車載 AI SoC（Automotive AI SoC）
3 秒看懂
車載 AI SoC = 把 CPU + AI 加速器（NPU/GPU）+ 影像處理 + 車規安全 塞進一顆晶片，讓汽車在本地即時完成”看懂路況、做出決策”的推論計算。它是自動駕駛域控制器的”大腦”，也是汽車從機械產品轉向”輪子上的計算機”過程中價值量最高的單一晶片。
3 分鐘產業解釋
為什麼這個概念重要
傳統汽車半導體以 MCU（微控制器）為核心，單車晶片價值量約 400-600 美元 [行業估算]。隨著 L2+/L3/NOA 等高階智駕功能滲透率提升，一顆高效能 AI SoC 單價可達 200-400 美元（高階域控方案含多顆），直接拉動汽車半導體 ASP 和市場空間跳升。
產業格局速覽
| 層級 | 代表玩家 | 角色 |
|---|---|---|
| 全球 Tier-1 晶片設計 | NVIDIA、Qualcomm、Mobileye | 提供”晶片+工具鏈+參考設計”的平台型方案 |
| 中國晶片設計 | 地平線（Horizon Robotics）、黑芝麻智慧（Black Sesame） | 面向中國車企的本土替代，強調價效比與服務響應速度 |
| 垂直整合 | Tesla | 自研 FSD 晶片 + 自研演算法 + 自有車隊，全棧閉環 |
| 代工 | TSMC、Samsung Foundry | 車載 AI SoC 的先進製程晶圓供應 |
| Tier-1 系統整合 | 博世、大陸、德賽西威、經緯恆潤 | 將 SoC 整合為域控制器，賣給主機廠 |
商業模式核心矛盾
晶片公司賣的不僅是硬體，更是 軟體工具鏈（編譯器、模型部署架構、中介軟體）。車企評估晶片時，“能不能快速上模型” 與 “算力有多少 TOPS” 同等重要——這是 NVIDIA 生態壁壘和地平線開放生態策略的本質邏輯。
15 分鐘專家深入
一、SoC 內部到底有什麼
一顆典型的車載 AI SoC 內部包含以下功能模組：
┌─────────────────────────────────────────────────────┐
│ Automotive AI SoC │
│ │
│ ┌──────────┐ ┌──────────┐ ┌───────────────────┐ │
│ │ CPU 叢集 │ │ NPU/GPU │ │ ISP (影像訊號處理) │ │
│ │ (Arm A78AE│ │ (AI推論 │ │ 多路攝像頭輸入 │ │
│ │ /R52 等) │ │ 加速器) │ └───────────────────┘ │
│ └──────────┘ └──────────┘ │
│ ┌──────────┐ ┌──────────┐ ┌───────────────────┐ │
│ │ 視覺處理 │ │ 安全島 │ │ 記憶體控制器 │ │
│ │ 加速器 │ │ (Lock- │ │ LPDDR5/5x │ │
│ │ (CV加速器)│ │ step) │ │ (車規級) │ │
│ └──────────┘ └──────────┘ └───────────────────┘ │
│ ┌──────────┐ ┌──────────┐ ┌───────────────────┐ │
│ │ 影片編解碼│ │ 通訊介面 │ │ 電源管理/時鐘 │ │
│ │ H.265等 │ │ PCIe/CAN │ └───────────────────┘ │
│ │ │ │ Ethernet │ │
│ └──────────┘ └──────────┘ │
└─────────────────────────────────────────────────────┘關鍵模組說明：
- CPU 叢集：通常採用 Arm Cortex-A78AE（高效能+分核鎖步滿足 ASIL-B）和 Cortex-R52（安全島，滿足 ASIL-D）。CPU 負責規劃、決策等序列邏輯。
- NPU / AI 加速器：核心算力來源，執行卷積、Transformer 注意力等推論運算。效能以 INT8 TOPS 表示。各家架構差異大——NVIDIA 用 Ampere/Ada GPU 架構，地平線用自研 BPU（貝葉斯處理器架構），Mobileye 用多核 VLIW+SIMD 架構。
- ISP：處理攝像頭原始 RAW 資料，輸出降噪、HDR 合成後的影像，直接影響感知質量。
- 安全島（Safety Island）：獨立的鎖步處理器（通常 Cortex-R52 雙核 lockstep），監控主系統的健康狀態，在故障時觸發安全降級。這是 車規與消費級晶片的核心分水嶺。
- 記憶體子系統：車載 AI SoC 主流採用 LPDDR4x 或 LPDDR5/LPDDR5x，頻寬需求隨模型複雜度上升而增長。當前主流車載 SoC 一般不使用 HBM（功耗、成本、車規認證均為障礙），但未來集中式計算平台可能存在探索。
二、“車規”到底意味著什麼
| 維度 | 消費級晶片 | 車載 AI SoC |
|---|---|---|
| 工作溫度 | 0°C ~ 70°C（典型） | -40°C ~ +125°C（結溫，AEC-Q100 Grade 2 或更高） |
| 可靠性標準 | 無強制 | AEC-Q100（IC 級可靠性認證） |
| 功能安全 | 不適用 | ISO 26262，目標 ASIL-B（D） |
| 供貨週期 | 1-3 年 | 承諾 10-15 年長供貨 |
| 良率/缺陷率 | 容忍較高 | 極低 DPPM（百萬分之缺陷率） |
| 設計驗證 | 以效能/功耗為約束 | 功能安全分析貫穿設計全流程（FMEDA、故障注入等） |
ASIL 等級速記：ASIL-A（最低）→ ASIL-D（最高，適用於制動/轉向等關鍵功能）。大多數 AI 推論 SoC 本體認證到 ASIL-B，通過系統冗餘（雙晶片方案等）達到系統級 ASIL-D。
三、與手機/資料中心 SoC 的本質區別
- 確定性與即時性：自動駕駛感知-規劃-控制環路有嚴格的端到端延遲要求（通常 感知幀率 ≥ 30fps，規劃週期 ≤ 50ms），SoC 必須提供可預測的最壞執行時間（WCET）。
- 多感測器融合：典型 L2+ 方案需要同時處理 8-12 路攝像頭 + 5 路毫米波雷達 + LiDAR 點雲端資料，SoC 需要強大的 I/O 頻寬和多路並行處理能力。
- 冗餘架構：單顆 SoC 的 MTBF（平均故障間隔）無法滿足車規要求，系統層面常採用 雙 SoC 冗餘 或 SoC + 安全 MCU 的異構冗餘。
技術原理（最深）
AI 推論在車載 SoC 上的執行流程
攝像頭 RAW → ISP → NPU推論（感知）→ CPU（規劃）→ MCU（控制）
│ │
│ ├─ 目標檢測（YOLOv5/v8, DETR等）
│ ├─ 語義分割（車道線/可行駛區域）
│ ├─ 深度估計
│ └─ 佔據網路（Occupancy Network, 趨勢）
│
└─ 多幀輸入 → 時序融合（BEV Transformer 等）NPU 架構的核心權衡
車載 AI NPU 面臨的約束與資料中心 GPU 截然不同：
| 約束 | 影響 |
|---|---|
| 功耗預算 | 整顆 SoC 通常 TDP ≤ 25-45W（被動/主動散熱），高階域控可到 60-80W [行業估算] |
| 面積/成本 | 車規晶片需要控制 die size，不能像資料中心 GPU 那樣堆算力 |
| 精度 | 推論主流用 INT8（部分模組用 FP16/BF16），INT8 對定點量化硬體最佳化要求高 |
| 運算元覆蓋 | 需要覆蓋 CNN + Transformer + 傳統 CV 操作，架構靈活度要求高 |
| 確定性延遲 | 片上 SRAM 快取管理、DMA 排程需保證最壞情況延遲可預測 |
典型算力需求演變（估算，基於公開方案推斷）
| 自動駕駛等級 | 典型算力需求（INT8 TOPS） | 典型 SoC 方案 |
|---|---|---|
| L2（基礎 ADAS） | 2-8 TOPS | NXP S32G + 獨立 NPU / Mobileye EyeQ4 |
| L2+（高速 NOA） | 30-60 TOPS | Mobileye EyeQ5 |
| L2++（城市 NOA） | 100-256 TOPS | NVIDIA Orin / 地平線 J5 / Qualcomm SA8650P |
| L3/L4（高階自動駕駛） | 200-1000+ TOPS | NVIDIA Orin（多顆）/ NVIDIA Thor（預研）/ Tesla FSD HW4.0 |
注：上表算力需求為行業估算，不同演算法棧效率差異會導致實際所需 TOPS 有較大浮動。高效演算法+高效編譯器可能將實際所需 TOPS 降低 2-3 倍。
關鍵通訊介面
SoC ←→ 攝像頭: GMSL2 / FPDL-III (序列器/解串器鏈路)
SoC ←→ LiDAR: Ethernet (100BASE-T1 / 1000BASE-T1)
SoC ←→ 雷達: CAN-FD / Ethernet
SoC ←→ 另一顆SoC: PCIe (晶片間互連)
SoC ←→ 底盤/車身: CAN-FD / LIN
SoC ←→ 雲端端: 4G/5G T-Box (OTA / V2X)技術演進史
| 時期 | 里程碑 | 意義 |
|---|---|---|
| 2014-2016 | Mobileye EyeQ3 裝車（Tesla Autopilot 1.0） | 第一次讓 AI 晶片進入量產車，視覺 ADAS 落地 |
| 2016 | Tesla 自研 HW2.5→HW3.0 | 車企自研 AI 晶片的開端，14nm 工藝，雙 NPU 設計 [公開資訊] |
| 2019 | NVIDIA Xavier 量產 | 首個面向 L2+ 的高效能 SoC（約 30 TOPS INT8），7nm 工藝 |
| 2020-2021 | 地平線 J3 量產 | 中國本土首顆量產車規 AI SoC，5 TOPS 級別，切入 L2 ADAS |
| 2022 | NVIDIA Orin 量產（Samsung 8nm） | 254 TOPS INT8，成為中國市場高階智駕”標配”，蔚來 ET7 首搭 |
| 2022 | 高通 Snapdragon Ride (SA8650P) 釋出 | 手機晶片巨頭正式進軍車載 AI SoC，5nm 級別製程 [公開資訊] |
| 2023 | 地平線 J5 量產 | 128 TOPS INT8，16nm 工藝，多家中國車企搭載 |
| 2023-2024 | NVIDIA Thor（預告）/ 特斯拉 HW4.0 | Thor 宣稱算力可達 2000 TOPS（支援 INT8/FP8，含 NVLink-C2C 晶片間互聯），面向下一代中央計算架構 [廠商公告] |
| 2024-2025 | 艙駕融合趨勢 | 高通 SA8295P（座艙）+ SA8650P（智駕）→ 未來單晶片艙駕融合方案 |
| 2024 | 地平線 J6 系列釋出 | 宣稱最高約 560 TOPS，面向全場景高階智駕 [廠商公告] |
| 2024-2025 | 功能安全與 AI 融合深化 | 如何對 AI 模型的功能安全做認證（SOTIF, ISO/PAS 21448）成為行業焦點 |
演進核心脈絡
算力指數級增長 → 製程持續微縮（16nm → 7nm → 5nm → 未來 4nm/3nm） → 架構從 CNN 加速器 → Transformer 原生支援 → 從單域控到中央計算平台
技術路線對比
主流量產/準量產車載 AI SoC 對比（截至 2024-2025）
| 引數 | NVIDIA Orin | 地平線 J5 | 地平線 J6 | 高通 SA8650P | Mobileye EyeQ Ultra | Tesla FSD HW3.0 | Tesla FSD HW4.0 |
|---|---|---|---|---|---|---|---|
| AI 算力 (INT8) | ~254 TOPS | ~128 TOPS | 宣稱最高~560 TOPS | ~100 TOPS [估算] | ~176 TOPS [公開資訊] | ~144 TOPS [公開資訊] | 未充分揭露（顯著提升） |
| 製程 | Samsung 8nm | 16nm [公開資訊] | 未充分揭露 | 5nm（Samsung）[公開資訊] | 5nm [公開資訊] | Samsung 14nm | Samsung 7nm [供應鏈資訊] |
| CPU | 12× Arm Cortex-A78AE | Arm Cortex-A55 等 | 未充分揭露 | Arm Cortex-A78 系 | 多核 RISC | 12× Arm A72 [公開資訊] | 未充分揭露 |
| GPU | Ampere 架構 GPU | 無獨立 GPU（BPU 為主） | BPU 架構 | Adreno GPU | 無獨立 GPU | 無獨立 GPU（NPU 為主） | 未充分揭露 |
| 記憶體 | LPDDR5 | LPDDR4x | LPDDR5/5x [估算] | LPDDR5 | LPDDR5 [估算] | LPDDR4 | LPDDR5 [估算] |
| 典型功耗 | ~45W（域控級）[估算] | ~20-30W [估算] | 未充分揭露 | ~30-40W [估算] | 未充分揭露 | ~72W（含兩顆）[公開資訊] | 未充分揭露 |
| 功能安全 | ASIL-B (D) | ASIL-B | ASIL-B [估算] | ASIL-B [估算] | ASIL-B (D) | ASIL-B [估算] | ASIL-B [估算] |
| 典型搭載車企 | 蔚來、小鵬、理想、上汽、BYD 等 | 理想、比亞迪、大眾等 | 2025 年起量產 | BMW、通用、中國車企 | 極氪（SuperVision） | Tesla（Model 3/Y 等） | Tesla Cybertruck 等 |
| 軟體生態 | CUDA + TensorRT + DriveWorks（封閉但成熟） | OpenExplorer + 天工開物（開放策略） | 延續開放生態 | Snapdragon Ride SDK | 自有工具鏈 | Tesla 自研全棧 | Tesla 自研全棧 |
注：上表部分引數為公開報道、行業估算或供應鏈資訊推斷，具體以各廠商最新技術文件為準。“未充分揭露”表示廠商未公開確認該引數。
架構路線差異
路線A: GPU/通用AI 架構 路線B: 專用 NPU 架構
(NVIDIA, Qualcomm) (地平線, Mobileye, Tesla)
優勢: 生態成熟、模型遷移成本低 功耗效率高、面積效率高
劣勢: 功耗/面積效率不如專用架構 生態需自建、模型遷移成本高
軟體壁壘: 極高（CUDA 生態） 中高（需自建編譯器+工具鏈）
適用場景: 高算力旗艦方案 高性價比量產方案上下游
上游
| 環節 | 內容 | 關鍵供應商 |
|---|---|---|
| EDA 工具 | 晶片設計必須的模擬/驗證工具 | Synopsys、Cadence、Siemens EDA |
| IP 核 | CPU（Arm）、GPU/NPU IP、ISP IP、介面 IP | Arm、Synopsys（介面 IP）、自研 |
| 製造（晶圓代工） | 7nm/5nm/4nm 先進製程晶圓 | TSMC（主要）、Samsung Foundry |
| 封裝測試 | 先進封裝（Fan-Out 等）+ 車規級測試 | ASE、日月光、JCET |
| 儲存 | 車規級 LPDDR5 | Samsung、SK Hynix、Micron |
中游
| 環節 | 內容 | 關鍵供應商 |
|---|---|---|
| AI SoC 設計 | 晶片設計 + 軟體工具鏈 | NVIDIA、Mobileye、地平線、黑芝麻、高通、Tesla |
| 域控制器整合 | SoC + PCB + 散熱 + 軟體中介軟體 → 域控產品 | 德賽西威、經緯恆潤、博世、大陸、安波福 |
下游
| 環節 | 內容 |
|---|---|
| 主機廠（OEM） | 蔚來、小鵬、理想、比亞迪、特斯拉、大眾、寶馬等 |
| 最終功能 | NOA（導航輔助駕駛）、自動泊車、主動安全、座艙互動 |
產業鏈價值分配（定性）
SoC 設計（毛利 50-70%）> 域控整合（毛利 20-35%）> 代工（毛利 40-55%，但資本支出極大）
SoC 設計在整條鏈中處於"卡脖子"地位——域控方案的差異化很大程度取決於 SoC 的算力與軟體生態。關鍵指標
| 指標 | 含義 | 行業趨勢 |
|---|---|---|
| AI 算力（TOPS, INT8） | 每秒可執行的 INT8 整數運算次數（萬億次） | 從 10s → 100s → 1000s TOPS 快速躍升 |
| 能效比（TOPS/W） | 每瓦功耗產出的有效 AI 算力 | 追求 ≥ 5-10 TOPS/W（理想狀態），實際受模型、編譯器效率影響大 |
| 記憶體頻寬（GB/s） | SoC 與外部 DRAM 之間的資料傳輸速率 | LPDDR5/LPDDR5x 逐步普及，頻寬需求隨 BEV+Transformer 架構上升 |
| 片上 SRAM 容量 | 減少外部記憶體訪問、降低延遲 | Transformer 中 KV-Cache 需求推動片上儲存增長 |
| I/O 攝像頭路數 | 可同時接入的攝像頭數量 | L2+ 方案 8-12 路，L3+ 可能更多 |
| 延遲（ms） | 從感測器輸入到感知結果輸出的端到端時間 | 端到端 < 50-100ms 為目標 |
| 功能安全等級 | ISO 26262 ASIL 認證 | SoC 本體 ASIL-B (D)，系統級冗餘達到 ASIL-D |
| 晶片面積 / 成本 | Die size 影響晶圓成本和封裝成本 | 車規要求長供貨，製程選擇需平衡效能與成本 |
供需與市場資料
⚠ 以下市場資料綜合自行業研究報告及公開報道 [行業報告/廠商財報]，各來源口徑可能不同，僅作趨勢參考。
市場規模
- 全球汽車 SoC（含 AI 加速型）市場處於增長階段，但本頁未鎖定可複核的原始報告頁碼，因此不寫具體規模區間、遠期預測或 CAGR。
- 中國是重要的單一區域市場，L2+/NOA 等高階智駕功能滲透率處於提升階段；具體搭載率需以乘聯會、工信部、車企揭露或第三方報告原文為準。
競爭格局（中國市場的定性判斷）
- NVIDIA Orin：2022-2024 年中國高階智駕 SoC 的事實標準，多家頭部新勢力和傳統車企旗艦車型搭載。但價格較高（單顆域控方案 BOM 成本較高 [行業估算]）。
- 地平線：憑藉 J3/J5 在中國 ADAS 市場快速放量，強調開放生態和價效比。J6 面向高階市場挑戰 Orin。
- Mobileye：在全球傳統 OEM 中份額較高，但在中國市場面臨本土競爭者的激烈挑戰。
- 高通：在座艙 SoC 領域已建立強勢地位（SA8155P/SA8295P），智駕 SoC（SA8650P）正在爭取量產定點。
- 黑芝麻智慧：A1000 系列面向中低端 ADAS 市場，2024 年港股上市。
供需關注點
- 先進製程產能：車載 AI SoC 對 7nm/5nm 產能的依賴度上升，與手機、資料中心 SoC 存在產能競爭。
- 車規認證週期：從流片到車規認證量產通常需要 2-3 年，導致產能規劃對需求的響應有明顯滯後。
- 地緣政治：出口管制可能影響中國車企獲取最先進製程 SoC，推動本土替代加速。
代表公司與資本對映
| 公司 | 主要產品 | 上市資訊 | 關鍵看點 |
|---|---|---|---|
| NVIDIA (NVDA) | Orin / Thor | NASDAQ | AI 算力生態的絕對龍頭；汽車業務佔營收比例小但增速快 [財報] |
| Mobileye (MBLY) | EyeQ6H / EyeQ Ultra | NASDAQ（Intel 分拆） | 傳統 OEM 繫結深；面臨中國市場本土化挑戰 |
| 高通 (QCOM) | SA8650P / SA8295P | NASDAQ | 座艙+智駕雙線版面配置，艙駕融合潛力 |
| 地平線 (Horizon Robotics) | J5 / J6 系列 | 港股（2024 IPO） | 中國智駕晶片龍頭，大眾戰略投資 |
| 黑芝麻智慧 | A1000 / A2000 | 港股（2024 IPO） | 面向中端市場，華山系列定位差異化 |
| TI (TXN) | TDA4 系列 | NASDAQ | 面向中低端 ADAS，工業級可靠性 |
| NXP (NXPI) | S32 系列 | NASDAQ | 車規 MCU 老牌強者，S32G/S32R 版面配置 |
| Renesas (6723.T) | R-Car 系列 | TSE | 日系 OEM 繫結，傳統 ADAS 市場 |
| 德賽西威 (002920.SZ) | 域控產品（基於 Orin 等） | 深交所 | 中國 Tier-1 龍頭，域控整合出貨量領先 |
| 經緯恆潤 (688326.SH) | 域控/ADAS 方案 | 科創板 | 與 Mobileye、地平線均有合作 |
投資邏輯
看多邏輯
- 智駕滲透率快速提升：L2+ 從旗艦車型下沉到 15 萬元級走量車型，單車 AI SoC 用量和價值量同時提升。
- 算力軍備競賽：城市 NOA、端到端模型（如 BEV+Transformer、OCC 佔據網路）對算力的需求遠超傳統 ADAS，推動 SoC ASP 提升。
- 中央計算架構趨勢：未來”中央計算平台”將整合智駕+座艙+車身控制，單顆高算力 SoC 取代多顆低算力晶片，ASP 有望躍升至 300-500 美元/顆 [行業估算]。
- 軟體定義汽車：OTA 升級能力使 SoC 算力成為車企的”基礎投資”，購車時預留高算力成為賣點。
風險因素
- 價格戰壓力：中國車企捲成本，SoC 供應商面臨持續降價壓力。
- 技術路線不確定：純視覺 vs 多感測器融合、端到端大型模型上車的算力需求是否會被更高效演算法降低，均影響 TOPS 需求預期。
- 地緣政治：先進製程獲取受限可能影響中國本土 SoC 公司的產品迭代節奏。
- 功能安全認證：AI 模型的安全認證（SOTIF）標準仍在演進中，未形成共識，可能延緩高階智駕落地節奏。
常見誤讀糾偏
誤讀 1：“TOPS 數字越大，晶片越好”
糾偏：TOPS 是峰值理論算力，實際有效算力取決於：
- 編譯器/工具鏈效率：同一模型在不同 SoC 上的有效利用率差異可達 2-5 倍。
- 運算元覆蓋度：若 SoC 不支援某些運算元，需要回退到 CPU 執行，造成效能斷崖。
- 記憶體頻寬瓶頸：Transformer 類模型的 Attention 計算是 memory-bound 操作，光看 TOPS 忽略頻寬是常見錯誤。
- 功耗約束：500 TOPS @ 100W 未必比 254 TOPS @ 45W 實際表現更好（考慮散熱和能效）。
→ 正確理解：應該關注 “在目標模型上的實際推論吞吐 × 能效比”，而非孤立的 TOPS 數字。
誤讀 2：“車載 AI SoC 用的都是 HBM”
糾偏：當前主流車載 AI SoC 幾乎全部採用 LPDDR（4x/5/5x），而非 HBM。原因包括：
- HBM 功耗和成本遠高於 LPDDR，對車載功耗預算和 BOM 成本敏感度不友好。
- HBM 的 3D 堆疊封裝在車規熱迴圈可靠性認證中面臨更大挑戰。
- 車載 AI 推論的模型規模（通常數百萬到數千萬引數，INT8 量化後）相對資料中心模型（數十億到數千億引數）小得多，LPDDR 頻寬基本可滿足。
→ 未來如果車載大型模型上車（如端到端駕駛基礎模型），可能會在高階中央計算平台上探索 HBM 或類 HBM 的超高頻寬儲存方案，但目前不是主流。
誤讀 3：“算力夠了就能實現 L3/L4 自動駕駛”
糾偏：算力只是必要條件，遠非充分條件。L3/L4 的落地還取決於：
- 演算法成熟度：長尾場景（corner case）的處理能力。
- 功能安全認證：AI 模型的安全論證體系（SOTIF）。
- 法規與責任界定：L3 以上事故責任從駕駛員轉移至車企。
- 資料閉環能力：持續收集、標註、訓練的資料飛輪。
- 冗餘系統設計：計算冗餘、感測器冗餘、執行冗餘的系統級方案。
學習路徑
入門（0 → 1）
- 瞭解自動駕駛分級（SAE L0-L5）→ 理解為什麼需要 AI 晶片
- 學習 SoC 基本概念（CPU/GPU/NPU/DSP/ISP 的角色）
- 閱讀 NVIDIA Drive 平台白皮書（官方文件，免費）和地平線技術部落格
進階（1 → 10）
- 學習 ISO 26262 功能安全基礎 → 理解 ASIL 概念
- 瞭解 AI 模型部署流程：訓練 → 量化（INT8）→ 編譯 → 部署到 SoC
- 對比不同 NPU 架構的設計哲學（NVIDIA GPU 式 vs 地平線 BPU 式 vs Mobileye VLIW 式）
- 閱讀各家 SoC 的 Technical Reference Manual（如 NVIDIA Orin TRM，需申請）
深入（10 → 100）
- 研究 Transformer 上車的算力/頻寬需求（BEVFormer、UniAD 等論文）
- 瞭解 SOTIF（ISO/PAS 21448）對 AI 感知的功能安全影響
- 追蹤”艙駕融合”與”中央計算”架構演進（如 NVIDIA Drive Thor、高通 Flex SoC 路線）
推薦資源
- NVIDIA GTC 汽車主題演講（年度，免費錄播）
- 地平線”征程”系列技術釋出會
- 《自動駕駛晶片與域控制器研究報告》（佐思汽研、高工智慧汽車等報告）
- IEEE IV（Intelligent Vehicles Symposium）學術會議論文
一句話總結
車載 AI SoC 是自動駕駛的”算力心臟”，正在經歷從”專用 ADAS 加速器”向”中央計算平台級 AI 處理器”的躍遷；在這個過程中，製程工藝 × NPU 架構 × 軟體生態 × 功能安全認證 共同構成了技術壁壘，而中國市場正在成為這場晶片軍備競賽最激烈的主戰場。
延伸閱讀與來源
| 來源 | 說明 |
|---|---|
| [NVIDIA 官方] NVIDIA DRIVE 平台文件、GTC 演講 | Orin/Thor 架構細節、算力資料 |
| [地平線官方] 地平線官網技術資料、征程系列釋出會 | J5/J6 架構與生態策略 |
| [Mobileye 官方] EyeQ 系列技術白皮書 | EyeQ Ultra 架構概述 |
| [高通官方] Snapdragon Ride 平台文件 | SA8650P/SA8295P 產品資訊 |
| [行業報告] 高工智慧汽車研究院、佐思汽研、IHS Markit/標普全球 | 市場資料、裝車量統計 |
| [財報] NVIDIA（NVDA）、Mobileye（MBLY）、高通（QCOM）季度/年度財報 | 汽車業務營收趨勢 |
| [標準] ISO 26262（功能安全）、ISO/PAS 21448（SOTIF）、AEC-Q100 | 車規核心標準體系 |
| [學術] BEVFormer、UniAD、Occupancy Network 等端到端自動駕駛論文 | 模型架構演進對算力需求的影響 |
免責宣告：本文為技術學習材料，部分市場資料為行業估算或公開報道彙總，具體資料以各公司官方揭露為準。本文不構成投資建議。