PAGE PAGE 10 内容目录 芯片是软件定义汽车生态发展的基石 5 汽车处理芯片由 MCU 向 AI 芯片方向发展 7 汽车数据处理芯片运算由控制指令向 AI 运算方向发展 7 ARM 内核提供芯片控制指令运算能力 9 AI 处理器提供芯片智能运算能力 10 车规级芯片条件苛刻 11 MCU 引领汽车由机械化时代走向电气化时代 13 MCU 承担汽车执行 ECU 的运算大脑 13 预计 2025 年我国汽车 MCU 市场达 32.9 亿美元，CAGR 7.7% 14 汽车 MCU 行业加快整合集中度提升 16 软件定义汽车时代来临，域控制 AI 芯片是重要一环 18 AI 芯片是智能汽车时代实现域控制的核心 18 预计 2025 年我国汽车 AI 芯片市场超 91 亿美元，CAGR46.2% 19 集成更多 AI 单元是智能芯片技术路径发展的大趋势 20 域控制器 AI 芯片呈现三强多极竞争格局 23 特斯拉：自研 FSD 芯片，引领产业发展 25 NVIDIA：全球通用 AI 芯片龙头，构建生态王国 27 Mobileye：背靠英特尔，全球自动驾驶 AI 芯片龙头 32 华为：依托芯片，欲打造最强生态体系 36 地平线：对标 Mobileye，AI 芯片率先搭载 UNI-T 座舱域 39 寒武纪：源于中科院，面向云边端全领域 42 域控制器 AI 芯片潜在进入者 44 图表目录 图 1：博世 E/E 架构升级进程 5 图 2：由控制指令运算为主的分布式 ECU 向 AI 运算的中央计算平台发展 6 图 3：汽车半导体分类 7 图 4：MCU 芯片结构 8 图 5：SOC 芯片结构 8 图 6：ARM Cortex 处理器家族分为 A/R/M 三大系列 10 图 7：智能芯片分为云边端三大类 11 图 8：人工智能算法的概念分类 11 图 9：MCU 的工作过程 13 图 10：BOSCH 的 ECU 实物图 13 图 11：不同位数 MCU 的应用类型 13 图 12：发动机管理系统 ECU 功能应用逐渐复杂化 14 图 13：2018 年传统汽车 MCU 单车价值 78 美元 15 图 14：2018 年纯电动汽车 MCU 单车价值 77 美元 15 图 15：全球通用 MCU（汽车、工业、消费电子等）竞争格局 16 图 16：2017 年全球汽车 MCU 市场份额 17 图 17：自动驾驶信息传递环节 18 图 18：CPU 结构 20 图 19：GPU 结构 20 图 20：FPGA 结构 21 图 21：N-SOC 结构(华为达芬奇架构） 21 图 22：Autopilot 硬件 1.0 25 图 23：Autopilot 硬件 2.0 25 图 24：Autopilot 硬件 2.5 26 图 25：Autopilot 硬件 3.0 26 图 26：特斯拉 FSD 芯片结构 27 图 27：NVIDIA 在 GPU 市场是 AI 芯片龙头 28 图 28：英伟达的 K1 芯片嵌入奥迪 A8 的 zFAS 系统中 29 图 29：NVIDIA PX2 系列产品 30 图 30：NVIDIA 系列产品 30 凯云官网图 31：Mobileye 是全球自动驾驶芯片龙头 33 图 32：2014-2019 年 EyeQ 芯片出货量 CAGR 45% 33 图 33：2014-2019 年 Mobileye 收入 CAGR 43.7% 33 图 34：EyeQ3 芯片 35 图 35：EyeQ4 芯片 35 图 36：EyeQ5 芯片 35 图 37：华为 MDC 计算平台 37 图 38：达芬奇架构（单核） 38 图 39：MDC300 计算平台 38 图 40：华为“八爪鱼”自动驾驶云服务 39 图 41：地平线芯片的 BPU 架构 40 图 42：地平线的征程二代 SOC 芯片 40 图 43：地平线 年征程二代芯片首次量产搭载在长安 UNI-T 上 42 图 45：寒武纪 MLU290 云端 AI 芯片 43 图 46：寒武纪基于 MLU290 的 AI 加速卡 43 图 47：寒武纪 MLU220 边缘端 AI 芯片 44 图 48：寒武纪基于 MLU220 的 AI 加速卡 44 表 1：SOC 较 MCU 芯片功能更复杂 9 表 2：汽车芯片标准远高于消费级 11 表 3：功能安全标准对故障等级要求苛刻 12 表 4：2030 年我国汽车 MCU 市场规模达 47.6 亿美元 15 表 5：全球主要汽车 MCU 公司概况 17 表 6：2030 年我国汽车 AI 芯片市场规模达 177 亿美元，十年 GAGR 28.1% 19 表 7：AI 芯片的主要技术路径 21 表 8：汽车主要 AI 芯片对比 23 表 9：特斯拉自动驾驶系统方案 26 表 10：NVIDIA 自动驾驶系列产品 29 表 11：NVIDIA 全球车企合作情况 31 表 12：NVIDIA 全球共与六家一级供应商展开合作 32 表 13：Mobileye EyeQ 系列芯片 34 表 14：地平线：地平线：寒武纪云端/边缘/终端系列产品 42 表 17：边缘端芯片产品公司（均 N-SOC 芯片） 44 表 18：云端芯片产品公司（除英伟达 GPU 外，其余均 N-SOC 芯片） 45 芯片是软件定义汽车生态发展的基石 在智能网联汽车产业大变革背景下，软件定义汽车理念已成为共识。传统汽车采用的分布式E/E 架构因计算能力不足、通讯带宽不足、不便于软件升级等瓶颈，不能满足现阶段汽车发展的需求，E/E 架构升级已成为智能网联汽车发展的关键。 汽车 E/E 架构升级主要体现在：1）硬件架构升级。由分布式 ECU 向域控制/中央集中架构方向发展。好处在于：提升算力利用率，减少算力设计总需求；数据统一交互， 实现整车功能协同；缩短线束，降低故障率，减轻质量。2）软件架构升级。通过 AutoSAR 等软件架构提供标准的接口定义，模块化设计，促使软硬件解耦分层，实现软硬件设计分离；Classic AutoSAR 架构逐步向Classic AutoSAR 和 Adaptive AutoSAR 混合式架构方 向发展。好处在于：可实现软件/固件 OTA 升级、软件架构的软实时、操作系统可移植； 采集数据信息多功能应用，有效减少硬件需求量，线）通信架构升级。车载网络骨干由 LIN/CAN 总线向以太网方向发展。好处在于：满足高速传输、高通量、低延迟等性能需求，同时也可减少安装、测试成本。 从博世对 E/E 架构定义来看，硬件架构的升级路径表现为分布式（模块化→集成化）、域集中（域控制集中→跨域融合）、中央集中式（车载电脑→车-云计算）。即为分布式ECU（每个功能对应一个 ECU）逐渐模块化、集成向域控制器（一般按照动力域、底盘域、车身域、信息娱乐域和 ADAS 域等），然后部分域开始跨域融合发展（如底盘和动力域功能安全、信息安全相似），并发展整合为中央计算平台（即一个电脑），最后向云计算和车端计算（中央计算平台）发展。其中车端计算主要用于车内部的实时处理， 而云计算作为车端计算的补充，为智能汽车提供非实时性（如座舱部分场景可允许微秒级别的延迟）的数据交互和运算处理。 图 1：博世 E/E 架构升级进程 数据来源：博世，东吴证券研究所绘制 硬件架构升级驱动芯片算力需求呈现指数级提升趋势。传统汽车功能简单，与外界 交互较少，常为分布式 ECU，主要为控制指令运算（约为百万条指令每秒）、无 AI 运算能力、存储较小；智能网联汽车，不仅需要与人交互，也需要大量与外界环境甚至云数据中心交互，未来将面临海量的非结构化数据需要处理，车端中央计算平台将需要 500+ 百万条指令/秒的控制指令运算能力、300+TOPS（即为 300*1012 次每秒）的AI 算力。 图 2：由控制指令运算为主的分布式 ECU 向 AI 运算的中央计算平台发展 数据来源：博世，佐思车研，东吴证券研究所 智能网联汽车四大核心技术：芯片、操作系统、算法、数据共同形成生态闭环，芯片是智能网联汽车生态发展的基石。类比手机产业链，我们认为芯片/操作系统或成为寡头垄断格局，而从当下行业发展看，芯片或格局相对较为稳定，且处在产业核心位置。 汽车处理芯片由 MCU 向 AI 芯片方向发展 半导体可分为模拟芯片、数字芯片、OSD 三大类。模拟电路是指处理模拟信号的电子电路。模拟信号具有连续性，信号传播的信息包含在幅度、频率、相位的变化上，常应用于放大信号，信号源两方面。数字电路是指处理数字信号的电子电路。数字信号以二进制逻辑代数为基础，实现简单，系统可靠，具有算数运算和逻辑运算的功能。OSD 包括光电器件、传感器、分立器件三个细分类型。 图 3：汽车半导体分类 数据来源：东吴证券研究所绘制 汽车数据处理芯片运算由控制指令向 AI 运算方向发展 现阶段，汽车芯片市场上对汽车数据处理芯片分类有按三类：1）智能运算为主的 AI 芯片；2）算力较强的主 CPU；3）算力较弱的 MCU（仍可视为 CPU）。也有按两类： 1）智能运算为主的 AI 芯片；2）CPU 运算为主的MCU。为了便于理解，主 CPU 和 MCU 的主要玩家都是同一类，而且 CPU 与 MCU 本质均为控制指令运算，因此我们采用第二种分类方法。 汽车芯片由以控制指令运算为主的 MCU 向智能运算为主的 AI 芯片方向发展。1） 控制指令运算可执行如等待指令、停机指令、空操凯云官网作指令、中断指令等，其运算单位为 DMIPS：即 Dhrystone MIPS 测试下，计算能力为百万条指令/秒，一般通用芯片常用其表示，如传统汽车电子的 MCU 等，代表厂商如英飞凌、瑞萨、恩智浦等。2）AI 矩阵运算常指对矩阵运算做加速的能力，对应用于图像、视频等非结构化数据的运算处理的情况下，单位功耗将更低，计算速度更快，其运算单位为 TOPS、Tflops，均指每秒运算 1012 次。TOPS：指数据类型为整数型，常用于自动驾驶等领域，代表产品如华为昇腾系列芯片、地平线征程系列芯片、寒武纪的 MLU 系列芯片等。Tflops：指数据类型为单精 度浮点数，较整数型数据精度更高，通用 AI 芯片常用它表示，常用于如核实验室运算、分子动力学运算等，代表产品如英伟达的 GPU 芯片。 在智能网联汽车领域，Int8 数据类型精度即可满足现阶段 AI 运算要求。Int 8 和 FP32 分为定点数和浮点数，小数点的位置是固定的，则为定点数，小数点的位置是浮动的，则为浮点数。Int8 代表 8 个字节，此外，还有 int4，int16 等字节数越高，计算精度会提升，但占用存储增多，会降低计算速度，所以为保证满足数据精度和运算速度，常用 Int8 数据类型，单位为TOPS（即 1012 次/秒）。 汽车芯片结构形式由 MCU 向 SOC 异构芯片方向发展。汽车数据处理芯片按应用可分为 MCU（微控制器）、SoC（System on Chip 系统级芯片）。MCU 结构简单，可视为简化版本的 CPU，其将 CPU 的频率和规格适当缩减，并将内存、计数器、IO 接口、 I/D 转换等结构都整合到单一芯片，形成芯片级的计算机，主要用于汽车执行端 ECU 中进行控制指令运算。SoC 是一颗系统级芯片，常由 CPU+GPU+DSP+NPU+各种外设接口、存储类型等电子元件组成，现阶段主要应用于座舱 IVI、域控制等较复杂的领域。 SOC 较 MCU 集成程度更高，常集成 AI 处理单元，功能更复杂。SOC 芯片：1） 硬件集成规模更为庞大，提升资源利用效率。常额外集成音频处理 DSP/图像处理GPU/ 深度学习加速单元 NPU 等，单颗芯片上集成更多的配套电路，减小了面积，提升资源利用率，片上互联利于集成电路之间的高速互通互联。2）芯片上软件配套更大，提升处理效率。SOC 芯片上有丰富的软件配套（工具链、编译器等），提升了处理效率。3）可支持多任务的复杂系统。但并非所有的 SOC 芯片均为 AI 芯片，需集成一定规模的时间网络单元才是 AI 芯片，如华为昇腾芯片、地平线征程芯片、寒武纪 MLU 芯片、特斯 拉 FSD 均为此类芯片。 图 4：MCU 芯片结构 图 5：SOC 芯片结构 数据来源：东吴证券研究所绘制 数据来源：东吴证券研究所绘制 表 1：SOC 较 MCU 芯片功能更复杂 MCU SOC 定义 芯片级芯片，常用于执行端 系统级芯片，常用于 ADAS、座舱 IVI、域控制等 典型组成 CPU+存储（RAM,ROM)+接口（IO Pin) CPU+存储（RAM、ROM)+较复杂的外设+音频处理 DSP/图 像处理 GPU/神经网络处理器 NPU 等 带宽 多为 8bit、16bit、32bit 多为 32bit,64bit 主频 MHz 级别 MHz-GHz RAM(主存） MB 级别 MB-GB 额外存储 KB-MB（Flash，EEPROM) MB-TB(SSD，Flash，HDD) 单片成本价格 便宜（0.1-15 美元/个） 较贵（座舱 IVI:10 美元左右，ADAS 域芯片超 100 美元） 常见厂商 瑞萨、意法半导体、爱特梅尔、英飞凌、美国微芯等 英特尔、英伟达、特斯拉（FSD）、华为、地平线、寒武纪、全志科技（座舱）等 复杂度 低 高 运行系统 较简单，一般不支持运行多任务的复杂系统 支持运行多任务的复杂系统（如 Linux 等） 数据来源：维基百科，东吴证券研究所整理 ARM 内核提供芯片控制指令运算能力 CPU 架构可分为 X86 为代表的复杂指令集架构，和 ARM 为代表的精简指令集架构。汽车 CPU 架构主要为 ARM 架构，在 MCU 和 SOC 中担任控制指令运算。CPU 架构可分为CISC（复杂指令集）架构和 RISC（精简指令集）架构。1）复杂指令集指令可 变格式，包括 8、16、32、64 位，其特点是单指令功能强大且复杂，指令执行周期长， 可以直接操作内存，常见的复杂指令集如 X86，代表企业 intel、AMD。2）精简指令集的特点是单指令功能简单、执行速度快，编译效率高，不能直接操作内存，常见的精简指令集有 ARM、MIPS、OpenRISC 以及 RSIC-V 等,代表企业：ARM。ARM 处理器内核广泛用于嵌入式系统，具有执行效率高，低成本等优点。 ARM Cortex 系列主要分为 A、R、M 三类。1）Cortex-A 系列：常集成于 SOC 中， 面向性能密集型系统的应用处理器内核，带宽多为 64/32 位，主频可达 GHz 级别 （1GHz=103MHz），当主频达到 1GHz 时，其单核控制指令算力为几千 DMIPS（DMIPS即为百万条指令每秒），多用于汽车座舱娱乐信息系统或 ADAS 领域；2）Cortex-M 系列：常集成于 MCU 中，主要面向各类嵌入式应用的微控制器内核，主频为几十-几百 MHz 级别，其单核控制指令算力为几十至几百 DMIPS，多用于汽车执行端控制领域； 3）Cortex-R 系列面向实时应用的高性能内核，介于A 与 M 之间。 图 6：ARM Cortex 处理器家族分为 A/R/M 三大系列 数据来源：CNSD，东吴证券研究所绘制 AI 处理器提供芯片智能运算能力 AI 处理器可分为云端处理器、边缘端处理器、终端处理器。1）云端 AI 处理器， 支持 Int8 定点运算或 FP16、FP32 浮点运算，支持深度学习推理/训练要求，主要应用于政府、企业数据中心的服务器中，如服务金融业、航空航天、气象预报、宇宙演化模拟以及抗震分析等领域计算。此外在未来 5G 应用，更多的汽车数据会传送到车企数据中心用来训练模型，实现软件、算法的优化。2）边缘端 AI 处理器，Int8 定点运算，支持深度学习推理要求，主要应用于工控机、安防摄像头、机器人、汽车车端等领域，由于所搭载设备的电力资源有限，能效比高（算力/功耗，值越高越经济）、接口丰富等是关键。3）终端 AI 处理器主要支持深度学习推理功能，主要应用于手机等移动终端，如华为麒麟系列芯片。未来云边端三类处理器并非竞争关系，而是未来会进一步协同发展， 云端训练模型实现算法软件的优化，并提供给边缘/终端进行本地化 AI 运算。 车端 AI 处理器现阶段主要负责深度学习的推理任务。智能算法范围由大至小依次为：人工智能、机器学习、深度学习、神经网络。应用场景越少，对应需要的实现的算法越少，就越适用于专用芯片，可通过精简处理器软硬件模块，使处理器计算效率、能效比更高。 图 7：智能芯片分为云边端三大类 图 8：人工智能算法的概念分类 数据来源：东吴证券研究所绘制 数据来源：东吴证券研究所绘制 车规级芯片条件苛刻 车规级芯片标准远高于消费级，认证流程长。1）工作环境更为恶劣：相比于消费 芯片及一般工业芯片，汽车芯片的工作环境温度范围宽（-40 至 155 摄氏度）、高振动、多粉尘、多电磁干扰。2）可靠性安全性要求高：一般的汽车设计寿命都在 15 年或 20 万公里左右，远大于消费电子产品寿命要求。在相同的可靠性要求下，系统组成的部件和环节越多，对组成的部件的可靠性要求就越高。3）车规级芯片认证流程长。一款芯片一般需要 2 年左右时间完成车规级认证，进入车企供应链后一般拥有 5-10 年的供货周期。 表 2：汽车芯片标准远高于消费级 参数要求 消费级 工业级 汽车级 温度 0-40℃ 零下 10~70℃ 零下 40~155℃ 湿度 低 根据使用环境而定 0-100% 验证 JESD47（Chips) ISO16750(Modules) JESD47（Chips) ISO16750(Modules) AEC-Q100（Chips) ISO16750(Modules) 出错率 3% 1% 0 使用时间 1-3 年 5-10 年 15 年 数据来源：CNSD，东吴证券研究所 汽车标准需认证可靠性标准 AEC-Q 系列、质量管理标准 ISO/TS16949 其中之一， 此外需要通过功能安全标准 ISO 26262 ASIL B(D）。ISO 26262 在 2011 年 11 月 15 日正式发布，主要包括四个等级，分别为 ASILA/B/C/D。ISO 26262 安全是汽车电子元件稳定性优劣的评判依据之一，通过该等级代表其产品稳定性合格，耐用，但不代表其算力、能效比高。此外，还需要通过零失效的供应链质量管理标准 TS16949/ISO 9000 国际认证体系下的汽车行业分支的标准认证；另一个是 AEC-Q 认证，由克莱斯勒、通用、福特 制定的汽车电子元件安全性检测标准。 表 3：功能安全标准对故障等级要求苛刻 单点故障等级 潜在故障等级 ASIL A NA NA ASIL B 90% 60% ASIL C 97% 80% ASIL D 99% 90% 数据来源：ISO26262 标准，东吴证券研究所 MCU 引领汽车由机械化时代走向电气化时代 MCU 承担汽车执行 ECU 的运算大脑 汽车发展初期，控制功能较少，一般新增一个功能便新增一个 ECU（Electronic Control Unit，即电子控制单元），即为典型的分布式电子电气架构。因此，一般汽车中包括多个 ECU，每个 ECU 管理不同的功能，而 MCU 芯片嵌入在 ECU 中作为运算大脑。MCU 的工作过程：传感器输入信号，输入处理器对信号进行模数转换、放大等处理后，传递给 MCU 进行运算处理，然后输出处理器对信号进行功率放大、数模转换等， 使其驱动如电池阀、电动机、开关等被控元件工作。MCU 主要有 8 位、16 位、32 位， 位数越多越复杂，处理能力越强，可实现的功能越多。 图 9：MCU 的工作过程 图 10：BOSCH 的 ECU 实物图 数据来源：汽车电子，东吴证券研究所绘制 数据来源：博世，东吴证券研究所 图 11：不同位数 MCU 的应用类型 数据来源：汽车电子，东吴证券研究所整理 MCU 单车价值量提升的核心逻辑在于：1）芯片用量提升，应用领域由传统底盘延 伸至整车。随着汽车电子化发展，ECU 逐渐占领整个汽车，从防抱死制动系统、四轮驱 动系统、电控自动变速器、主动悬架系统，到现在逐渐延伸到了车身各类安全、网络、娱乐控制系统等领域。2）芯片集成复杂化，单价提升。以发动机管理系统 ECU（MCU 为其核心芯片）为例，汽车电子发展的初期，ECU 最早仅应用于发动机的控制，如汽车发动机的排气管（氧传感器）、气缸（爆震传感器）、水温传感器等核心部件才会放置传感器，数量少。之后随着国三至国五标准的提升，在油耗控制、信号输出控制等方面需要芯片处理的能力增强，推动 MCU 芯片集成度提升，产品升级带来价值提升。 图 12：发动机管理系统 ECU 功能应用逐渐复杂化 数据来源：凌电变频，盖世汽车，东吴证券研究所绘制 预计 2025 年我国汽车 MCU 市场达 32.9 亿美元，CAGR 7.7% 2018 年汽车单车 MCU 价值量约为 78 美元。参考 Stratety Analytics 数据分析，现阶段不论是在燃油车还是纯电动车中，单车MCU 价值量大体相当。2018 年传统燃油车、纯电动车单车半导体价值量分别为 338 美元、704 美元，MCU 价值量占比分别为 23%、 11%，即 MCU 单车价值量分别为 78 美元、77 美元。主要原因在于现阶段电动车发展刚起步，多为经济型车，仅新增如电源管理系统等 MCU，但是也减少了如发动机管理系统等 MCU。随着电动化、智能化、网联化进程加快，无论是电控系统还是信息娱乐系统、网络系统等也需要更多的 MCU，MCU 单车价值量将持续快速提升。 图 13：2018 年传统汽车 MCU 单车价值 图 13：2018 年传统汽车 MCU 单车价值 78 美元 图 14：2018 年纯电动汽车 MCU 单车价值 77 美元 71 145 78 44 190 387 49 77 功率半导体 MCU 传感器 其他 数据来源：Stratety Analytics，东吴证券研究所 数据来源：Stratety Analytics，东吴证券研究所 假设：1）汽车市场容量预测。根据中汽协数据，2019 年我国汽车产量为 2572 万辆，借鉴海外发达国家发展经验，我们预计 2019-2030 年国内汽车复合增速为 2%。 2）数量预测。随着智能化进程加速，汽车控制功能逐年增多，单车平均 MCU 个数由 2018 年的 50 个将达到 2030 年的 62 个。分类别来看，2018 年 MCU 8 位、16 位、32 位个数分别为 20、20、10。现阶段，随着智能化对算力要求增加，相关的技术逐渐成熟， 32 位 MCU 用量将会快速提升，而 8 位 MCU 因体积小、成本低等优势单车使用数量仍将保持稳定，而 16 位 MCU 市场将逐渐被 32 位和 8 位 MCU 挤压，至 2030 年 8 位、16 位、32 位个数分别为 20、14、28。 3）单车价值预测。单车 MCU 价值由 2018 年的 78 美元提升至 2030 年的 149 美元。我们重点参照 NXP 市场数据，MCU 单价：8 位一般为 1 美元以下，16 位为 1-3 美元， 32 位为 3 美元以上。而随着技术逐渐成熟，16 位与 8 位单价正在逐年下降，32 位随着功能更加丰富和复杂化，更多高单价的产品正在被开发出来。预计 8 位、16 位 MCU 均价由 2018 年的 0.4 美元、1.8 美元分别下降至 2030 年的 0.35 美元、1.52 美元，32 位 MCU 均价由 2018 年的 3.4 美元提升至 2030 年的 4.31 美元。 2025 年我国汽车 MCU 市场规模达 32.9 亿美元，未来 6 年 CAGR 为 7.7%。经测算，2019 年我国汽车 MCU 市场规模为 21.1 亿美元，同比-2.7%，随着汽车智能化加速， 更多的功能将会被整车搭载，大量执行元件需要被 MCU 所控制，到 2025 年MCU 市场规模达 32.9 亿美元，CAGR 为 7.7%，到 2030 年将达 47.6 亿美元。 表 4：2030 年我国汽车 MCU 市场规模达 47.6 亿美元 2018 2019 2020E 2021E 2022E 2023E 2024E 2025E 2030E 个数 8 位 20.0 20.0 20.0 20.0 20.0 20.0 20.0 20.0 20.0 16 位 20.0 19.5 19.0 18.5 18.0 17.5 17.0 16.5 14.0 32 位 10.0 11.5 13.0 14.5 16.0 17.5 19.0 20.5 28.0 单车价值量（美元） 78.0 82.1 86.6 91.3 96.4 101.7 107.6 113.8 149.0 MCU 市场规模（亿美元 ） 21.7 21.1 22.7 24.4 26.3 28.3 30.6 32.9 47.6 同比 -2.7% 7.6% 7.6% 7.6% 7.6% 7.9% 7.8% 合计50.051.052.0 合计 50.0 51.0 52.0 53.0 54.0 55.0 56.0 57.0 62.0 单价 8 位 0.40 0.40 0.39 0.39 0.38 0.38 0.38 0.37 0.35 16 位 1.80 1.76 1.73 1.69 1.66 1.63 1.61 1.59 1.52 32 位 3.40 3.47 3.54 3.61 3.68 3.75 3.83 3.91 4.31 注：1）因集成化或导致芯片单价提升，个数减少，但整体单车价值仍提升； 2）此外市场部分观点把域控制器内部集成的 CPU/MCU 称之为主芯片，本测算也包含在此 MCU 市场中。 汽车 MCU 行业加快整合集中度提升 全球 MCU 通用市场并购加速。我们重点参考 MCU 通用领域（汽车、工业、消费电子等）市场，MCU 厂商为争夺市场份额，近年来发生了数起大规模并购。NXP 在 2015 年以 118 亿美元收购飞思卡尔，完成了在汽车电子领域的布局，排名也一举从第六上升至第一；Cypress 在 2015 年以 40 亿美元收购spansion；Microchip 在 2016 年完成对Atmel的收购，成为全球第二大 MCU 厂商。我们判断，汽车 MCU 市场也将随通用市场的加快整合，实现集中度的提升。 图 15：全球通用 MCU（汽车、工业、消费电子等）竞争格局 数据来源：IHS，东吴证券研究所绘制 欧美日前五大汽车 MCU 供应商占据全球 82.7%市场份额，头部集中效应显著。根据 Stratety Analytics 分析数据，全球汽车 MCU 市场前 5 占 82.7%的市场份额，前五大 MCU 供应商分别为日本瑞萨电子，欧洲：NXP、英飞凌，美国：德州仪器、微芯科技。全球前八大厂商也同样占据我国汽车 MCU 93%的市场份额。仍由欧美日传统汽车 图 16：2017 年全球汽车 MCU 市场份额17.3%31.2%5.8%8.5%9.4%27.8%数据来源：Stratety Analytics，Infineon，东吴证券研究所电子厂商占据绝大部分市场份额，我们重点参考 IHS 数据分析，目前中国 图 16：2017 年全球汽车 MCU 市场份额 17.3% 31.2% 5.8% 8.5% 9.4% 27.8% 数据来源：Stratety Analytics，Infineon，东吴证券研究所 表 5：全球主要汽车 MCU 公司概况 公司 中文 成立时间 国家 主营产品 应用领域 介绍 NXP 恩智浦 2006 荷兰 8、16、32 位 MCU 智能卡、汽车电子 前身为飞利浦集团的半导体部门，于 2006 年独立 Infineon 英飞凌 1999 德国 8、16、32 位 MCU 汽车电子、工业控制 前身为西门子集团的半导体部门，于 1999 年独立 Renesas 瑞萨电子 2003 日本 32 位 MCU 汽车电子、通信设备 由日立制作所半导体和三菱电机半导体部门合并设立 ST 意法半导体 1988 瑞士 32 位 MCU 电机控制、物联网 由意大利 SGS 半导体公司和法国汤姆逊半导体公司合并设立 TI 德州仪器 1947 美国 8、32 位 MCU 工业控制、汽车电子 最初为其母公司地球物理业务公司（GSI）的晶体管部门 Atmel 安森美 1999 美国 / / 摩托罗拉半导体部门拆分为安森美和飞思卡尔，后者于 2015 年被恩智浦收购 Microchip 微芯 1989 美国 8、32 位 MCU 工业控制、汽车电子 Toshiba 东芝 1875 日本 / / 由东京电气株式会社和芝浦制作所合并而成 数据来源：各公司官网，东吴证券研究所整理 Renesas NXP TI Infineon Microchip other 软件定义汽车时代来临，域控制 AI 芯片是重要一环 AI 芯片是智能汽车时代实现域控制的核心 汽车由分布式架构向域控制/中央集中式架构方向发展。传统分布式硬件架构面临 智能汽车时代多维感知需求和海量非结构化数据处理的需求，一般每新增一个应用功能， 便新增对应的感知传感器、决策、执行层。随着智能网联汽车时代的到来，以特斯拉为 代表的汽车电子电气架构改革先锋率先采用中央集中式架构，即用一个电脑控制整车。全球范围内各大主机厂均已认识到软件定义汽车的大趋势，纷纷升级自身的电子电气架 构，虽不同主机厂采用几个电脑控制整车的方案不同，但架构域控制/集中化方向相同。域控制器逐渐集成前期的传感器处理器、数据融合、路径规划、决策等诸多运算处理器 功能，因此对域控制器芯片算力需求大幅提升。 非结构化数据导致传统 MCU 不能满足需求，AI 作为协处理器逐渐成为智能时代的核心。随着芯片需要处理传感器传来的大量汽车内外部环境信息，而且也要处理大量图片、视频等非结构化数据，面向控制指令运算的 MCU 不能满足需求。AI 处理器作为智能时代的协处理器，成为智能汽车时代的核心。一般待处理数据信息会先传递给 CPU(等同于 MCU)，CPU 发现有大规模的非结构化数据，自身无法处理，便将其传输给 AI 处理器运算，而 CPU 便暂停运算，等待 AI 处理器运算结束后，再进行下一步操作， 所以AI 处理器是人工智能时代的协处理器,是现阶段智能汽车时代运算的核心。 图 17：自动驾驶信息传递环节 数据来源：NXP，东吴证券研究所绘制 预计 2025 年我国汽车 AI 芯片市场超 91 亿美元，CAGR46.2% 假设：1）汽车市场容量预测。如前文 MCU 测算假设一致，我国汽车产量 2019-2025 年复合增速为 2%。 2）各级别自动驾驶渗透率预测。L3、L4 级分别于 2020 年、2023 年规模量产，每年并以 3-4%渗透率提升。根据工信部发布的《汽车中长期发展规划》指出，我国 2020 年自动驾驶渗透率达 50%，2025 年渗透率达 80%。L3 级于 2020 年开始量产并规模投放市场，渗透率快速提升，随着 L4 级车于 2023 年开始量产，低级别渗透率陆续到达渗透率峰值后又缓慢下降。 3）各级别自动驾驶 AI 芯片单车价值预测。2020 年L1-L3 级 AI 芯片单车价值分别为 50 美元、150 美元、500 美元，随着技术逐渐成熟，2030 年下降到 41 美元、111 美元、315 美元。我们预计到 2023 年 L4 级高级自动驾驶出现，AI 芯片单车价值约为 1500 美元，到 2030 年下降到 931 美元。 2025 年我国 AI 芯片市场超 91 亿美元，未来 6 年复合增速达 46.4%。经测算，2020 年我国汽车 AI 芯片市场规模为 15 亿美元，同比增长 59.4%，随着汽车 EE 架构加速升级，域控制器/中央计算平台被广泛使用，到 2025 年 AI 芯片市场规模达 91 亿美元， CAGR 为 45.9%，到 2030 年将达 177 亿美元，十年复合增速 28.1%。 表 6：2030 年我国汽车 AI 芯片市场规模达 177 亿美元，十年 GAGR 28.1% 2019 2020E 2021E 2022E 2023E 2024E 2025E 2026E 2027E 2028E 2029E 2030E L1/L0 20% 25% 28% 28% 25% 20% 16% 13% 10% 8% 6% 4% L2 17% 23% 27% 30% 29% 27% 24% 22% 20% 18% 16% 14% 渗透率 L3 2% 7% 13% 19% 23% 26% 28% 26% 24% 22% 20% L4/L5 3% 9% 14% 19% 27% 35% 43% 51% 合计 37% 50% 62% 71% 76% 79% 80% 82% 83% 85% 87% 89% L1/L0 51 50 49 48 47 46 45 44 43 43 42 41 ASP (美元) L2 155 150 146 141 137 133 129 125 121 118 114 111 L3 500 475 451 429 407 387 371 357 342 329 315 L4/L5 1500 1350 1242 1143 1086 1031 980 931 L1/L0 3 3 4 4 3 3 2 2 1 1 1 1 市场规 模（亿美元） L2 7 9 11 12 11 10 9 8 7 7 6 5 L3 3 9 16 23 27 29 31 28 25 23 20 L4/L5 13 35 50 64 88 111 132 152 AI 芯片/亿美元 9 15 23 31 50 74 91 105 125 144 161 177 YOY 33.2% 59.4% 54.4% 35.3% 58.6% 49.2% 22.5% 15.6% 19.3% 15.1% 12.2% 10.0% 域控制器/亿美元 19 30 46 62 99 148 181 209 250 287 322 355 集成更多 AI 单元是智能芯片技术路径发展的大趋势 CPU，又称中央处理器，擅长逻辑控制和通用类型数据运算，具有不可替代性。CPU 有很强的通用性，可处理不同的数据类型，主要负责顺序控制、操作控制、时间控制、数据加工等操作，因此在任何一个电脑或嵌入式的计算中都有 CPU 或其裁剪版本。CPU 由控制器（Control），寄存器（Cache、DRAM）和逻辑单元（ALU）构成，其中控制器和寄存器占比较大，而处理数据的逻辑单元占比较小，因此对于专用领域数据处理能力较弱。代表厂商即为 X86 处理器的英特尔和嵌入式处理器的ARM。 GPU，又称图形处理器，俗称显卡，擅长大规模并行计算。GPU 拥有计算单元数量众多和超长的流水线，处理的数据类型通常为高度统一的、相互无依赖，省去了大量 CPU 的不必要控制指令计算模块，并行计算能力较 CPU 强。随着人工智能的发展，GPU 不断被应用于数值模拟、机器学习、视觉处理、语音识别等领域，厂商代表即为英伟达。 图 18：CPU 结构 图 19：GPU 结构 数据来源：CSDN，东吴证券研究所 数据来源：CSDN，东吴证券研究所 FPGA 全称是 Field Programmable Gate Array：又称可编程逻辑门阵列，算力较 高，适合小规模定制化开发测试。用户可通过烧入配置文件来定义其内部结构的连线， 从而达到定制电路的目的。FPGA 的芯片量产成本较高，能效比较差，不如 ASIC 专用芯片。适用于科研、企业开发阶段，一旦方案确定，其成本优势就不再突出。代表厂商： 赛灵思、阿尔特拉（被英特尔收购）、深鉴科技。 ASIC 全称是 Application-Specific Integrated Circuit：是一种为专门目的而设计的集成电路，具有算力最高，能效比优等特点。ASIC 面向特定用户的需求，适合较为单一的大规模应用场景，运行速度在同等条件下比 FPGA 快。但在架构层面对特定智能算法作硬化支持，指令集简单或指令完全固化，若场景一旦发生变化，该类 AI 芯片便不 再适用，需要跟新换代。面对现阶段，AI 算法日新月异，每年都有大量的算法被开发出来，对于自动驾驶领域适用性不强。所以现阶段并没有真正意义上的ASIC 芯片。 N-SOC，（即添加神经网络单元的系统级芯片）是指在芯片中集成更多的神经网络单元，以实现快速的 CNN（卷积神经网络）运算。N-SOC 是现阶段市场的新名词，主要系随着 AI 芯片的发展，传统定义方法并不完全适用，N-SOC 区别于 ASIC 的智能算法被硬化，但其并不是一颗完全通用芯片，仅支持少量的算法。典型的代表企业：英特尔旗下的 Mobileye、华为（达芬奇架构Ascend 系列）、寒武纪（MLU 系列）、百度（昆仑云）、阿里平头哥、Google（TPU）等。 图 20：FPGA 结构 图 21：N-SOC 结构(华为达芬奇架构） 数据来源：CSDN，东吴证券研究所 数据来源：华为，东吴证券研究所 由通用向专用排序依次：CPU、GPU、FPGA、ASIC；数据处理成本经济性（由优至差）：ASIC、FPGA、GPU、CPU。1）CPU 最通用，算力差，能效比最差，但除了运 算，还包括控制指令，不可被替代；2）GPU 为较为通用的芯片，算力高，架构较为开放，可允许主机厂基于底层硬件架构开发自己的专门算法，但能效比较差；3）FPGA， 算力一般，可根据客户需求用配置文件更改芯片结构的连线，实现定制电路，适用于实验室科研、前期开发等小批量应用；4）ASIC 为专用芯片，算力高、能效比优，节约不必要开发资源，规模量产成本最低，但支持算法不够灵活。 表 7：AI 芯片的主要技术路径 CPU GPU FPGA ASIC 定义 中央处理器 图像处理器 现场可编程逻辑门阵列 专用处理器 架构区别 70%晶体管用来构建 Cache,还有部分控制单 元，计算单元少，适合运算复杂，逻辑复杂，但量少的场景，具有不可替代性 晶体管大部分构建计算单元，运算复杂度低，适合大规模并行计算。支持各种编程框架，较 FPGA 和 ASIC 更通用 可编程逻辑，计算效率 高，更接近底层 IO，通过冗余晶体管和连线实现逻辑可编程 晶体管根据算法定制，功耗低、计算效能高、计算效率高。为特定需求专门定制的芯片，编程框架固定，更换算法需重新设计 计算能力和效率 算力最低，能效比差 算力高，能效比中 算力中，能效比优 算力高，能效比优 上市速度 快，产品成熟 快，产品成熟 快 上市速度慢，开发周期长 成本 用于数据处理时，单价成本最高 用于数据处理时，单价成本高 较低的试错成本 成本高，可复制，量产规模生产后成本可有效降低 性能 最通用（控制指令+运算） 数据处理通用性强 数据处理能力较强，专用 AI 算力最强，最专用 适用场景 广泛应用于各种领域 广泛应用于各种图形处 理、数值模拟、机器学习算法领域 适用成本要求较低的场 景，如军事、实验室、科研等 主要满足场景单一的消费电子等高算力需求领域 数据来源：CSDN，东吴证券研究所整理 AI 芯片通过添加神经网络单元实现 AI 运算的更高效。目前市场对未来汽车 AI 芯 片采用通用 GPU、FPGA、ASIC 芯片方案仍有较大争议，我们认为汽车数据处理芯片不断异构化，通过不断添加神经网络单元实现 AI 运算是未来发展的主要方向。除了华为、地平线、寒武纪等 AI 芯片不断增加神经网络单元外，而作为通用 GPU 的代表供应商英伟达的自动驾驶系列芯片，也通过添加神经网络单元，以实现对 AI 处理越来越高效。但总体而言 GPU 仍功耗较高，丰富的通用模块可实现对各种场景的适用性，但也带来了成本过高，功耗过高的问题。而新出现的 N-SOC 虽不是 ASIC 固定算法，具有成本/ 功耗较低等优点，但其针对各种场景的适应性仍较弱。在汽车领域，未来两者未来性能、成本等方面会有相互靠近的趋势。 域控制器 AI 芯片呈现三强多极竞争格局 结论：特斯拉 FSD 芯片自研自用，引领产业发展，属于独立一级；全球 GPU 领域 AI 龙头英伟达和背靠英特尔的汽车 AI 芯片龙头 Mobileye 属于第一阵列；华为技术强劲自建生态体系属于 1.5 阵列，有望快速突围进入第一阵列；国内智能驾驶 AI 芯片新锐地平线、云边端全领域覆盖 AI 新兴寒武纪等处于第二阵列；传统汽车电子厂商及其他潜在进入者处于第三阵列。 表 8：汽车主要 AI 芯片对比 特斯拉 英伟达 Mobileye 华为 地平线 芯片名称 FSD Xavier Orin(2022 量产） EyeQ5 Ascend 310 征程 2 代 J5(2023 量产） 功能安全 / ASIL-D / ASIL-D ASIL-D / ASIL B(D) 工艺 14 nm 12nm 7nm 7nm 12nm 28nm 7nm AI 算力 2*36TOPS 30TOPS 200TOPS 2*12TOPS 16TOPS 4 TOPS 96TOPS 功耗 36W 30W 75W 2*5W 8W 2 W 15W 能效比 2TOPS/W 1TOPS/W 约 3TOPS/W 2.4TOPS/W 2TOPS/W 2TOPS/W 6.4TOPS/W 对应市场 Model S\X\3 应用 全球六家 Tier 和小鹏等 / 绝大部分主机厂、Tier 1 供应商 适配中 UNI-T 座舱域， ADAS 适配中 / 总结 专用化算力高，能耗低 生态丰富;GPU 高功耗(未来下降空间有限) L2 及以下市场; 黑盒难定制开发 国内优选； 华为生态 生态有待提升 / 数据来源：各公司官网，东吴证券研究所整理 特斯拉自研 FSD 方案属于另一极。主要优势：由于其自研自用，根据需求研发专用芯片，减少不必要的软硬件模块，1）缩短研发周期，减少研发设计工作量；2）提升能效比；3）用户数据驱动研发优化。主要劣势：1）生态较为封闭，仅内部开发和使用， 无法建立完善的生态体系。2）若使用量有限，芯片研发需要投入大量资金，软硬件开发的成本难以通过大规模使用均摊成本。 Mobileye 与英伟达属于第 1 阵列。在 L3 级到来以前，两公司产品几乎不会处于正面竞争，随着自动驾驶进程加速发展，竞争会逐渐加剧。短期来看，Mobileye 面向 L3 级以下市场，产品更加成熟，会更占优势。中长期来看，英伟达面向 L3 级以上预研市场在AI 领域实力深厚，后发有力，优势会更加突出。 NIVIDA 属于第 1 阵列，作为通用 AI 芯片
中国国家标准 GB/T 16172-2026建筑材料热释放速率和产烟速率试验方法.pdf
GB/T 16172-2026建筑材料热释放速率和产烟速率试验方法.pdf
《GB/T 16172-2026建筑材料热释放速率和产烟速率试验方法》.pdf
《GB/T 14926.62-2026实验动物猴免疫缺陷病毒检测方法》.pdf
GB/T 14926.62-2026实验动物猴免疫缺陷病毒检测方法.pdf
GB/T 46917.3-2026标准语义知识库第3部分：语义集成技术要求.pdf
《GB/T 46917.3-2026标准语义知识库第3部分：语义集成技术要求》.pdf
中国国家标准 GB/T 46917.3-2026标准语义知识库第3部分：语义集成技术要求.pdf
中国国家标准 GB/T 45305.3-2026声学建筑构件隔声的实验室测量第3部分：撞击声隔声测量.pdf
GB/T 45305.3-2026声学建筑构件隔声的实验室测量第3部分：撞击声隔声测量.pdf
《民航飞机航电设备故障检测与诊断》课件 第一章 航电设备故障诊断与维修基础.pdf
2026年春季新学期开学德育工作副校长讲话：以自律诠释成长，以行动彰显文明.docx
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者
