智能驾驶芯片排名并不简单只看AI算力，CPU、存储带宽、功耗和AI算力数值一样重要，这个下文会详细分析。CPU算力也很重要，智能驾驶系统软件异常复杂，会消耗大量的CPU运算资源，软件系统包含众多中间件诸如SOME/IP、自适应AUTOSAR、DDS、ROS等，基础软件包括订制的Linux BSP、OS抽象层、虚拟机，还有与底层硬件关联的内存管理、各种驱动、各种通讯协议等等。除此之外，应用层中的路径规划、高精度地图、行为决策等也大量消耗CPU资源，同时CPU也管理AI运算时的任务调度、存储搬运指令等，整体的任务调度、决策自然也是CPU的任务。CPU是绝对的核心，AI是CPU的附属功能，只是在做图像特征提取、分类、BEV变换、矢量地图映射或空间分布占有时才用到AI。

排名的权重依次是AI算力、存储带宽、CPU算力、GPU算力、制造工艺。存储带宽和AI算力同等权重，GPU也是锦上添花，大部分车载AI处理部分只能对应INT8位数据，而GPU可以对应FP32数据，有些时候可能有很大作用。实际AI算力数字完全是个黑箱，操作空间极大，参考意义不大。最能准确衡量算力的是MAC阵列数量，谷歌的TPU V1是65000个FP16 MAC，运行频率0.7GHz，那么算力就是65000*0.7G*2=91TOPS。特斯拉第一代FSD两个NPU，每个NPU是9216个INT8 MAC，运行频率是2GHz，算力就是2*2*2G*9216=73.7TOPS。制造工艺方面，自然还是越先进，功耗越低。

智能驾驶芯片TOP20

图片来源：公开资料整理

如何计算存储带宽，芯片本身都有存储管理器，这通常是CPU的一部分，决定存储带宽的有两点，首先是CPU支持的存储类型，即存储的物理层和控制器，其次是CPU的存储带宽，LPDDR的存储带宽最高一般是256比特，GDDR可以到384比特，HBM可以到4096甚至8192比特，这些都关联成本，厂家在设计芯片时，会在成本和性能之间找一个平衡点，有些厂家偏重成本，那就64比特甚至32比特，有些偏重性能，如真正的AI芯片，无一例外都是HBM的，成本都在1500美元以上。

常见汽车内存性能与价格对比

图片来源：公开资料整理

上表为常见汽车内存性能与价格对比，显然，一分价钱一分货。英伟达H100是HBM3的最大采购者，每GB的采购价格大约14美元。还有一点需要指出，目前没有车规级GDDR6存储芯片。

目前智能驾驶芯片除了百度和特斯拉，都采用了LPDDR。

历代LPDDR的参数

图片来源：公开资料整理

存储带宽等于CPU的存储位宽乘以存储器的Datatransfer rate, DDR (MT/s)再除以8换算为大写的GB，例如英伟达Orin其存储位宽是256比特，支持LPDDR5，传输速率为6400MT/s，那么存储带宽为256*6400M/8=204.8GB/s，再比如特斯拉一代FSD，存储位宽是128比特，支持LPDDR4，传输速率为3200MT/s，存储带宽就是128*3200M/8=51.2GB/s。

存储带宽如此重要的原因是Roof-line模型，Roof-lineModel 解决的，是“计算量为A且访存量为B的模型在算力为C且带宽为D的计算平台所能达到的理论性能上限E是多少”这个问题。

模型计算量指的是输入单个样本（对于CNN而言就是一张图像），模型进行一次完整的前向传播所发生的浮点运算个数，也即模型的时间复杂度，单位是FLOPS。访存量：指的是输入单个样本，模型完成一次前向传播过程中所发生的内存交换总量，也即模型的空间复杂度。在理想情况下（即不考虑片上缓存），模型的访存量就是模型各层权重参数的内存占用（Kernel Mem）与每层所输出的特征图的内存占用（Output Mem）之和。计算量除以访存量就可以得到模型的计算强度I (Intensity)，它表示此模型在计算过程中，每Byte内存交换到底用于进行多少次浮点运算。单位是FLOP/Byte。模型在计算平台上所能达到的每秒浮点运算次数（理论值）。单位是 FLOP/s，即P。

算力决定“屋顶”的高度（绿色线段），带宽决定“房檐”的斜率（红色线段）

模型计算的理论性能自然不可能超过其硬件的最大理论性能，如果有一个异常消耗算力的模型，其需要的算力超过了计算平台的理论性能，那么计算平台的利用率是100%，也就是红色线段部分，这时的风险就是处理图像的帧率或者说FPS会达不到目标帧率，对智能驾驶来说，主流帧率是30FPS，低速智能驾驶可以再降低一点，高速需要再升高一点。由于需要的算力太高，计算平台满负荷运转也无法适应，帧率会下降，此时高速行驶的话就会有风险，一般来说，厂家不会推荐算力需求远超理论性能上限的模型。

在低于100%利用率的绿色线段部分，模型理论性能 P 的大小完全由计算平台的带宽上限（房檐的斜率）以及模型自身的计算强度 I (Intensity)所决定，因此这时候就称模型处于 Memory-Bound 状态。可见，在模型处于带宽瓶颈区间的前提下，计算平台的带宽即房檐越陡，或者说模型的计算强度 I 越大，模型的理论性能 P 可呈线性增长。斜率越低，意味着即使计算强度快速增加，计算平台算力的增加还是很缓慢，计算平台的利用率很低，比如计算平台的理论算力是100TOPS，斜率很低，很高计算强度的模型利用率也可能不到50%，换句话说，存储带宽决定了计算平台的性能利用率，因此存储带宽重要性丝毫不亚于算力，甚至高于算力。这也是为何特斯拉二代FSD排名第二的主要原因，GDDR6的带宽相对LPDDR有压倒性优势。

特斯拉第二代FSD

图片来源：网络

特斯拉第二代FSD采用了三星的7纳米工艺，之所以用三星代工，主要可能还是价格和地理因素，三星代工的价格远低于台积电，只有台积电价格的一半左右，台积电的亚利桑那厂效率低下，从2020年开工建设，预计到2025年才能投产，而三星的德克萨斯奥斯汀二代工厂仅用两年就完工投产，而特斯拉总部离奥斯汀也很近。第一代FSD使用三星的14纳米工艺，WikiChip的数据显示，三星7nm LPP HD高密度cell方案的晶体管密度在95.08 MTr/mm²，而HP高性能方案的晶体管密度则在77.01 MTr/mm²；三星14纳米UHP方案的晶体管密度则在26.22MTr/mm²，HP方案晶体管密度则在32.94 MTr/mm²，基本上三星7纳米是14纳米密度的3倍以上，意味着特斯拉至少可以塞进3倍多的MAC阵列，AI性能可以提升三倍，一代FSD的AI性能是73.7TOPS@INT8，3倍就是221.1，再像英伟达那样搞个稀疏模型加速，算力数字可以再增长一倍，加上二代FSD芯片面积明显比一代要大，且NPU增加到3个，因此估计算力在500TOPS上下。特斯拉二代FSD也大幅度加强了CPU，使用三星Exynos 20核心配置，这也说明CPU在智能驾驶中很重要。

安霸的CV3熟悉的人可能不多，其存储带宽支持最高的LPDDR5X，且是最高的256比特，采用三星的5纳米工艺制造，目前得到了德国大陆汽车公司的支持。

安霸CV3-AD内部框架图

图片来源：Ambarella

安霸CV3-AD最高包括了16核心的Coretex-A78AE，CPU算力也是极高。也通过了ASIL-B级认证。AI算力方面是等效于500TOPS。英伟达的位宽是256比特，特斯拉和Mobileye大多是128比特，征程6未公布存储信息。

百度的昆仑芯2很少人知晓，实际这不能算百度的，它是百度芯片部分独立后的产物，公司全称是昆仑芯（北京）科技有限公司，前身为百度智能芯片及架构部，于2021年4月完成独立融资，首轮估值约130亿元。2022年11月29日，在百度Apollo Day技术开放日上，第二代昆仑芯在百度无人驾驶车辆RoboTaxi的驾驶系统上已经做了完整的适配，在高阶自动驾驶系统中运行正常。2011年,昆仑芯科技正式独立，开始从事AI计算相关的工作，早期使用FPGA芯片来对AI进行计算加速。2011-2015年之间，昆仑芯科技部署了超过5000片FPGA芯片用在百度数据中心，到了2017年累计部署超过12000片的FPGA芯片。并在2018年决定自研AI芯片，正式启动昆仑芯系列产品的研发和设计。2020年，第一代昆仑芯开始大规模地部署，2022年，第二代昆仑芯在数据中心、工业领域、自动驾驶等领域大规模地部署和落地。第一代昆仑芯是14纳米的人工智能芯片, 这款芯片采用了先进的HBM内存、2.5D的封装，芯片刚量产就在百度数据中心里面部署了超过2万片。一年后第二代昆仑芯量产，采用了更先进的7纳米工艺、XPU第二代的架构，也是业界第一颗采用GDDR6高速显存技术的AI芯片。昆仑芯科技正在研发更先进的第三代AI芯片,针对高阶自动驾驶系统，未来会考虑推出定制的车规高性能的SoC（系统级芯片）。

英伟达对存储系统一向比较重视，全线都是最高的256比特。高通SA8650与座舱领域的SA8255非常近似，CPU和GPU基本完全相同，AI算力做了特别加强，存储位宽是比较少见的96比特，SA8650是取代上一代SA8540P的，主要是增加了针对功能安全的部分，增加了4个Cortex-R52内核。Mobileye对成本异常重视，也从不公布其存储带宽和支持存储类型，只能猜测。Xavier虽是早期产品，但存储位宽是最高的256比特，所以排名很靠前。