控制、空調模塊、座椅模塊等。由于車身域控制器涉及安全等級較低，有望率先實現(xiàn)與智能座艙域的融合車身域（車身電子）資料來源：蓋世汽車，國信證券經(jīng)濟研究所整理資料來源：大眾，國信證券經(jīng)濟研究所整理（2）基于空間劃分的域控制器：典型代表特斯拉基于空間劃分的域控制器是以車輛特定物理區(qū)域為邊界來進行功能劃分，相較于純粹以功能為導向的域控制器，其集中化程度更高。特斯拉則是其中的典型代表，2012

19、年 Model S 還是以典型的功能域劃分為主，2017 年推出 Model 3則直接進入準中央架構階段，特斯拉的 EE 架構只有三大部分，包括 CCM（中央計算模塊）、BCM LH（左車身控制模塊）、BCM RH（右車身控制模塊）。中央計算模塊直接整合了駕駛輔助系統(tǒng)（ADAS）和信息娛樂系統(tǒng)（IVI）兩大域，以及外部連接和車內通信系統(tǒng)域功能；左車身控制模塊和右車身控制模塊分別負責剩下的車身與便利系統(tǒng)、底盤與安全系統(tǒng)和部分動力系統(tǒng)的功能。特斯拉的準中央 E/E 架構已帶來了線束革命，Model S/Model X 整車線束的長度是 3 公里，Model 3 整車線束的長度縮短到了 1.5 公里

20、，Model Y 進一步縮短到1 公里左右，特斯拉最終的計劃是將線束長度縮短至 100 米。請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖 7：特斯拉 Model 3 的基于區(qū)域劃分的域控制器資料來源：特斯拉，國信證券經(jīng)濟研究所整理以功能域劃分的域集中式會是大部分主機廠當下的主要選擇。采用功能域還是空間域，核心還是取決于 OEM 自身的實力和與供應商體系的博弈，OEM 未來會加大垂直整合程度，將核心軟硬件盡可能掌握在自己手中，形成技術壁壘。但是目前來看，以大部分主機廠和 Tier 1 自身的戰(zhàn)略布局，預計大部分主機廠仍會使用混合域的 EEA 架構，即部分功能域集中化，形成“分布式 ECU

21、+域控制器”的過渡方案，最后形成“Super controlle（r 中央超級計算機）+ Zonal controlunit（區(qū)控制器）”的架構，這一演進過程可能長達 5-10 年。圖 8：功能域與空間域劃分方式的優(yōu)劣勢資料來源：LEAN IN，國信證券經(jīng)濟研究所整理單車智能化逐步提升，對計算平臺的需求持續(xù)增加當前自動駕駛正處在 L2 向 L3 級別跨越發(fā)展的關鍵階段。其中，L2 級的 ADAS是實現(xiàn)高等級自動駕駛的基礎，從全球各車企自動駕駛量產(chǎn)時間表來看，L3 級別自動駕駛即將迎來大規(guī)模地商業(yè)化落地。請務必閱讀正文之后的免責條款部分全球視野 本土智慧表 2：自動駕駛分級 L0-L5美國國家公

22、路安全管理局（NHTSA）、美國汽車工程師協(xié)會（SAE）自動駕駛分級標準NHTSASAEL0L1L2L3L4分級L0L1L2L3L4L5名稱（SAE）無自動化駕駛支持部分自動化有條件自動化高度自動化完全自動化通過駕駛環(huán)境對方向盤和加速減速中的多項操作提供支持，其余由人類操作由人類駕駛者全 權 駕 駛 汽車，在行駛過程中可以得到警告通過駕駛環(huán)境對方向盤和加速減速中的一項操作提供支持，其余由人類操作由無人駕駛系統(tǒng)完成所有的駕駛操作，根據(jù)系統(tǒng)要求，人類提供適當?shù)膽鹩蔁o人駕駛系統(tǒng)完成所有的駕駛操作，根據(jù)系統(tǒng)要求，人類不一定提供所有的應答。限定道路和環(huán)境條件由無人駕駛系統(tǒng)完成所有的駕駛操作，可能的情況

23、下，人類接管，不限定道路和環(huán)境條件SAE 定義人類駕駛者/系駕駛操作人類駕駛者系統(tǒng)統(tǒng)主體周邊監(jiān)控支援人類駕駛者系統(tǒng)人類駕駛者系統(tǒng)系統(tǒng)作用域無全域資料來源：NHTSA，SAE、國信證券經(jīng)濟研究所整理隨著自動駕駛級別的提升，單車傳感器的數(shù)量呈倍級增加。預計自動駕駛 Level1-2 級需要 10-20 個傳感器，Level 3 級需要 20-30 個傳感器，Level 4-5 級需要40-50 個傳感器。Level 1-2 級別：通常具有 1 個前置遠程雷達和 1 個攝像頭，用于自適應巡航控制，緊急制動輔助和車道偏離警告/輔助。2 個向后的中程雷達可實現(xiàn)盲點檢測，外加 4 個攝像頭和 12 個超聲

24、波雷達則可實現(xiàn) 360 度視角的泊車輔助功能。預計 Level 1-2 的總傳感器數(shù)量約為 10-20 個左右。Level 3 級別：在 Level 1-2 配置的基礎上，外加 1 個遠程激光雷達，由于主動距離測量，激光雷達還具有高分辨率，廣角和高精度的特點，這對于檢測和分類對象或跟蹤地標以進行定位將是必需的。對于高速公路領航系統(tǒng)（Highway pilot）應用，通常會額外增加 1 顆后向的遠程激光雷達。預計會使用 6-8 個攝像頭，8-12 個超聲波雷達和 4-8 個毫米波雷達，以及 1 個激光雷達，因此，預計 Level 3 的傳感器總數(shù)量會在 20-30 個左右。Level 4-5 級

25、別：通常需要多種傳感器進行 360視角的交叉驗證，以消除每種傳感器的弱點。預計會使用 8-15 個攝像頭，8-12 個超聲波雷達和 6-12 個毫米波雷達，以及 1-3 個激光雷達，因此，預計用于 Level 4 至 5 的傳感器總數(shù)量會在 30-40 個左右。圖 9：L2-5 級各類傳感器的搭配方案表 3：各級別自動駕駛對傳感器數(shù)量的需求量L0L1L2L3L4L5攝像頭0-44-84-66-88-108-1212-158-12超聲波雷達8-128-12毫米波雷達激光雷達1-303-504-80-16-121-36-121-3資料來源：麥肯錫，國信證券經(jīng)濟研究所整理資料來源：億歐智庫，國信證券

26、經(jīng)濟研究所整理隨著自動駕駛等級的提高，所需的算力高速提升。汽車自動駕駛的智能化水平全球視野 本土智慧請務必閱讀正文之后的免責條款部分取決于算法是否強大，從 L1 到 L5，自動駕駛每提升一個等級，算力要求也同樣提升一個等級：L3 之前，自動駕駛所需算力較低；L3 需要的 AI 算力達到20TOPS；L3 之后，算力要求數(shù)十倍增長，L4 接近 400TOPS，L5 算力要求更為嚴苛，達到 4000+TOPS。每增加一級自動駕駛等級，算力需求則相應增長一個數(shù)量級。根據(jù)英特爾推算，在全自動駕駛時代，每輛汽車每天產(chǎn)生的數(shù)據(jù)量將高達 4000GB。圖 10：不同等級自動駕駛對算力的需求450040004

27、0003500300025002000150010004005000220L30L1L2L4L5資料來源：億歐智庫，國信證券經(jīng)濟研究所整理硬件平臺之一：芯片計算芯片是算力時代下智能網(wǎng)聯(lián)汽車的核心計算芯片可分為 MCU 芯片與 SoC 芯片。隨著汽車 EE 架構的不斷革新，汽車半導體高速發(fā)展，按功能不同，汽車半導體可分為汽車芯片和功率半導體，而在汽車芯片中，最重要的是計算芯片，按集成規(guī)模不同，可分為 MCU 芯片與SoC 芯片。MCU（Micro Control Unit）微控制器，是將計算機的 CPU、RAM、ROM、定時計數(shù)器和多種 I/O 接口集成在一片芯片上，形成芯片級的芯片；而 SoC

28、（System on Chip）指的是片上系統(tǒng)，與 MCU 不同的是，SoC 是系統(tǒng)級的芯片，它既像 MCU 那樣有內置 RAM、ROM，同時又可以運行操作系統(tǒng)。圖 11：汽車半導體分類結構資料來源：CSDN，國信證券經(jīng)濟研究所整理請務必閱讀正文之后的免責條款部分全球視野 本土智慧智能化趨勢驅動汽車芯片從 MCU 向 SoC 過渡。自動駕駛對汽車底層硬件提出了更高的要求，實現(xiàn)單一功能的單一芯片只能提供簡單的邏輯計算，無法提供強大的算力支持，新的 EE 架構推動汽車芯片從單一芯片級芯片 MCU 向系統(tǒng)級芯片 SoC 過渡。圖 12：MCU 芯片典型構架圖 13：SoC 芯片典型構架資料來源：地平

29、線，國信證券經(jīng)濟研究所整理資料來源：地平線，國信證券經(jīng)濟研究所整理SoC 市場高速發(fā)展，預計 2026 年市場規(guī)模達到 120 億美元。汽車智能化落地加速了車規(guī)級 SoC 的需求，也帶動了其發(fā)展，相較于車載 MCU 的平穩(wěn)增長，SoC 市場呈現(xiàn)高速增長的趨勢，根據(jù) Global Market Insights 的數(shù)據(jù)，預計全球車規(guī)級 SoC 市場將從 2019 年的 10 億美元達到 2026 年的 160 億美元，CAGR達到 35%，遠超同期汽車半導體整體增速。圖 14：2019-2026E 全球車規(guī)級 SoC 市場規(guī)模（億美元）140120120100806040201002019202

30、6E資料來源：Global Market Insights，國信證券經(jīng)濟研究所整理傳統(tǒng) MCU：MCU 需求穩(wěn)步增長，海外寡頭長期壟斷MCU 是 ECU 的運算大腦。ECU（Electronic Control Unit，電子控制單元）是汽車 EE架構的基本單位，每個 ECU負責不同的功能。MCU 芯片嵌入在 ECU 中作為運算大腦。當傳感器輸入信號，輸入處理器對信號進行模數(shù)轉換、放大等處理后，傳遞給 MCU 進行運算處理，然后輸出處理器對信號進行功率放大、數(shù)模轉換等，使其驅動如電池閥、電動機、開關等被控元件工作。請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖 15：MCU 工作原理資料

31、來源：CSDN，國信證券經(jīng)濟研究所整理MCU 根據(jù)不同場景需求，有 8 位、16 位和 32 位。8 位 MCU 主要應用于車體各子系統(tǒng)中較低端的控制功能，包括車窗、座椅、空調、風扇、雨刷和車門控制等。16 位 MCU 主要應用為動力傳動系統(tǒng)，如引擎控制、齒輪與離合器控制和電子式渦輪系統(tǒng)等，也適合用于底盤機構上，如懸吊系統(tǒng)、電子動力方向盤、電子剎車等。32 位 MCU 主要應用包括儀表板控制、車身控制以及部分新興的智能性和實時性的安全功能。在目前市場的主流 MCU 當中，8 位和 32 位是最大的兩個陣營。表 4：不同位數(shù) MCU 常見應用場景位數(shù)應用場景8 位提供低端控制功能：風扇控制、空調

32、控制、雨刷、天窗、車窗升降、低端儀表盤、集線盒、座椅控制、門控模塊提供中端控制功能：用于動力系統(tǒng)，如引擎控制、齒輪與離合器控制和電子式渦輪系統(tǒng)等；用于底盤，如懸吊系統(tǒng)、電子式動力方向盤、扭力分散控制和電子泵、電子剎車等16 位32 位提供高端控制功能：在實現(xiàn) L1 和 L2 的自動駕駛中扮演重要角色資料來源：中汽中心，國信證券經(jīng)濟研究所整理汽車智能化不斷滲透，單車 MCU 需求增加。隨著汽車 EE 架構的演變，單車MCU 需求量不斷增加。自動駕駛浪潮帶動 MCU 需求，根據(jù) IHS 統(tǒng)計，與傳統(tǒng)燃油車單車相比，智能駕駛汽車所需 MCU 數(shù)量是其 4 倍以上，且高位數(shù) MCU由于其高算力將扮演重

33、要角色。圖 16：不同類型汽車所需的 MCU 數(shù)量（顆/車）35030030025020015015010070500普通傳統(tǒng)燃油車豪華傳統(tǒng)燃油車智能汽車資料來源：IHS Markit，國信證券經(jīng)濟研究所整理請務必閱讀正文之后的免責條款部分全球視野 本土智慧MCU 市場穩(wěn)步發(fā)展，預計 2026 年全球規(guī)模達 88 億美元。在市場規(guī)模上，全球 MCU 市場呈現(xiàn)穩(wěn)步發(fā)展的趨勢，根據(jù) IC Insights 估計，預計全球 MCU 市場規(guī)模從 2020 年的 65 億美元達到 2026 年的 88 億美元，CAGR 達到 5.17%，略低于同期汽車半導體增速。同時我國 MCU 發(fā)展與世界齊頭并進，預

34、計 2026年市場規(guī)模達到 56 億元，CAGR 達到 5.33%，與世界同期基本持平。圖 17：2020-2026E 全球 MCU 市場規(guī)模（億美元）圖 18：2020-2026E 中國 MCU 市場規(guī)模（億元）10090807060504030201006050403020100568%7%6%5%4%5488517.0% 4846436.3%41655.9%5.0%4.9%4.3%3.7%3%2%1%0%20202026E20202021E2022E2023E2024E2025E2026E資料來源：IC Insights，國信證券經(jīng)濟研究所整理資料來源：前瞻產(chǎn)業(yè)研究院，國信證券經(jīng)濟研究所

35、整理瑞薩、恩智浦、英飛凌等海外廠商占據(jù)主要市場份額，國產(chǎn)廠商滲透率較低。目前全球 MCU 市場呈現(xiàn)寡頭競爭局面，市占率靠前的瑞薩、恩智浦、英飛凌等廠商均是國際廠商，CR7 占比達到 98%，由于車規(guī)級 MCU 研發(fā)周期較長，認證要求較高，目前國內廠商滲透率較低，僅有幾家企業(yè)能夠實現(xiàn)中低端產(chǎn)品的量產(chǎn)。圖 19：2020 年全球車規(guī)級 MCU 市場格局2%5%7%30%瑞薩電子7%恩智浦英飛凌賽普拉斯德州儀器微芯科技意法半導體其他9%14%26%資料來源：IHS Markit，國信證券經(jīng)濟研究所整理智能座艙 SoC：高通在中高端數(shù)字座艙呈現(xiàn)壟斷局面一芯多屏不斷普及，高通在中高端數(shù)字座艙呈現(xiàn)壟斷地位

36、。伴隨著數(shù)字座艙滲透率不斷提升，車內數(shù)量不斷增加，屏幕尺寸不斷增大，智能座艙快速普及，一芯多屏逐漸成為主流，也帶動智能座艙 SoC 芯片的快速放量。SoC 應用在智能汽車上主要有智能座艙以及自動駕駛兩方面，相比于自動駕駛 SoC，座艙域SoC 由于要求相對較低，成為 SoC 落地智能汽車的先行者。高通、恩智浦、德州儀器、英特爾、聯(lián)發(fā)科等各家不斷更新其座艙 SoC 產(chǎn)品，在中高端數(shù)字座艙域，目前高通呈現(xiàn)壟斷地位。目前，高通已經(jīng)贏得全球領先的 20+家汽車制造請務必閱讀正文之后的免責條款部分全球視野 本土智慧商的信息影音和數(shù)字座艙項目，高通驍龍 820A 和 8155 兩代平臺成為眾多車型數(shù)字座艙

37、平臺的主流選擇，高通也將推出的第四代座艙 SoC SA8295，在算力、I/O 能力等方面表現(xiàn)出色，不斷穩(wěn)固其在中高端數(shù)字座艙的穩(wěn)固地位。表 5：目前主流智能座艙 SoC 芯片全梳理CPU 算力GPU 算力芯片廠商 產(chǎn)品名稱CPU+GPU Core主頻 GHz制程（nm）量產(chǎn)時間典型搭載廠商奧迪（DMIPS） （GFLOPS）602A820AKrait+Adreno 3201.5/28nm14nm11nm7nm2014 年2019 年2020 年2020 年極氪、理想、領克、小鵬等Kyro200+Adreno 680Kyro300+Adreno 608Kyro435+Adreno 640Kyr

38、o495+Adreno 8992.145k40k105k3204301142SA6155P(2*2.1+6*1.8)奇瑞捷途高通蔚來、智己、小鵬、廣汽、威馬等SA8155P(2.4+3*2.1+4*1.8)/SA8195PSA8295P150k200k59k210030005007nm5nm16nm2020 年2023 年2019 年ADIGO3.0集度汽車奔馳 S 級第六代 Kyro+Adreno 660 2.5英偉達恩智浦Tegra Parker Arm v8+CUDA2.5長安、豐田、日產(chǎn)、i.MX 6i.MX 8CPU: Freescale A9Arm A72+GC70001.2/PS

39、A、福特(4*1.2+2*1.6)29k25k12818016nm16nm/福特上汽Arm A72+RogueGE84308XE2.0德州儀器 TDA4VM2021 年大眾、廣汽、路虎、雷克薩斯R-CAR H3Arm A57+GX6650(4*1.7+4*1.2)40k28816nm2019 年瑞薩R-CAR M3Kirin 710AArm A57、A53+GX6250 1.828k/7628nm14nm7nm/Arm A73+Mali G51Arm A76+Mali G76Arm A76+Mali G76(4*2.2+4*1.7)/2022 年比亞迪華為Kirin 980AKirin 990

40、A(2*2.6+2*1.92+4*1.8)(2*2.86+2*2.09+4*1.86)(4*2.3+4*1.6)75k/641/7nm/北汽/Exynos Auto v8 Arm A76+Mali G76Exynos Auto v9 Arm A76+Mali G7663k111k22k139k/3981205133926/14nm8nm2018 年三星2.12021 年奧迪MT2712MT8195MT8666A3920Arm A72、A35+Mali T880(2*1.6+4*1.2)Arm A78、A55+Mali G57 (4*1.6+4*1.2)Arm A73、A53+Mali G72

41、2.27nm/大眾聯(lián)發(fā)科6nm/6nm吉利X86+Intel HD500X86+Intel HD505X86+Intel HD500(0.8、1.6、2.08)43k18014nm合眾汽車特斯拉、長城、紅旗、寶馬等英特爾A3950(0.8、1.6、2.0)42k48k18721614nm14nm/A3960(0.8、1.9、2.4)寶馬資料來源：高通、英特爾、英偉達、華為官網(wǎng)，國信證券經(jīng)濟研究所整理自動駕駛 SoC：CPU+XPU 是當前主流，英偉達當前領先自動駕駛芯片是指可實現(xiàn)高級別自動駕駛的 SoC 芯片。隨著自動駕駛汽車智能化水平越來越高，需要處理的數(shù)據(jù)體量越來越大，高精地圖、傳感器、激

42、光雷達等軟硬件設備對計算提出更高要求，因此在 CPU 作為通用處理器之外，增加具備 AI 能力的加速芯片成為主流，常見的 AI 加速芯片包括 GPU、ASIC、FPGA三類。CPU 作為通用處理器，適用于處理數(shù)量適中的復雜運算。CPU 作為通用處理器，除了滿足計算要求，還能處理復雜的條件和分支以及任務之間的同步協(xié)調。CPU 芯片上需要很多空間來進行分支預測與優(yōu)化，保存各種狀態(tài)以降低任務切換時的延時。這也使得它更適合邏輯控制、串行運算與通用類型數(shù)據(jù)運算。以GPU 與 CPU 進行比較為例，與 CPU 相比，GPU 采用了數(shù)量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯并省去了 Cach

43、e。而 CPU 不僅被 Cache 占據(jù)了大量空間，而且還有有復雜的控制邏輯和諸多優(yōu)化電路，相比之下計算能力只是很小的一部分。請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖 20：GPU 和 CPU 的架構示意圖資料來源：CSDN，國信證券經(jīng)濟研究所整理常見的 AI 加速芯片包括 GPU、ASIC、FPGA 三類：GPU：適用于處理數(shù)量龐大的相對簡單的運算。GPU 擁有一個由數(shù)以千計的更小、更高效的 ALU 核心組成的大規(guī)模并行計算架構，大部分晶體管主要用于構建控制電路和 Cache，而控制電路也相對簡單，GPU的計算速度有擁有更強大的處理浮點運算的能力，更擅長處理多重任務，比如圖形計算

44、。FPGA：現(xiàn)場可編程門陣列，它是在 PAL、GAL、CPLD 等可編程器件的基礎上進一步發(fā)展的產(chǎn)物。它是作為專用集成電路領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。ASIC：一種為專門目的而設計的集成電路。是指應特定用戶要求和特定電子系統(tǒng)的需要而設計、制造的集成電路。ASIC 的特點是面向特定用戶的需求，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。表 6：CPU、GPU、FPGA、ASIC 之間的區(qū)別CPUGPUFPGAASIC定義中央處理器圖像處理器現(xiàn)場可編程邏輯門陣列算力中，

45、能效比優(yōu)快專用處理器算力與能效上市速度算力最低，能效比差快，產(chǎn)品成熟算力高，能效比中快，產(chǎn)品成熟算力高，能效比優(yōu)慢，開發(fā)周期長用于數(shù)據(jù)處理時，單價成本最高成本高，可復制，量產(chǎn)規(guī)模生產(chǎn)后成本可有效降低成本用于數(shù)據(jù)處理時，單價成本高數(shù)據(jù)處理通用性強較低的試錯成本性能最通用（控制指令+運算）數(shù)據(jù)處理能力較強，專用AI 算力最強，最專用廣泛應用于各種圖形處理、數(shù)值模 適用成本要求較低的場景，如軍事、實 主要滿足場景單一的消費電子擬、機器學習算法領域 驗室、科研等 等高算力需求領域適用場景廣泛應用于各種領域資料來源：億歐智庫、國信證券經(jīng)濟研究所整理“CPU+XPU”是當前自動駕駛 SoC 芯片設計的主流

46、趨勢。根據(jù) XPU 選擇不同，又可以分為三種技術路線：CPU+GPU+ASIC、CPU+ASIC 以及 CPU+FPGA三類。（1）“CPU+GPU+ASIC”，主要代表英偉達、特斯拉 FSD 以及高通 Ride。英偉達 Xavier 和特斯拉 FSD 采用“CPU+GPU+ASIC”的設計路線，英偉達Xavier 以 GPU 為計算核心，主要有 4 個模塊：CPU、GPU、以及兩個 ASIC芯片 Deep Learning Accelerator（DLA）和 Programmable Vision Accelerator（PVA）；特斯拉 FSD 芯片以 NPU（ASIC）為計算核心，有三個

47、主要模塊：請務必閱讀正文之后的免責條款部分全球視野 本土智慧CPU、GPU 和 Neural Processing Unit（NPU）。圖 22：特斯拉 FSD 芯片架構圖 21：英偉達 Xavier 芯片架構資料來源：英偉達，國信證券經(jīng)濟研究所整理資料來源：特斯拉，國信證券經(jīng)濟研究所整理（2）“CPU+ASIC”，主要代表 Mobileye EyeQ5 系列和地平線征程系列。Mobieye EyeQ5 和地平線征程系列采用“CPU+ASIC”架構，EyeQ5 主要有 4個模塊：CPU、Computer Vision Processors（CVP）、Deep Learning Accelera

48、tor（DLA）和 Multithreaded Accelerator（MA），其中 CVP 是針對傳統(tǒng)計算機視覺算法設計的 ASIC；地平線自主設計研發(fā)了 Al 專用的 ASIC 芯片 BrainProcessing Unit（BPU）。圖 23：Mobileye Eye Q5 電路系統(tǒng)塊圖圖 24：地平線征程 2 芯片架構資料來源：Mobileye，國信證券經(jīng)濟研究所整理資料來源：地平線，國信證券經(jīng)濟研究所整理（3）CPU+FPGA，主要代表 Waymo。與其余廠商不同，Waymo 采用“CPU+FPGA”的架構，其計算平臺采用英特爾 Xeon12 核以上 CPU，搭配Altera 的 A

49、rria 系列 FPGA。請務必閱讀正文之后的免責條款部分全球視野 本土智慧圖 25：Waymo 的 CPU+FPGA 架構示意圖資料來源：Waymo，國信證券經(jīng)濟研究所整理目前各家發(fā)布的最新芯片平臺均可以支持 L3 或 L4 級的算力需求，英偉達當前處于領先位置。英偉達單顆 Orin 的算力可以達到 254TOPS，而 2022 年落地的車型中搭載 4 顆 Orin 的蔚來 ET7 和威馬 M7 其巔峰算力將超過 1000TOPS，高通驍龍 Ride 平臺的巔峰算力預計在 700-760TOPS，Mobileye 也推出了面向高階自動駕駛的 EyeQ6 Ultra，算力達到 176 TOPS

50、，當前各家最先進的算力平臺均可以支持 L3 或 L4 級的算力需求。從相關量產(chǎn)車型來看，英偉達 Orin 成為當下的主流選擇，Mobileye 正在逐漸掉隊。表 7：目前主流自動駕駛 SoC 芯片全梳理技術路線廠商SoC 名稱最大算力（TOPS）功耗（W） 算力/功耗 制程（nm）適用等級量產(chǎn)時間典型搭載廠商Atlan1000TOPS254TOPS30TOPS-L3-L52025-小鵬、威馬、蔚來、理想等Orin X65W3.17nm FinFETL3-L52022英偉達Xavier30W112nm FinFET16nm FinFET7nmL32020201820222019202220202

51、025202420232021小鵬，上汽等CPU+GPU+ASICTegra Parker 1TOPS15W0.1L1-L3L4/L5L2-3L1-L5L2/L3L4/L5L2特斯拉、沃爾沃等FSD 2.0FSD 1.0Ride-特斯拉特斯拉高通144TOPS700TOPS8TOPS176TOPS34TOPS5TOPS24TOPS250W0.614nm FinFET5nm特斯拉130W5.4長城、通用、寶馬德州儀器 TDA4VMEyeQ6 Ultra5-20W0.4-1.6-百度 Apollo 等-5nm-EyeQ6 HighEyeQ6 LightEyeQ5-7nm-7nmL1/L2L4/L5

52、-10W2.47nm FinFET吉利、極氪、寶馬Mobileye蔚來、廣汽、廣汽、小鵬、哪吒、威馬EyeQ4EyeQ32.5TOPS0.3TOPS3W0.80.128nm FD-SOI40nm CMOSL2/L3L1/L220182014特斯拉、奧迪、凱迪拉克等2.5WCPU+ASICMDC810MDC610MDC210MDC300F征程 J6400+TOPS-L4/L5L4/L4+L2+20212020202020192024202220212020-200+TOPS-北汽極狐、賽力斯、長城、長安、廣汽等華為48TOPS-64TOPS-L2/L3L4/L4+L3/L4L2/L3L1/L2L

53、4/L4+400965-征程 J5202.524.822-長安、奇瑞、上汽、廣汽、理想等地平線征程J3162820征程 J24CPU+FPGA WaymoArria FPGA 250-Waymo Robotaxi資料來源：高通、英特爾、英偉達、華為、特斯拉官網(wǎng)，國信證券經(jīng)濟研究所整理請務必閱讀正文之后的免責條款部分全球視野 本土智慧評估芯片性能，算力、能耗、效率缺一不可評估芯片的性能，一般采用 PPA 即 Power（功耗），Performance（性能），Aera（面積）三大指標來衡量性能。而智能駕駛領域，峰值算力成為衡量自動駕駛芯片的最主要指標，常見的指標有 TOPS、FLOPS、DMIP

54、S 三種：TOPS（Tera Operation Per Second）：每秒完成操作的數(shù)量，乘操作算一個 OP，加操作算一個 OP。TOPS 的物理計算單位是積累加運算（MultiplyAccumulate, MAC），1 個 MAC 等于 2 個 OP。TOPS 表示每秒進行 1 萬億次操作。FLOPS（Floating-Point Operations Per Second）：每秒可執(zhí)行的浮點運算次數(shù)的字母縮寫，它用于衡量計算機浮點運算處理能力。浮點運算，包括了所有涉及小數(shù)的運算。MFLOPS（MegaFLOPS）等于每秒 1 百萬次的浮點運算；GFLOPS（GigaFLOPS）等于每秒

55、 10 億（=109）次的浮點運算；TFLOPS（teraFLOPS）等于每秒 1 萬億次的浮點運算。DMIPS（Dhrystone Million Instructions Per Second）：是測量處理器運算能力的最常見基準程序之一，常用于處理器的整型運算性能的測量。MIPS：每秒執(zhí)行百萬條指令，用來計算同一秒內系統(tǒng)的處理能力，即每秒執(zhí)行了多少百萬條指令。不同的 CPU 指令集不同、硬件加速器不同、CPU架構不同， 導致不能簡單的用核心數(shù)和 CPU 主頻來評估性能，Dhrystone作為統(tǒng)一的跑分算法，DMIPS 比 MIPS 的數(shù)值更具有意義。（1）智能座艙 SoC：DMIPS 衡量

56、 CPU 算力的主要單位是 DMIPS，基本上 SoC 高于 20,000 DMIPS才能流暢地運行智能座艙的主要功能，如 AR 導航或云導航、360 全景、播放流媒體、AR- HUD、多操作系統(tǒng)虛擬機等。GPU 方面，100 GFLOPS 的算力就可以支持 3 個 720P 的屏幕。一般來說，CPU 高于 20,000 DMIPS，GPU 高于 100 GFLOPS 的 SoC 就是智能座艙 SoC 芯片。（2）自動駕駛 SoC：TOPS 峰值算力體現(xiàn)的只是芯片的理論上限，不能代表其全部性能。自動駕駛需要的計算機視覺算法是基于卷積神經(jīng)網(wǎng)絡實現(xiàn)的，而卷積神經(jīng)網(wǎng)絡的本質是累積累加算法（Multi

57、ply Accumulate，MAC），實現(xiàn)此運算操作的硬件電路單元，被稱為“乘數(shù)累加器”。這種運算的操作，是將乘法的乘積結果 b*c 和累加器 a 的值相加，再存入累加器 a 的操作。TOPS = MAC 矩陣行* MAC 矩陣列* 2 *主頻，TOPS 峰值算力反映的都是 GPU 理論上的乘積累加矩陣運算算力，而非在實際 AI 應用場景中的處理能力，具有很大的局限性。以英偉達的芯片為例 ，Orin、Xavier 的利用率基本上是 30%左右，而采用 ASIC 路線，ASIC 芯片針對不同的神經(jīng)網(wǎng)絡模型去優(yōu)化，基本上可以做到 60%80%之間。請務必閱讀正文之后的免責條款部分全球視野 本土智

58、慧圖 26：卷積神經(jīng)網(wǎng)絡的計算原理資料來源：CSDN，國信證券經(jīng)濟研究所整理地平線提出最真實的 AI 效能由理論峰值計算效能、有效利用率、AI 算法效率組成。地平線在 2020 全球人工智能和機器人峰會提出了芯片 AI 性能評估方式MAPS（Mean Accuracy-guaranteed Precessing Speed），地平線認為最真實的 AI 效能實際上由三要素組成，分別為理論峰值計算效能、有效利用率、AI算法效率。（1）理論峰值計算效能，TOPS/W、TOPS/$，即傳統(tǒng)理論峰值衡量的方法；（2）芯片有效利用率，把算法部署在芯片上，根據(jù)架構特點，動用編譯器等系統(tǒng)化解決一個極其復雜的帶

59、約束的離散優(yōu)化問題，而得到一個算法在芯片上運行的實際利用率，這是軟硬件計算架構的優(yōu)化目標；（3）AI 算法效率，每消耗一個 TOPS 算力，能帶來多少實際的 AI 算法的性能，它體現(xiàn)的是AI 算法效率的持續(xù)提升。圖 27：地平線定義的芯片 AI 效能三要素資料來源：地平線，國信證券經(jīng)濟研究所整理請務必閱讀正文之后的免責條款部分全球視野 本土智慧硬件平臺之二：域控制器面向高階自動駕駛，異構多核硬件架構成為趨勢車載計算平臺需采用異構多核芯片硬件架構。自動駕駛的域控制器，要具備多傳感器融合、定位、路徑規(guī)劃、決策控制、無線通訊、高速通訊的能力。通常需要外接多個攝像頭、毫米波雷達、激光雷達，以及 IMU

60、 等設備，完成的功能包含圖像識別、數(shù)據(jù)處理等。面向 L3 及以上高階自動駕駛，單一芯片無法滿足諸多接口和算力需求，計算基礎平臺需采用異構芯片的硬件方案，具有芯片選型靈活、可配置拓展、算力可堆砌等優(yōu)點。計算平臺的異構分布硬件架構主要包括 CPU 計算單元、AI 單元和控制單元。（1）CPU 計算單元：由車規(guī)級多個多核 CPU 組成，大多為 ARM 架構，單核主頻高，計算能力強，擅長處理高精度浮點數(shù)串行計算，通過內核系統(tǒng)管理軟硬件資源、完成任務調度，用于執(zhí)行自動駕駛相關大部分核心算法，同時整合多源數(shù)據(jù)完成路徑規(guī)劃、決策控制等功能。（2）AI 單元：AI 單元是整個異構硬件平臺中算力的最主要來源，承