“舱驾一体”渐行渐近，“好用”的车载AI芯片该如何设计与定义？

　　当前，在域控制器集中式架构阶段，智能驾驶和智能座舱是车载AI芯片的两个关键应用领域。挖掘这两个场景下的应用需求成为车载AI芯片厂商的核心驱动力。新算法模型的引入及整车EE架构的发展，对车载AI芯片的迭代产生显著影响。

　　智能驾驶和智能座舱所应用的算法模型持续演进，尤其在智能驾驶领域，从CNN网络演进到BEV+ Transformer+OCC网络，促使车载AI芯片向适应更新算法模型的架构方向进化。同时，车载AI芯片的迭代与整车EE架构的演进相互协同。在域控制器集中式架构阶段，车载AI芯片多针对特定功能域设计，如智能座舱或智能驾驶。随着EE架构进入跨域融合阶段，“舱驾融合”成为关注重点，芯片厂商需兼顾智能座舱和智能驾驶需求，设计适配“舱驾一体”的车载AI芯片。

　　在智能驾驶领域，头部车企在城区NOA方面积极布局，“BEV + Transformer”成为实现战略目标的主要手段。在智能座舱领域，生成式AI大模型被引入，强化人机互动体验。这导致车载AI芯片上运行算法的复杂度、模型参数及数据规模大幅上升，推动车载AI芯片向新架构、大算力方向演进。

　　然而，新算法模型与传统芯片架构间存在隔阂。例如，Transformer网络在部分车载AI芯片上难以部署，主因是传统端侧AI芯片主要针对CNN设计，通用性较差。对此，奕行智能创始人兼CEO刘珲指出，Transformer属于访存密集型网络，对访存容量和带宽要求高于以CNN为目标的加速芯片。同时，Transformer对浮点算力要求极高，传统AI芯片缺乏浮点算力资源。此外，向量计算资源对完成Transformer运算至关重要。

　　为提高芯片对新算法模型的适配度，可采取以下措施：

1. 增加相关算法模型引擎：如英伟达在设计GPU新架构时，增加了Transformer引擎，进行硬件优化，旨在加速AI计算效率。
2. 针对特定算子进行优化：安霸半导体研发副总裁孙鲁毅提到，优化Transformer的核心算子如Self-Attention和Cross-Attention，提高芯片对特定网络的计算效率。
3. 增大内存带宽：避免成为计算瓶颈。某芯片公司研发工程师表示，需依据具体应用需求合理规划带宽。
4. 因地制宜：不同应用场景适合不同设计方式。后摩智能联合创始人信晓旭认为，需从系统维度设计NPU。
5. 把NPU当成AI处理器设计：爱芯元智联合创始人刘建伟认为，应关注处理器指令集设计，增加相关算子以兼顾通用性和灵活性。
6. 基于“软件定义芯片”理念设计AI芯片：地平线等公司强调从软件驱动芯片设计，确保高效支持新算法。

　　此外，“舱驾一体”对车载AI芯片产生深远影响。黑芝麻智能高级市场产品总监徐晓煜指出，“舱驾一体”可降低成本和提升性能，但需解决技术挑战如功能安全隔离等。后摩智能信晓旭认为，“舱驾一体”发展路径从One Box到One Chip循序渐进。高阶单SoC舱驾一体方案需集成L2+甚至L3以上智能驾驶功能及丰富座舱功能，对芯片要求更高。

　　车载AI芯片的软件生态、适配性及平台化设计也是关键考量因素。构建丰富算子库和好用工具链可提升芯片可用性。安霸半导体孙鲁毅强调芯片适配性需满足客户需求。地平线通过平台化设计助力客户降本增效。

　　总结而言，随着新算法模型引入和EE架构推进，车载AI芯片迎来新一轮竞争。一款车载AI芯片能否上车并广泛应用取决于技术、市场、算力、功耗、成本及兼容性等多方面因素的综合平衡。