面对特斯拉芯片发展之路，国产芯片如何追赶？

2021年8月24日 375点热度 0人点赞 0条评论

8月20日，特斯拉AI Day上，马斯克协同自动驾驶软硬件的高管们，对外公布了新的感知、规控算法架构，以及由自研D1芯片组成的Dojo超算中心。

然而传闻中的第二代FSD芯片并没有亮相。这意味着，特斯拉早在2019年便发布的FSD Chip，将承载着特斯拉新的视觉神经网络、更复杂场景下庞大的计算量，以及快速迭代，帮助特斯拉收集有效数据的Triggers。

甚至作为彩蛋出现的Tesla Bot，其“大脑”也依旧是这款2019年发布的FSD芯片。

自动驾驶技术发展如此迅猛，比HW3.0版Model 3更晚的车型，也开始纷纷切换计算芯片，不得不惊叹FSD芯片有如此长久的生命力。

芯片设计本质上是将算法抽象出来，设计一套能承载各类算法高效运行的硬件。这意味着，想要把自动驾驶芯片做好，就需要对自动驾驶算法及算法发展趋势有清晰的认识，对技术发展方向足够笃定。

在芯片领域摸爬滚打长达20年的单记章对此深有体会。单记章毕业于清华大学无线电系，曾在全球顶尖的 CMOS 图像传感器公司豪威，担任研发副总裁，专注图像处理和视觉感知，个人拥有100 多项相关专利。在看到计算机视觉将彻底改造汽车行业的趋势下，单记章带着自己在视觉处理领域的积累，创办了自动驾驶芯片企业黑芝麻智能。

黑芝麻在2020年6月发布的A1000芯片，在架构选择上，与特斯拉FSD芯片非常相似。这或许就是一种行业先行者的英雄所见略同。这种相似，主要体现在以下两点共识。

摄像头≠视觉，摄像头+ISP＝视觉

在AI Day上，特斯拉Autopilot 软件总监Ashok Elluswamy，介绍了他们如何用搭建的虚拟仿真系统，来对视觉感知做针对性训练，例如过曝、过暗。

这些模拟的场景，实际上高频地发生在我们的驾驶过程中，例如从隧道出来后的强弱光交替，遇到迎面而来亮瞎眼的“远光狗”，以及更为平常的黑夜、雨后反光路面等等。这些都算是高频且危害较大的场景。

如何对抗这些危险的场景呢？ISP(Image Signal Processing，图像信号处理) 是唯一解。在特斯拉FSD芯片中，紧接着Input 的，就是ISP。看过我们《超级补课》的小伙伴会知道ISP是Image Signal Processor 的简称，也就是图像信号处理器。我们把它比喻为LOL游戏中的“水银饰带”，能够秒解摄像头的“致盲”Debuff。

摄像头本就是模仿我们的眼睛，因此它也会和人眼一样，在低光照、强弱光交替等场景下看不清。但好在摄像头可以借助ISP算法自动调整曝光、去噪、白平衡矫正等一顿操作，使其能够获得对前方道路环境的完整感知。

实际上得益于手机厂商的宣传，很多人对ISP处理器是早有耳闻的。苹果手机的像素只有1200万，这个数据被一众安卓产品按在地上摩擦，但不论是照片的成像效果，还是视频的拍摄效果，iPhone都是顶流的存在，这其中就少不了ISP的功劳。

因此国内手机厂商华为小米ViVO，在计划自研芯片时，都选择了从ISP动手，因为在手机约等于半个微单的当下，自研ISP对“跑分”的影响是最立竿见影的。

虽然ISP在手机领域很成熟，但这并不意味能直接搬上车。自动驾驶对ISP提出了更高的设计需求，首先是低延时，手机拍摄可以允许1到2秒的延时，但这对自动驾驶而言是决不允许的，车辆“致盲”2秒在高速上就意味着跑出去50多米，这已经不能用危险来形容了。因此车端芯片的ISP需要毫秒级的高处理率和高传输率。

此外自动驾驶汽车的ISP要求全时在线，面临的场景也丰富的多，诸如被强光直射、黑夜、强弱光交替等极端场景，车端芯片的ISP需要解决这些挑战。

差异最大的是处理的带宽上，手机只需要处理1个摄像头，但车端就需要同步处理多个摄像头，且每个摄像头的方位不一样，光线条件遇到的问题也都不相同。例如特斯拉的ISP，就需要同步处理不同方位8路摄像头的信号。目前自动驾驶芯片厂商中，黑芝麻选择了自研ISP的IP，针对车载场景做了优化，做到了1.5Gpps的带宽。

现有通用的ISP IP，由于并非针对自动驾驶开发，因此在算法的兼容上会有瓶颈，但由于特斯拉仅8个200万摄像头，选择通用的ISP架构能够满足需求。而自动驾驶芯片厂商，需要兼容更多车企客户的传感器方案，特别是即将到来的千万像素摄像头，对多传感器格式的兼容，以及带宽提出了更高的要求。

以黑芝麻自研的ISP为例，1.5Gpps的带宽能够毫秒间，同时处理6路800万像素摄像头的输入。此外，针对自动驾驶自研的ISP，对自动驾驶的特征场景处理也会大幅提高。

下方的一张图，就能够直观展示通用ISP和黑芝麻自研ISP，对同一摄像头输入的处理表现差异。

除了处理好当下智能汽车需要处理的各类环境，黑芝麻自研的ISP，还针对智能汽车下个发展阶段做了技术规划。目前智能汽车已经能够看懂交通标识，接下来需要突破的便是识别红绿灯，只有理解了各类信号灯，汽车才能真正像人一样遵守交通规则。

识别信号灯对摄像头而言是很难的，因为有频闪的存在，某L4级Robotaxi企业为了对抗频闪，还在车上加了一个专拍信号灯的摄像头。黑芝麻自研ISP解决了这个问题，其利用LED闪烁抑制（LFM）技术，可以有效消除交通信号灯和汽车LED照明的高频LED闪烁问题，令不同光照条件下交通信号灯和车灯识别算法更加准确，提高自动驾驶视觉感知系统的可靠性，保障所有道路参与者安全。

很多人对视觉有所误解，认为视觉就是摄像头采集的信息，实际上摄像头采集的信息就如同是菜市场买来带泥的菜，需要在ISP的多道工序处理下，才能成为烹饪所需的食材。摄像头和ISP的组合，一同构成了视觉信息输入。

从《超级开箱》此前评测来看，很多车企基本是没有开发ISP算法的，其辅助驾驶系统在夜间低光照环境下的表现，和白天差异非常大。这一方面是部分车企对ISP还不够重视，而最为关键的是，目前市面上的自动驾驶计算芯片，很少有能为ISP算法提供很好的硬件支持。

自研ISP的黑芝麻A1000及A1000pro芯片，为车企提供了解决方案。除了硬件支持外，黑芝麻还提供强大的tuning服务能力。黑芝麻基于自身在ISP的软硬件积累，组建了专门服务客户摄像头模组适配调优的团队，业内主流sensor及镜头，都已于A1000系列芯片适配完成，车企可以快速灵活部署。

NPU主导的大算力架构支撑自动驾驶长期发展

NPU（神经网络加速器）是特斯拉研发团队自研的IP，在FSD芯片占比最大最为重要。支撑特斯拉的算法能够从2D到4D的迁移，其自研的NPU是最大的功臣，72TOPS的算力，能够支持更大规模的并行计算，运行参数量更大的计算模型。

可以看到，在视觉神经网络成为自动驾驶核心技术的当下，由NPU主导的大算力架构，才能支撑起自动驾驶的长期发展。

算力需求和算法的优劣是成反比的，通过对算法的优化，可以降低对算力的需求。当下，多数车企和Tier 1的算法还处于探索阶段，因此提供更大的算力，以及兼容度更高的NPU，是最为友好的自动驾驶芯片设计方案。

这一点上英伟达、黑芝麻都有着共识。英伟达Orin几乎是沿用了Xavier的设计方案，兼顾深度神经网络和传统计算机视觉算法的计算加速，同时通过更先进的制程，更新的GPU架构，实现了高算力。Orin的做法自然受到了多家车企的青睐，但昂贵的成本下，车企也需要做找替代方案的考虑。

黑芝麻的做法则是介于特斯拉FSD与英伟达之间，尽可能做到与英伟达方案一样均衡兼容的同时，更多押注NPU提供更高的算力支持。

黑芝麻面向L2-L3应用场景的A1000产品，通过自研NPU，算力最高可达116TOPS，与同期产品对比，是英伟达Xavier算力的3倍以上，地平线今年发布的征程5系列也达到了类似的性能。黑芝麻对标英伟达Orin的A1000 Pro单Soc算力最高可达196TOPS，通过多颗级联的方式，能够实现1000+TOPS的算力支持。

更大算力意味着更强的算法兼容性，以及能处理更多的信息输入，而这正是自动驾驶发展的需求。近年来，小鹏、蔚来等车企，纷纷从Mobileye切换到了英伟达，背后就是对高算力的需求。

不久前发生的NOP高速事故，AutoLab在报道中提到，Mobileye EYE Q4芯片可能无法支撑蔚来针对特征场景做定向开发，一方面因为Mobileye的算法和处理是封闭固定的，车企很难更改。另一方面在于Mobileye EYE Q4架构上侧重传统计算机视觉算法，对深度神经网络为主的深度学习算法支持不够。这都导致了，即便蔚来知道让系统识别桩桶，可以提升NOP的安全性，但它也依然没有去做。

辅助驾驶迈向自动驾驶的量变到质变，从来都不是功能的叠加，适用场景的拓展，而是系统安全性和稳定性的提升，只不过在营销的压力下，新的功能，新的场景拓展往往比系统的安全可靠有更高的关注度。可以预见的是，未来1到2年，主流车企的辅助驾驶系统，在功能上会逐步趋同，能拉开差距的，是系统的安全性和稳定性。

而黑芝麻的A1000系列产品，大算力的NPU配合丰富的异构计算单元(GPU, DSP, ARM等)，提供强大的SOC计算能力，让智能车辆在应对极端情况下的安全性大大增加。这一点上，黑芝麻已经在国内一众芯片厂商中走在前列，并逐步向全球领先水平靠拢。

以深度神经网络为主的深度学习算法，可以帮助系统逐一消灭极端场景，提升系统的安全性和可靠性。同时特斯拉也证明了，侧重支持神经网络加速的NPU，可以让自动驾驶芯片具备较长的生命周期，应对算法的演进和优化。

因此我们判断，辅助驾驶到自动驾驶这一量变到质变的发展阶段，深度神经网络为主的深度学习算法，也将逐步取代传统计算机视觉算法。而包含NPU的大算力自动驾驶芯片，也将登上C位，逐步取代小算力芯片。

写在最后

并非所有车企都能为自己的算法自研自动驾驶芯片，国内外可供选择的自动驾驶芯片也并不少，选择一款符合技术发展趋势的芯片至关重要，特斯拉的芯片架构提供了非常好的参考。

对消费者而言，我们在关注量产车辅助驾驶体验的同时，也可以去看这款车型背后用了怎样的芯片，因为芯片的选择能一定程度显示车企的技术侧重，同时也透露着硬件的生命周期，没有人希望刚入手，就成了“上代产品”。

毕竟车不是手机，汽车的智能硬件差异，对功能和系统整体的安全性影响非常大，需要谨慎考虑。