編者按：制約電動車行業未來發展最大的困難和阻力是什么？推動智能化引領架構演進的“芯引擎”包括什么？如何明智地投資“芯引擎”領域？瑞鵬資產梁亮為您解析汽車行業智能化的“芯引擎”。
【芯安鋰得】智能化將主導汽車行業下半場
當前(21年及后)，整車從工業品變為消費品，產品重心變遷為新市場洞察力。強勢自主呈現持續成長性，單純基于軸距差異的“多車型”策略逐步失效，對應的歷史形成的整車投研方法論“產品周期”亦將逐步失效。>競品加?。寒a品定義從硬到軟刻度、消費者購車彈性放大、電車體驗感減弱。當前智能駕駛發展還處于早中期階段（L1-L2），整體行業滲透率不足30%，政策及消費習慣引領產業加速發展，滲透率及裝機量不斷快速提升。>馬太效應：同質化競爭下，破局者出現，門檻提高，集中度快速提升。由產品經理思路和組織架構決定，大部分車企還是對標，所以蔚小理領先，合資落后。最終狀態將是進入同質化競爭，而在硬件配置不斷升級迭代中，動力電池和智能化芯片將長期保持重要地位>雙龍會：對標蘋果的理想(大單品)與對標三星的比亞迪(一體化)。理想的產品違背正常品牌邏輯，跨階層上攻，就是為了有足夠的價格填入配置,從戰略上看，理想已經明牌，后期通過規模優勢擠占市場。成功案例下，行業或將跟隨，比如比亞迪有望在明年推出高階自動駕駛，一旦上量也能快速縮短差距，長城汽車旗下毫末智行大規模推廣基于毫末AI的MANA系統于自身車型“新能源、互聯、智能”三大革命驅動汽車產業深刻變革，“電動化”做為能源革命的標志開啟汽車革命上半場，本質是對能量的運用，而“智能化”將引領下半場，本質是對信息的應用。隨著汽車電子化程度提升，控制器接受、分析、處理的信號大量且復雜，域控制器推行是必然趨勢。
TOPS（SoC）、Flops（GPU-cuda）、DMIPS（CPU）——本質是處理器每秒處理的操作數，即每秒芯片處理多少數據量或機器指令1TOPS=10^12 FLOPS(浮點運算數/秒)；TOPS/W=1W功耗下，處理器能進行多次萬億次操作。GPU的全名叫Graphic Processing Unit，中文翻譯過來是圖形處理器。所以顧名思義，GPU的老本行就是用來做圖形圖像處理的。一張圖片其實是由很多的像素點組成的，為了顯示一張圖片，其實就是把這些像素點一個一個的顯示出來。至于先顯示哪個再顯示哪個，這個順序其實并不重要。成百上千個“張量核心”——我們可以讓每個核心處理一個像素點，這樣就可以在同一時間完成一張圖片里所有像素點的處理了。GPU的這種基于大量計算核心的結構，也是它與中央處理器CPU的最大區別.所以，GPU特別擅長做哪些計算密集、并且可以大量并行執行的應用。國產 GPU 行業迎來新戰略機遇期。在美國對華芯片法案、限售 EDA、限售高端GPU 等政策陸續出臺后，我國芯片行業已建立起擺脫對外進口依賴、實現自主技術研發行業共識。目前芯片各環節國產化率依然很低，特點呈現以下：① 產品性能弱：IP基礎投入遠遠不夠，在英偉達、ADM等巨頭構筑的高壁壘面前，瞄準目標應用大量的驗證及出貨是國產GPU必然要越過的難關——GPU作為高性能高復雜度的大芯片，想在短期內快速推出相關產品，必然依賴外部IP② 生態無法打通：行業客戶用英偉達的訓練加速卡已用得非常順手了，一方面是其性能優異，通用性強，另一方面則是生態，CUDA的運算平臺適合各類模型，客戶基于此可高效訓練或改進自己的算法
國產目前芯片各環節國產化率依然很低，特點呈現以下：② 適配周期久：一款芯片從一次流片、二次流片到驗證測試、拿車規級認證周期3-5年，客戶適配周期至少2年-3年① 本地化快速服務能力+國產品牌崛起帶來的適配機會③ 低復雜度、低算力應用場景：礦區無人駕駛、港口無人駕駛、廠區自動化物流配送機器人、商場/樓宇智能機器人、掃地機器人等④ 中小算力SoC+算力優化場景：目前沒有主機廠有運用超大算力芯片的能力，成本高昂，中小型算力芯片會是未來的機會點
