2，基于FPGA

FPGA就是現場可編程邏輯門陣列。它其實就是一個高能低耗的可編程芯片。用戶可以自定義芯片內部的電路連接來實現特定功能。而且時可擦寫，所以用戶可以根據不同時期的產品需求進行重復的擦了寫，寫了擦。

這個其實已經存在很久了，長期在通訊，醫療，工控和安防等占有一席之地。

相比GPU而言，它的主要優勢在于硬件配置靈活，能耗低，性能高以及可編程等，比較適合感知計算。目前出現針對FPGA的編程軟件平臺，進一步降低了準入門檻，使得FPGA在感知領域應用非常廣。

就拿前幾年上市的奧迪A8來說，它里面搭載了zFAS平臺，其中由Altera提供的的Cyclone V SoC就是基于FPGA技術打造的視覺解決方案�？梢哉f是最早的在車上的應用吧（如果不對請及時提出哈）。

這里面的巨頭就不得不提收購深鑒科技的FPGA巨頭：賽靈思了。

作為FPGA的發明者，賽靈思發展至今取得了不少傲人的成就，是全球首個無線晶圓發明者，現在全球擁有4300多項專利。

賽靈思的嵌入視覺解決方案主要包括計算機視覺和機器學習。

而在實際應用中，ADAS在嵌入視覺方面一般有低時延、低功耗和低成本三大要求�！昂芏喙こ處熆赡軙�立馬想到看上去完美符合這三項要求的ASIC。但我想提醒一下，人工智能的發展速度非常快，每天都會產生大量新的神經網絡，這就意味著ASIC得具有高度靈活性才能跟上快速的上市進程。賽靈思的SOC通過片內緩存數據的方式，搭載上大量的線上內存，最終有效降低了系統時延。

3，基于DSP

DSP也稱為數字信號處理器，是一種特別適合進行數字信號處理運算的微處理器。它在數學運算以及數據移動方面有著優異的性能。

這個相對來說美國德州儀器（TI），是這個解決方案的領導者。

它推出了TDA2x汽車系統芯片SoC，在低功耗封裝中將高能，視覺分析，圖形以及通用處理內核進行結合，實現包括遷至相機，環視等在內的ADAS應用。

而且授權的CEVA公司發布的圖像和視覺處理產品CEVA－XM4可以支持實時三維深度圖生成和擁宇三維點云數據處理。功耗只有現GPU的10％左右。

典型的混合式CPU／GPU的處理架構方案相比，建基于DSP架構的CNN引擎，能提供高達近三倍的性能。而且，DSP引擎除了所需電源比GPU小30倍之外，所需的內存帶寬，也只有約GPU的五分之一。CNN算法，屬于乘法和加法密集型（Multiply－accumulate， MAC），因此本質上十分適合運用DSP。也就是說，若要在嵌入式系統中實現CNN，DSP不僅能夠取代GPU和CPU，而且成本和功耗更低。

4，基于ASIC

ASIC就是專用集成電路，是為某種特定需求而定制的芯片。一旦設定制造完成，內部電路以及算法就無法改變。它的優勢在于體積小，功耗低，性能以及效率高，大規模出貨的話，成本非常低。

它和FPSG最明顯的區別就是，FPSG就像樂高，可以在開發過程中各種變更，但是量產后成本也降不下來。ASIC類似開模生產，投入高，量產后成本低。所以一般前期開發階段多用FPSG，量產多用ASIC。

這里比較知名的應用ASIC技術開發芯片的廠商就是Mobileye了，已經被英特爾收購了，而同樣也是被英特爾收購的Nerbana也是屬于ASIC芯片供應商。

總結

盡管現階段采用GPU架構、GPU＋FPGA異構化、ASIC架構的車企并行存在，但綜合來看，車企更傾向于選擇ASIC專用型芯片，以自身更好的軟件算法同時滿足高性能和低功耗的要求。

專屬AI芯片的研發只有少數科技巨頭如谷歌、英特爾參與其中。國內如地平線是面向中國智能駕駛場景所研發的專用芯片，相比Mobileye，其芯片方案要更適合于中國場景，這是國內企業在AI芯片領域的突破，也是具有創新性的中國方案。

此外，國內寒武紀、西井科技等也在AI專用芯片領域有所布局。

通用芯片GPU、CPU、FPGA在某些特定場景下會造成功能浪費，面積和功耗的冗余。ASIC專用芯片可以根據特定的算法實現計算能力和計算效率的專用定制化，隨著各類應用場景在自動駕駛不同領域的滲透，即時性應用場景在深度學習上所需要的推理能力越來越強，在云端進行軟件升級并進行計算已無法滿足特定場景的即時性要求（5G時代的來臨或許有可能解決這一數據傳輸速率的瓶頸），因此，各類應用場景將推動AI專用芯片的研發。

綜上所述，各芯片架構并存的現象還將會延續一段時間，在自動駕駛車進入量產階段后，GPU、CPU將會更廣泛應用于一些較為通用的場景，大規模AI芯片的需求量將使ASIC前期的成本顯著降低，車企選擇ASIC架構的AI芯片或將成為趨勢。因此，國內AI初創企業應緊跟自動駕駛對于AI芯片的需求，針對中國智能駕駛應用場景，采用軟硬件一體的結合方案，使算法在硬件上得到最優化，從而在與整車廠的合作中，能夠針對特定需求定制芯片，擴大自身優勢，在AI芯片領域占據一席之地。