前两天成立仅两年国内专做人工智能FPGA加速算法的初创公司深鉴科技被国际巨头赛灵思收购了，在业界引起不小的震动。目前国内做AI芯片的公司可谓不少了，AI芯片已然成为了当下芯片行业最热领域。但是大部分人对AI芯片的架构应该都不是太了解。

那么AI 芯片和传统芯片有何区别？AI芯片的架构到底是怎么样的？带着这个疑问小编搜集到了来自知乎上的一些业内行家的观点，现在整理转发给大家。先回答问题：

• 性能与传统芯片，比如CPU、GPU有很大的区别。在执行AI算法时，更快、更节能。
• 工艺没有区别，大家都一样。至少目前来看，都一样。

所谓的AI芯片，一般是指针对AI算法的ASIC(专用芯片)。传统的CPU、GPU都可以拿来执行AI算法，但是速度慢，性能低，无法实际商用。

比如，自动驾驶需要识别道路行人红绿灯等状况，但是如果是当前的CPU去算，那么估计车翻到河里了还没发现前方是河，这是速度慢，时间就是生命。如果用GPU，的确速度要快得多，但是，功耗大，汽车的电池估计无法长时间支撑正常使用，而且，老黄家的GPU巨贵，经常单块上万，普通消费者也用不起，还经常缺货。另外，GPU因为不是专门针对AI算法开发的ASIC，所以，说到底，速度还没到极限，还有提升空间。而类似智能驾驶这样的领域，必须快！在手机终端，可以自行人脸识别、语音识别等AI应用，这个必须功耗低，所以GPU OUT！开发ASIC就成了必然。

说说，为什么需要AI芯片。AI算法，在图像识别等领域，常用的是CNN卷积网络，语音识别、自然语言处理等领域，主要是RNN，这是两类有区别的算法。但是，他们本质上，都是矩阵或vector的乘法、加法，然后配合一些除法、指数等算法。

一个成熟的AI算法，比如YOLO-V3，就是大量的卷积、残差网络、全连接等类型的计算，本质是乘法和加法。对于YOLO-V3来说，如果确定了具体的输入图形尺寸，那么总的乘法加法计算次数是确定的。比如一万亿次。（真实的情况比这个大得多的多）

那么要快速执行一次YOLO-V3，就必须执行完一万亿次的加法乘法次数。

这个时候就来看了，比如IBM的POWER8，最先进的服务器用超标量CPU之一，4GHz，SIMD，128bit，假设是处理16bit的数据，那就是8个数，那么一个周期，最多执行8个乘加计算。一次最多执行16个操作。这还是理论上，其实是不大可能的。

那么CPU一秒钟的巅峰计算次数=16* 4Gops =64Gops。这样，可以算算CPU计算一次的时间了。同样的，换成GPU算算，也能知道执行时间。因为对GPU内部结构不熟，所以不做具体分析。

再来说说AI芯片。比如大名鼎鼎的谷歌的TPU1。TPU1，大约700M Hz，有256X256尺寸的脉动阵列，如下图所示。一共256X256=64K个乘加单元，每个单元一次可执行一个乘法和一个加法。那就是128K个操作。（乘法算一个，加法再算一个)。

另外，除了脉动阵列，还有其他模块，比如激活等，这些里面也有乘法、加法等。

所以，看看TPU1一秒钟的巅峰计算次数至少是=128K X 700MHz=89600Gops=大约90Tops。

对比一下CPU与TPU1，会发现计算能力有几个数量级的差距，这就是为啥说CPU慢。

当然，以上的数据都是完全最理想的理论值，实际情况，能够达到5%吧。因为，芯片上的存储不够大，所以数据会存储在DRAM中，从DRAM取数据很慢的，所以，乘法逻辑往往要等待。另外，AI算法有许多层网络组成，必须一层一层的算，所以，在切换层的时候，乘法逻辑又是休息的，所以，诸多因素造成了实际的芯片并不能达到利润的计算峰值，而且差距还极大。

可能有人要说，搞研究慢一点也能将就用。目前来看，神经网络的尺寸是越来越大，参数越来越多，遇到大型NN模型，训练需要花几周甚至一两个月的时候，你会耐心等待么？突然断电，一切重来？曾经动手训练一个写小说的AI，然后，一次训练（50轮）需要大约一天一夜还多，记得如果第一天早上开始训练，需要到第二天下午才可能完成，这还是模型比较简单，数据只有几万条的小模型呀。

修改了模型，需要几个星期才能知道对错，确定等得起？突然有了TPU，然后你发现，吃个午饭回来就好了，参数优化一下，继续跑，多么爽！

计算速度快，才能迅速反复迭代，研发出更强的AI模型。速度就是金钱。

GPU的内核结构不清楚，所以就不比较了。肯定的是，GPU还是比较快的，至少比CPU快得多，所以目前大多数都用GPU，这玩意随便一个都能价格轻松上万，太贵，而且，功耗高，经常缺货。不适合数据中心大量使用。

总的来说，CPU与GPU并不是AI专用芯片，为了实现其他功能，内部有大量其他逻辑，而这些逻辑对于目前的AI算法来说是完全用不上的，所以，自然造成CPU与GPU并不能达到最优的性价比。

谷歌花钱研发TPU，而且目前已经出了TPU3，用得还挺欢，都开始支持谷歌云计算服务了，貌似6点几美元每小时吧，不记得单位了，懒得查。可见，谷歌觉得很有必要自己研发TPU。

目前在图像识别、语音识别、自然语言处理等领域，精度最高的算法就是基于深度学习的，传统的机器学习的计算精度已经被超越，目前应用最广的算法，估计非深度学习莫属，而且，传统机器学习的计算量与 深度学习比起来少很多，所以，我讨论AI芯片时就针对计算量特别大的深度学习而言。毕竟，计算量小的算法，说实话，CPU已经很快了。而且，CPU适合执行调度复杂的算法，这一点是GPU与AI芯片都做不到的，所以他们三者只是针对不同的应用场景而已，都有各自的主场。

至于为何用了CPU做对比？

而没有具体说GPU。是因为，我说了，我目前没有系统查看过GPU的论文，不了解GPU的情况，故不做分析。因为积累的缘故，比较熟悉超标量CPU，所以就用熟悉的CPU做详细比较。而且，小型的网络，完全可以用CPU去训练，没啥大问题，最多慢一点。只要不是太大的网络模型。

那些AI算法公司，比如旷世、商汤等，他们的模型很大，自然也不是一块GPU就能搞定的。GPU的算力也是很有限的。

至于说CPU是串行，GPU是并行

没错，但是不全面。只说说CPU串行。这位网友估计对CPU没有非常深入的理解。我的回答中举的CPU是IBM的POWER8，百度一下就知道，这是超标量的服务器用CPU，目前来看，性能已经是非常顶级的了，主频4GHZ。不知是否注意到我说了这是SIMD？

这个SIMD，就代表他可以同时执行多条同样的指令，这就是并行，而不是串行。单个数据是128bit的，如果是16bit的精度，那么一周期理论上最多可以计算八组数据的乘法或加法，或者乘加。这还不叫并行？只是并行的程度没有GPU那么厉害而已，但是，这也是并行。

不知道为啥就不能用CPU来比较算力？

有评论很推崇GPU。说用CPU来做比较，不合适。GPU本来是从CPU中分离出来专门处理图像计算的，也就是说，GPU是专门处理图像计算的。包括各种特效的显示。这也是GPU的天生的缺陷，GPU更加针对图像的渲染等计算算法。但是，这些算法，与深度学习的算法还是有比较大的区别，而我的回答里提到的AI芯片，比如TPU，这个是专门针对CNN等典型深度学习算法而开发的。另外，寒武纪的NPU，也是专门针对神经网络的，与TPU类似。

谷歌的TPU，寒武纪的DianNao，这些AI芯片刚出道的时候，就是用CPU/GPU来对比的。

看看，谷歌TPU论文的摘要直接对比了TPU1与CPU/GPU的性能比较结果，见红色框：

这就是摘要中介绍的TPU1与CPU/GPU的性能对比。再来看看寒武纪DianNao的paper，摘要中直接就是DianNao与CPU的性能的比较，见红色框：

回顾一下历史

上个世纪出现神经网络的时候，那一定是用CPU计算的。

比特币刚出来，那也是用CPU在挖。目前已经进化成ASIC矿机了。比特大陆了解一下。

从2006年开始开启的深度学习热潮，CPU与GPU都能计算，发现GPU速度更快，但是贵啊，更多用的是CPU，而且，那时候GPU的CUDA可还不怎么样，后来，随着NN模型越来越大，GPU的优势越来越明显，CUDA也越来越6，目前就成了GPU的专场。

寒武纪2014年的DianNao（NPU）比CPU快，而且更加节能。ASIC的优势很明显啊。这也是为啥要开发ASIC的理由。

至于说很多公司的方案是可编程的，也就是大多数与FPGA配合。你说的是商汤、深鉴么？的确，他们发表的论文，就是基于FPGA的。

这些创业公司，他们更多研究的是算法，至于芯片，还不是重点，另外，他们暂时还没有那个精力与实力。FPGA非常灵活，成本不高，可以很快实现架构设计原型，所以他们自然会选择基于FPGA的方案。不过，最近他们都大力融资，官网也在招聘芯片设计岗位，所以，应该也在涉足ASIC研发了。

如果以FPGA为代表的可编程方案真的有巨大的商业价值，那他们何必砸钱去做ASIC？

说了这么多，我也是半路出家的，因为工作需要而学习的。按照我目前的理解，看TPU1的专利及论文，一步一步推导出内部的设计方法，理解了TPU1，大概就知道了所谓的AI处理器的大部分。

然后研究研究寒武纪的一系列论文，有好几种不同的架构用于不同的情况，有兴趣可以研究一下。然后就是另外几个独角兽，比如商汤、深鉴科技等，他们每年都会有论文发表，没事去看看。这些论文，大概就代表了当前最先进的AI芯片的架构设计了。

当然，最先进，别人肯定不会公开，比如谷歌就不曾公开关于TPU2和TPU3的相关专利，反正我没查到。不过，没事，目前的文献已经代表了最近几年最先进的进展了。（作者：汪鹏 来源/知乎）

“每一次进口芯片价格的爆缺爆涨，都是给中国‘芯’机遇。”深圳市航顺芯片有限公司创始人刘吉平对记者说道。此次新型冠状病毒疫情的爆发，给各行各业都带来了巨大的冲击，半导体芯片行业也不例外，尤其是在海外疫情爆发之后，部分海外的晶圆厂/封测厂宣布停工，导致部分微控制器(MCU)价格大幅上涨。然而，这也给了国产MCU一个难得的发展机会。在疫情之后，国产MCU是否将会如愿迎来更多“芯”的机遇?如何才能抓住这些机遇?

疫情导致一“芯”难求

MCU应用范围十分广泛，诸如手机、PC外围、遥控器，至汽车电子、工业上的步进马达、机器手臂的控制等，都可见到MCU的身影。然而，一直以来，国产MCU企业无论是在国际还是国内市场都面临着国际主流厂商的强力竞争。“中国对于中低端MCU，例如中低端的8位的MCU，做的还不错，但是对于中高端的产品，比如中高端8位MCU和32位MCU，比起国外来说一直没有太大优势，终端用户方面还是比较依赖进口。这是由于中国的中高端MCU起步较晚，更新迭代较少，而且国外的MCU已经牢牢占住市场，造成国产MCU一直以来机会并不多。”刘吉平和记者说道。

欧美疫情爆发以来，对MCU供应链产生了很大的影响，目前，国外MCU出货价普遍涨两三成，有的甚至涨了一倍左右。兆易创新科技股份有限公司产品市场总监金光一告诉记者，疫情对于欧美的晶圆生产和东南亚的封测产业都带来了很多不稳定的因素，这样将会进一步影响国际大厂半导体芯片的供给状况，给全球电子及半导体等产业链造成很大的压力。另外从市场需求情况来看，部分电子消费品的购买力逐渐紧缩，加上国际货运物流延迟，也将影响了部分市场采购订单和营收。

国产MCU有哪些机会?

海外MCU供应短缺、价格上涨，给了中国国产MCU发展的机会。“由于疫情影响，医疗器械的需求量大大增加，这是这次市场变化最大的一个导火索。医疗器械主要运用的是中高端8位MCU和32位的MCU，而在之前，很多本国的用户都会选择用进口的产品。这次由于疫情造成海外MCU价格爆涨并且供应严重不足，很多医疗行业开始使用国产的MCU。此外，由于我们一直以来都会提前备货，而且政府、医疗系统等都在大力支持着MCU的整个供应链，因此我们的MCU在价格上并没有很大的波动，虽然偶尔会供货不足，但是我们现在依然能够有条不紊的进行生产。这大大提升了国产MCU的使用率，也大大的推动了我们产品的市场占有率和客户认可度，也让更多的本国的用户‘看’到了我们中国芯片的质量。”刘吉平说道。

目前，中国疫情逐步得到控制，各行各业也在陆续复工复产。与此同时，海外疫情依旧形势严峻，使得很多海外芯片上下游产业依旧处于停工停产状态，金光一认为，这是逐步实现国产化替代的良机，可以有效减少信息安全隐患、降低元件供应风险、加强研制生产保障。“以我们的国产GD32MCU为例，其封装和测试均在中国国内完成，并采用多个认证工厂及生产线同时供货，从而有效规避了复工不足和物流延迟等风险。”金光一对记者说。

筑牢本土MCU供应链

在疫情过后，中国国产MCU能否延续这样的热潮，成为了人们关注的焦点。刘吉平认为，在日后国产MCU更应该把目光焦距在国内的市场，同时尝试开拓海外的市场。“目前中国国产MCU的内销只占到了大约1%～2%，可见中国还有近99%的市场份额，而且中国MCU的消耗量占到全球的2/3。而且随着近年来工业互联网的大力发展，各行各业对于MCU的需求量也会越来越大。所以我们应该更加努力去服务国内的客户，争取让更多国内的客户用上我们国产的MCU。”

此外，刘吉平还认为，在未来国产MCU的发展中，替代和创新可以同步进行。由于国外的32位MCU发展较早，更新迭代较多，市场地位比较稳固，国产MCU的创新很难在短时间内实现突破，因此最好的方式就是，在做到不侵权，性能最优成本较低的前提下，进行创新研发。例如，我们的芯片HK32MCU用Pin
to Pin软件兼容傻瓜式替代，由于软件全兼容，在使用时不用改电路板也不用改软件，非常方便，尤其在遇到像这次疫情一样的紧急情况时，进口MCU严重缺货，Pin
to Pin软件兼容能够凸显很大的优势。同时，我们的HK32F39也进行了创新，得到客户的认可。由此可见，替代和创新这两条路是可以同步走的。

山东师范大学物理与电子科学学院讲师孙建辉对于国产MCU未来的发展感到非常有信心：“这一次疫情，让很多生物医疗产业看到了中国芯片的力量，而且生物医疗产业还是一个很大的市场，不仅仅是针对疫情，MCU在未来的研发过程中同样会有很大的需求。比如，在未来要发展的红外检测便携仪器，可穿戴生物仪器等，都需要MCU的应用。由于疫情原因，如今在国内医疗行业中国产MCU得到大量应用，这是一个很好的开端。在未来，国产芯片的力量也会慢慢渗入到各行各业。”

同时，金光一提到，国产MCU在未来的发展中，也应当关注技术突破、产能扩充和人才培养方面，这样可以有效解决如今国产MCU的先进工艺、先进材料和关键产能等方面还较多依赖于国外的现象。（作者：沈丛）

近年来，我们看到人工智能(AI)和机器学习(ML)的应用扩展到更广泛的计算机和移动应用领域。现在，就像低成本图形处理单元(GPU)的普及推动了深度学习革命一样，硬件设计(而不是算法)被预测为下一个重大发展提供基础。

随着大型企业，初创企业和中小型企业等公司争相建立支持AI生态系统的基本AI加速器技术，包括知识产权（IP）在内的无形资产的保护将成为该领域成功的关键方面之一。

近年来，ML模型的size大幅增加（大约每3.5个月翻一番），已成为ML模型准确性增长的主要驱动力之一。为了保持这种近乎摩尔定律的复杂性增长，市场上对新型AI加速器有明确的需求，这些类型的AI加速器可以支持更先进的ML模型（用于训练和推理）。

在新的AI芯片中特别受益的领域之一是边缘AI推理。这种在设备本身而不是在远程（通常是云）服务器上运行AI推理的相对较新的趋势提供了许多潜在的好处，例如消除了处理过程中的等待时间并减少了数据传输和带宽，还可能增加了隐私和安全性。鉴于这些优势，边缘AI芯片市场的增长令人瞩目。2017年才推出首款商用企业边缘AI芯片，但Deloitte预测，2020年边缘AI芯片的销量将超过7.5亿片。

2018年，全球AI芯片市场整体价值66.4亿美元，预计未来几年将大幅增长，到2025年将达到911.9亿美元，复合年增长率为45.2％。因此，可以理解的是，许多公司都在致力于开发AI芯片。但是，该市场有望经历与CPU，GPU和基带处理器市场相似的增长周期，最终将由一些大型厂商主导。知识产权（尤其是专利）是英特尔(Intel)、高通(Qualcomm)和ARM等家喻户晓的公司取得成功的关键，它很可能在人工智能芯片领域扮演类似的重要角色。

参与AI芯片市场竞争的公司范围涵盖英特尔，高通，ARM或英伟达等“芯片巨头”，再到传统上专注互联网的科技公司（例如Alphabet或百度），以及众多利基实体，包括Graphcore，Mythic或Wave Computing。各种通常看起来像芯片市场“局外人”的大公司也参与其中——例如，由于绝大多数边缘 AI芯片（90%）目前都进入消费设备领域，因此许多智能手机制造商都没有错失这一机会并开发了他们自己的AI加速器（例如，iPhone系列中使用的苹果公司的八核神经引擎）。

这场竞赛目前仍未决定谁将占据主导地位。技术专家和投资者都将密切关注哪些公司的技术最有前途，这个领域将不可避免地在投资、收购和失败中发展。在未来几年内，我们可以期待看到市场领导者的出现。谁将成为人工智能芯片领域的王者，CPU市场是英特尔(77%的市场份额)，基带处理器市场是高通(43%的市场份额)?

当前的领先者似乎是英特尔和英伟达。据路透社报道，英特尔的处理器目前在AI推理市场上占主导地位，而英伟达则在AI训练芯片市场上占主导地位。英特尔(Intel)和英伟达(Nvidia)都没有固步自守，这从它们最近的收购和产品发布中就可以看出，这两家公司的目标似乎都是“取代”对方。就在2019年12月，英特尔斥资20亿美元收购了总部位于以色列的深度学习加速器开发商Habana Labs。

Habana的Goya和Gaudi加速器包括许多技术创新，例如支持远程直接内存访问（RDMA）–从一台计算机的内存直接访问另一台计算机的内存，而无需使用任何计算机的操作系统–该功能对大规模并行计算机集群特别有用。因此，可以在云上（英伟达目前占主导地位）训练复杂模型。另一方面，英伟达最近发布了其Jetson Xavier NX边缘AI芯片，该芯片具有高达21 TOPS的惊人加速计算能力，尤其是针对AI推理。

一些规模较小的公司也令人兴奋，例如总部位于布里斯托尔的Graphcore，或总部位于美国的Mythic。Graphcore最近与微软合作，以19.5亿美元的估值筹集了150mat美元。他们的旗舰产品——智能处理单元(IPU)——拥有令人印象深刻的性能指标和有趣的架构——例如，IPU将整个ML模型保存在处理器内部，使用处理器内存来最大限度地减少延迟和最大化内存带宽。Mythic的体系架构同样值得关注,它结合了硬件技术，如computing-in-memory(无需构建缓存层次结构),数据流体系架构(特别适用于基于图的应用程序，例如推理),和模拟计算(使用存储器元件作为可调电阻，直接在存储器内部计算神经网络矩阵运算)。Mythic在商业方面也不落后于Graphcore——它在2019年6月从家庭投资者（如软银）获得了3000万美元的融资。

目前尚不清楚谁最终将主导AI芯片市场，但从CPU和基带处理器领域等历史发展中得到的一个重要教训是，知识产权在决定谁将胜出、谁将长期生存方面起着重要作用。

英特尔或高通等公司提交的专利申请数量表明，强大的专利组合对于芯片市场商业成功的重要性。这些专利自1996年以来一直在增加，现在每年约有10000个已公布的专利系列。考虑到芯片设计反向工程的内在可能性和fabless模式在业界的普遍使用，任何实体都很难在没有专利组合的情况下保护其知识产权，同时辅以其他形式的保护，如商业机密（或“专有技术”）。

高通和英特尔的专利系列

芯片行业的许多市场领导者都围绕着专利授权建立了自己的商业模式。值得注意的例子包括高通和ARM控股。尽管高通的大部分收入来自芯片制造，但它的大部分利润来自专利授权业务。高通的授权许可业务过去两年可能受到影响，但这在很大程度上是由于与苹果(Apple)的纠纷。苹果已向高通一次性支付45亿美元和解金，两家公司未来还将签署一项为期6年的授权协议，从而解决了苹果与高通之间的纠纷。

ARM更进一步，几乎所有的收入都来自IP授权，而从未出售过自己的芯片。专利授权对高通和ARM来说非常有利可图，对那些在人工智能芯片领域建立了强大专利组合的公司来说，可能也同样有利可图。ARM的商业模式将为那些没有资源涉足芯片制造的初创企业提供一个有吸引力的选择，即使是在规模较小的公司成长之际，通过保持 fabless生产来降低风险的动机也将保持强劲。

对于那些有意被收购的初创公司来说，毫无疑问，知识产权对于最强劲的估值至关重要。如果不是因为Habana的专利组合可以追溯到2016年，英特尔不太可能在2019年底以20亿美元的价格收购Habana;如果Graphcore没有超过60个专利系列(共享同一初始专利申请的专利组)，它也不太可能与微软合作，获得其目前19.5亿美元的估值。因此，投资者的退出策略仍然决定了对健全的知识产权策略的需要。

相关部门的另一个重要教训是与专利侵权相关的巨大风险和报酬。就在2020年1月，苹果和Broadcom因侵犯Cal Tech的Wi-Fi技术专利而被判支付11亿美元的赔偿金，法院裁定该专利被用于Broadcom的无线芯片中。据彭博社报道，这是有史以来第六大与专利有关的判决。因此，企业出于进攻和防守目的建立自己的专利组合的必要性仍然很明确（防御组合意味着可能会受到反诉讼，从而免受竞争对手专利诉讼的影响）。

企业没有忽视知识产权问题，有记录显示，人工智能芯片领域已有2000多个专利系列。新专利申请数量正在迅速增加——仅英特尔一家就在过去5年里为人工智能芯片提交了160份专利申请。因此，现有的市场领导者和新进入者都应注意英特尔的做法，并要谨记不要错过知识产权保护对其发明的重要性，尤其是在早期阶段。

在过去的二十年中，围绕知识产权尤其是专利法的法律环境发生了很大变化。历史专利和技术出版物的数量不断增加，这也继续提高了对专利局和专利所有人寻求保持专利质量的要求。然而，毫无疑问，知识产权将再次证明在这个新兴行业的重要性。经验丰富的技术人员和知识产权从业人员将利用过去的经验教训来完善他们的战略，而那些采用正确方法的公司将获得成功，这不仅取决于他们技术的优点，而且取决于如何充分利用他们的知识产权。（作者：半导体行业观察）

汽车电子产品的价格普遍比较贵，其中的主要原因之一就是使用了车规级的电子元件，但什么样的电子元件才是车规级的器件呢？我们先来看看电子元件在汽车上的应用和一般的消费电子在应用有什么差异。

环境要求

温度：汽车电子对元件的工作温度要求比较宽，根据不同的安装位置等有不同的需求，但一般都要高于民用产品的要求（据说 AEC Q100 在 H 版中删除了 0℃-70℃ 这档温度的要求，因为没有哪个汽车产品要求可以这么低）。

举例：

• 发动机周边：-40℃-150℃；

• 乘客舱：-40℃-85℃；

• 民用产品：0℃-70℃。

其它环境要求 湿度，发霉，粉尘，水，EMC 以及有害气体侵蚀等等往往都高于消费电子产品要求。

振动，冲击

汽车在运动的环境中工作，会相关很多产品来说，遭遇更多的振动和冲击。这种要求可能会比摆放在家里使用的产品要高很多。

可靠性

为了说明汽车对可靠性的要求，我来换个其它方式来说明一下：

1. 设计寿命：一般的汽车设计寿命都在 15 年 20 万公里左右，远大于消费电子产品寿命要求。

2. 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。目前车上的电子化程度已经非常高了，从动力总成到制动系统，都装配了大量的电子装置，每个装置里面又由很多的电子元件组成。如果就简单的把它们看成串联关系，那么要保证整车达到相当的可靠性，对系统组成的每一个部分要求是非常高的，这也是为什么汽车零部件的要求经常是用 PPM（百万分之一）来描述。

一致性要求

现在的汽车已经进入到了一个大规模生产的阶段的，一款车 1 年可以生产数十万辆，所以这对产品质量的一致性要求就非常高了。这在早些年对于半导体材料来说，是挺有挑战的。

毕竟生产半导体中的扩散等工艺的一致性是很难控制的，生产出来的产品性能易离散，早期只能依靠老化和筛选来完成，现在随着工艺的不断提高，一致性得到极大提高。质量的一致性也是很多本地供应商和国际知名供应商的最大差异。对于组成复杂的汽车产品来说，一致性差的元件导致整车出现安全隐患是肯定不能接受的。

再来看几点其它的需求：

制造工艺

汽车产品制造工艺的要求，虽然汽车的零件也在不断的向小型化和轻量化发展，但相对消费产品来说，在体积和功耗上还相对可以放松，一般使用的封装较大，以保证有足够的机械强度并符合主要的汽车供应商的制造工艺。

产品生命周期

虽然近些年，汽车产品不断的降价，但汽车还是一个耐用的大件商品，必须要保持相当长的时间的售后配件的供应能力。同时开发一个汽车零件需要投入大量的验证工作，更换元件带来的验证工作也是巨大的，所以整车制造企业和零部件供应商也需要维持较长时间的稳定供货。

标准

这样看来，满足汽车产品要求的确复杂，而且以上的要求是针对汽车零件的（对于电子元件来说就是系统了），如何去转换成电子元件的要求就变得很困难，为解决这个问题就自然有一些规范标准出现，比较得到公认的就是 AEC 的标准：

• AEC Q100 针对有源（Active Device）元件的要求

• AEC Q200 针对无源（Passive Device）元件的要求

当然我猜想很多人还会说，还有许多的整车厂的企业标准。但这点我也想来说一下我的理解。在我以前工作过的整车厂确实是有相关的一般可靠性要求的标准，但它考核的是一个完整的汽车组件(由电子元件构成的系统)，而非直接针对组成这些组件的电子元件的要求（电阻，电容，三极管，芯片等），虽然它的要求是可以用来参考对下级元件的选型，但作为电子元件测试等来说还是非常的不合适的。

车规的验证

在我以前的工作中，难免会使用到一些没有 AEC Q100/200 认证的电子元件，很多车厂的人员都会希望进行一些可靠性验证，来验证它是否满足车规要求。

而我个人的看法是，这种方法并不太有效，因为这些测试都只能是必要不充分测试。只能用于否定该器件的可用性，而不能确定其可以使用。

原因很简单，样本数量太少测试的项目并不充分。对于半导体这种大批量制造的元件，通过少量的样本的测试来确定其可靠性，个人认为是非常的不靠谱的，这里我们也可以来看看 AEC Q100 进行的主要认证测试项目，也就可以看出差别。

哪个标准要求高？

车规和工规，谁的要求高。普遍的认为标准的高低顺序是军工 > 汽车 > 工业 > 消费电子。但个人却不能完全接受这个顺序。工业是个很宽的范围，也遇到的环境和可靠性需要也是差异巨大的。可以想象得到比如一个大型工业设备的可靠性要求绝对不会比汽车要求低。（比如一个大型电厂的关键设备），而同时环境的苛刻度也可能会远超汽车的要求，并不能简单的说工规要求就比汽车低。

使用车规零件的坏处

任何选择都不可能只有好处没有坏处，使用车规电子元件有什么坏处呢？

首先就是贵，体系要求高，开发验证花费大，产量低导致成本高出消费电子一大截。相对较高的门槛也使得存在较多的销售溢价。

其次的坏处就是选型困难。玩电子的人都知道发展到今天，电子元件相当的丰富，做相同功能的产品可以有多种方案，复杂度可能差异巨大，但有时为达到车规的要求，不得不放弃一些集成度高的方案。

还有一个比较明显的坏处就是某些产品技术落后，大量的验证工作影响到了新产品的上市速度，同时，芯片厂家一般的投放策略也是希望在消费电子市场上成熟后，才将该产品应用在到汽车市场上。比如在 2013 年小编在开发的一款产品使用的 ARM Cortex A9 的处理器，当时在汽车市场已经基本上是最好的产品了，但消费市场上 ARM Cortex A57 的处理器并不稀奇。

使用非车规的电子元件在车上到底有多大的风险

这个问题真是比较复杂，得从多个方面来判断：

1. 仅仅是没有得到相关的认证，但其实产品的性能和可靠性是满足要求的，并且也得到过大量的应用验证。如果属于这种情况风险相对较小。

2. 这点是很重要的一点，就是元件和系统的关系。系统的性能和可靠性是由下一级的电子元件来构成的，所以在同样的设计下，使用非车规的元件产品肯定要差。但好的设计，可以降低元件的性能要求，一个保护措施设计完善并能做到元件失效对系统影响轻微设计，就有可能使用非车规元件做出更好的产品。

由于当前技术工艺限制的影响，不是每种需要用在汽车上的电子元件都可以达到所谓的车规要求。但为了实现汽车上的某些功能，就必须要用到这些元件。这种情况可以分为两类：

a. 该功能的安全要求高，不能接受偏差

例子：紧急呼叫的 E-CALL 功能，为保证该功能，需要给设备安装上后备电池。而该功能是涉及到生命安全的，按照某些公司的 ASILI（ISO26262）评级，要求达到 B 级。

而我们知道电池要做到 -40 度时保持高性能是很困难的。所以有公司的解决方案就是在电池上包上加热电阻丝，在低温时加热它来保证性能，此时用单个元件的标准来看不合格，但作为零件总成，就可以满足车厂的标准要求。这也可以看出整车厂的企业标准和元器件标准之间的关系。

b. 该功能一般不涉及安全，可以考虑接受偏差

如娱乐系统的液晶屏。在低温时可能显示的响应和光学性能都会下降。但这种情况会被打部分工程人员接受下来。

3. 一些「胆大」心不细的人，出于某些想法，如降低成本，或者可以获得更好的性能，并仅想通过小数量的样本，在较短时间来进行验证其性能和可靠性，这种情况我只能说以后的事情靠人品了，谁都不清楚会发生什么。（作者：一览众车）

 
2019年4月18日，由上海市国际贸易促进委员会指导，盖世汽车、AC汽车联合主办的第十一届全球汽车产业峰会于上海国家会展中心隆重召开，本次峰会也得到了嘉定区政府与中国汽研的大力支持。1000余位汽车产业的价值链、产业链、创新链、多元化最具代表性的企业和专家相聚上海车展，共同谈论当前行业的发展现状以及未来趋势。
 

▲ 活动现场
 

▲ 盖世汽车创始人兼CEO周晓莺

在本次峰会上，周晓莺表示：随着新一轮科技革命带来的产业变革，汽车产业和产品的内涵和外延不断的在扩展，电动化、网联化、智能化、共享化已经成为主要的特征。盖世也很高兴能够在上海国际车展同期内展开我们的第十一届全球汽车产业峰会，通过本次峰会，也希望所有参与者能够开拓思路，共同助力汽车产业未来的发展。
 

▲ 中国汽车工业协会副秘书长师建华
 
我们处在转型升级主动变革、实现高质量发展的关键时期，虽然面临着诸多的挑战，但是我们有两个有力的支撑。首先中国汽车市场的刚性需求为产业的发展提供了持续动力，这个是中国汽车产业长期发展的一个根本。第二点，新技术的进步，作为产业升级的发展动力在推动着我们汽车产业跨越新的高度，目前，以智能化为主要特征的新一轮科技革命和产业变革，正在加速向经济社会各个领域纵深推进。
 

▲ 上海市国际展览有限公司副总裁李征伟
 
在汽车展发展的过程当中，技术方面也展示了产品的理念，代表了最新汽车工业发展的方向，以及整合当前各方面最先进的科研成果的运用场景。
 

▲ 威马汽车首席数据官梅松林
 
智能电动车有很大的挑战，传统的有什么配置可以看得到，摸得到，智能电动车最大的难点是怎么样和消费者沟通，只有开了才知道这个功能，很多是软件化的东西。
 

▲ 新思科技董事长兼联席首席执行官
Aart de Geus博士
 
软件和机械、电子元件，对于汽车厂商来说同样重要，软件的开发，需要这样一个过程，始于一个很好的点子不断的试错和调整。
 

▲ 长城汽车副总裁、蜂巢易创董事长唐海锋
 
未来的发动机是持续的小型化，同时在涡轮增压技术方面，未来会有一个长足的发展。国产乘用车的自动档的渗透率，一直在提升，目前已经达到65%以上，同时，DCT变速箱未来预计占到50%。
 

▲ 德州仪器(TI)中国区汽车业务部总经理张磊
 
谈到整个系统级的创新，实际上德州仪器公司治理是从一个器件的供应商，变革为更多方案的提供商，更贴近于用户和市场。
 

▲ ANSYS中国汽车行业电气化专家、资深高级应用工程师童辉
 
仿真技术在汽车领域有非常广泛的应用，针对当前新技术影响下整个汽车行业的需求，童辉谈到，ANSYS希望能够将仿真向前拓展到我们概念阶段，向后拓展到我们制造阶段，再往后甚至是在运营，以及维护阶段做一个深刻的迭代。
 

▲ 地平线副总裁，智能驾驶产品线总经理张玉峰
 
所有的人工智能深度学习在过去几年给汽车行业带来了很多新的解决问题的办法，让以前很有挑战的一些问题可以通过数据基于数据的一种新的编程方式，让一些之前很复杂，很难解决的感知问题，比如说对于驾驶场景下其他的交通参与者行为的预测等这些问题变得相对来讲更容易来解决，更容易去用更少的开发的精力和资源来解决更复杂的挑战。
 

▲ 佛吉亚内饰系统驾舱科技事业部太销售总监孔敏
 
在整个未来座舱继续研发以及继续往前发展过程当中佛吉亚总结出来的七个趋势，认为在这七个趋势方面一定要有所突破，在产品级别有所实现，才能真正能给我们的用户带来实际的改善。这七个趋势分别为：1、安全；2、加强式的舒适和所谓的健康的侦测；3、关注热能和空气质量；4、声学；5、HMI；6、未来座舱的可变性；7、所有信息的连接。
 

▲ 中国恒瑞有限公司首席技术官
Giacomo  Dal  BuscoGiacomo

我们要进行轻量优化，从2020年开始我们要用到混合式的设计，意思是要结合不同的解决方案和成分，金属复合材料，应用到大规模量产，对很多的OEM来说都是一个势在必行的趋势。
 

▲ 长安汽车动力研究院副院长杨柏林
 
插电混动在竞争上面也是有很多的优势，国家十三五规划当中提出了对新能源汽车进行支持，新能源汽车一直都是包含PHEV就是插电式混合动力，国家长期以来都是把它定义为新能源汽车。
 

▲ 北京首汽智行科技有限公司CEO谭奕
 
汽车产业链当中，技术担任了非常重要的角色，在过去的两年、三年和在未来的五年里，技术如何进一步赋能这个共享出行行业，让它更具有想象力，让它更性感，让它做起来将来可以发展得更快，让用户更加便利。
 

▲ 沈阳美行科技有限公司深圳分总经理康健
 
谈到导航的话，我们很大程度上都会从传统的角度上理解，导航是给车主或者消费者，让他从A点顺利到达B点。但是事实上在现在的智能网联时代，导航更大程度不是为人导航，而是逐步从为人导航转向为车导航。
 

▲苏州思必驰信息科技有限公司副总裁雷雄国
 
在最近三年，可能在伴随着移动互联网，慢慢地让车联网到物联网的发展过程当中，随着技术的成熟，我们整个行业跟市场对于语音交互技术而言它的诉求已经慢慢地从技术本身已经转移到这个技术背后能够提取的服务与内容。
 

▲ 上海重塑科技孙北
 
对于像燃料电池来讲，除了国家现在有非常明确的不退坡的补贴支持，一定程度上各地方为了推广各地方自己相应的燃料电池发展规划的话，也是有相应的地方性质的补贴策略来做一些支撑，这里面覆盖的范围其实包括整个燃料电池行业的全产业链，包括像加氢站，一些燃料电池核心零部件，像燃料电池发动机这样的产品。
 


▲圆桌讨论
 
此外，本次峰会还进行了两场C-TALK圆桌讨论，分别以未来汽车产业价值链展望和未来出行3.0，变革与挑战为主题，上汽集团乘用车技术中心总监徐政、图达通智能联合创始人CEO鲍君威担任主持人，奇点汽车战略和品牌部副总裁赵强、安波福电子与全亚太区首席技术官王忻、法雷奥中国区CTO顾剑民博士 ，Lidar Velodyne总裁 &CCO Michael Jellen；巴巴拉德动力前 CTO、广东国鸿氢能科技有限公司CTO Chris Guzy，北京首汽智行科技有限公司 CMO秦岭，苏州思必驰信息科技有限公司副总裁雷雄国，地平线副总裁、智能驾驶产品经理张玉峰，上海艾拉比智能科技有限公司芮亚楠、上海重塑科技孙北等嘉宾，带来了针对一场汽车行业发展方向与趋势展望的精彩讨论。
 


▲ “金辑奖”颁奖现场
 
峰会同期，还进行了金辑奖的颁奖盛典，这也是盖世汽车举办的首届“金辑奖”，旨在鼓励专门针对中国汽车产业由大做强，中国汽车品牌升级发展过程中，促进我们汽车产业升级，打造具有竞争力的整零协同关系，助力汽车强国目标而做出积极贡献的企业、单位和个人。

近日，点燃汽车爱好者热情的2019上海车展正如火如荼。
今年如往年一样，我们发现了一些令人激动的新车从概念设计走向落地，尽管与最初概念车模样略有不同，但在这些量产车型中，我们依然可以发现一些酷炫美观，令人惊喜的新型号。
在本次上海车展中，汽车制造商们蜂拥而至，各自拿出杀手锏，一时间展出了几十种电动车，从豪华SUV到定价低于1万美元的微型/紧凑型电动车，它们将与燃油车在性能、成本以及外观上一较高下，下面网易智能为大家速览最受关注的几款新能源与智能化汽车：

特斯拉 Model Y
Model Y与Model 3基于同一平台打造，公用75%零件，保留Model 3无进气格栅前脸、犀利的前大灯、隐藏式把手等讨喜设计，保险杠位于雾灯和前大灯之间，再加上由于车顶增高带来的使发动机盖更具幅度的视觉错觉，整个前脸更具层次感。
内饰上，新车与Model 3基本一致，保留车顶全景天窗、1.9m?的储物空间，车内最大的亮点在于，除了常规的5座布局外，还将提供2+3+2的7座布局选择，分体式折叠第二排座椅，使得车内体积也将更加紧凑。
动力方面，Model Y将搭载Model 3的同款21700电池组，配合第三代超级充电桩，峰值充电功率可以达到250kW，是目前V2超充的两倍，充电5分钟行驶120公里，15分钟即可充至50%。

小鹏P7
小鹏汽车的目标是想要造年轻人喜欢的互联网汽车。何小鹏曾说：要想造车，车的基础部分最多也就是那样了，还是要在别的方向上找到突破口。于是，小鹏汽车更注重做适应中国市场的自动驾驶以及更贴近中国用户的车载互联网功能。
这款P7诞生自SEPA平台架构，底层硬件具备扩展性、兼容性、共用性和进化性；同时，P7搭载智能双擎高通骁龙820A车规级芯片、系统级自动驾驶芯片NVIDIA DRIVE Xavier，在人机交互和高级智能辅助驾驶方面将较G3有进一步提升，可以支持L3级别自动驾驶。
动力部分，新车搭载双电机四驱系统，官方称百公里加速进入四秒俱乐部，NEDC续航超过600km，车长达到4.9米；轴距达到3米；底盘和悬挂规格及调教越级对标德系豪华运动车型。

理想ONE
前不久，“理想智造”品牌已经正式更名为“理想”，口号是“为用户打造没有里程焦虑的智能电动车”，因而采取了一条和绝大部分新造车不同的路线，它打造的是一台增程式电动车，一台需要加油的电动车，某种程度上，它与日系的混合动力还是有些相似。
理想ONE定位为中大型SUV，车长超过5米，宽度接近2米。内饰上，理想ONE提供6座和7座两个版本，分别采用222和232的座椅布局，内部布置保证了充裕的三排乘坐空间。
动力方面，理想ONE采用增程式电驱动系统，前后双电机实现了电动四驱，其综合总功率为326马力，最大输出功率达到530牛·米，0-100公里/小时加速时间为6.5秒。

威马EX5 Pro
对比其他几家新造车企业，业界人士认为，威马更像新能源车界的小米。
外观上，威马EX5 Pro在沿用标准EX5的基础上，细节进行了一定程度的运动升级，包括19英寸专属低风阻轮毂、空气动力学运动套件等。此外将整车风阻系数降至0.3以下，辅以Pro专属龙胆蓝外观配色、冰原蓝内饰拼色主题。
内饰上，采用了超纤绒和真皮的搭配，配有11个扬声器的WM-Sonic 立体环绕音响，动力部分，威马EX5 Pro搭载Living Motion三电动能系统，可实现0.2秒快速动力响应和百公里加速8.1秒的表现。

极星Polestar 2
前不久，作为从沃尔沃高性能部门独立出来的Polestar正式发布官方中文名称“极星”，为了更好地实现本地化，Polestar选择与高德地图、科大讯飞、阿里巴巴人工智能实验室等展开合作，
内饰上，Polestar 2采用11英寸大屏，支持OTA空中升级，海外版搭载了谷歌Android HMI、车机版Google智能助手等智能应用，未来国内方面也会跟进语音助手功能。
动力方面，前后双电机的配置可以提供300千瓦的最大输出功率和660牛·米的峰值扭矩，百公里加速的“目标”时间为4.7秒，72千瓦时电池组在NEDC工况下的“目标”续航里程为500公里。

奥迪e-tron
40年前的燃油车时代，奥迪凭借quattro竖起了拥有赛道动力的豪车招牌；如今，奥迪用e-tron展示电动化决心。
奥迪e-tron是奥迪首款纯电动SUV，外观上采用了奥迪家族新的设计理念，大尺寸的六边形进气格栅搭配两侧尖锐、狭长的大灯组，真皮多功能方向盘和换挡拨片的组合让整车运动感十足。
内饰上，新车配备了全液晶仪表盘，且搭载了双触控屏，分别控制着多媒体娱乐系统和空调系统，同时更有全景影像为泊车提供更加全面和安全的引导。
动力方面，奥迪e-tron采用双电机四驱的驱动形式，最大功率300马力，0-100km/h加速的时间小于6秒，初创性能可与跑车相媲美。

奔驰EQC
奔驰EQC外观上很大程度的还原了Generation EQ概念车的设计语言。前脸设计在保留了传统进气格栅设计的同时又进行了密封处理，并搭配上可发光的奔驰 LOGO以及LOGO上方的灯带，营造出了不俗的质感。
内饰上， EQC采用了双10.25英寸显示屏作为仪表盘和中控大屏，装配有EQ系列车型专属的“电路板风格”的空调出风口、蓝紫色的仪表背光、氛围灯和全新的三辐式方向盘并拥有双拇指控制（Dual Thumb Controls）系统。
动力部分，梅赛德斯-奔驰 EQC于底盘上搭载了前后双电机，其中后电机负责提供大的推力，前电机负责兼顾日常的轻度使用，并可实现四轮驱动。此外，该车还装配有动态扭矩分布，当超出一定的运转范围，电控系统会在车轴间智能分布扭矩，这将为达到高扭矩创造足够条件。双电机的最大输出功率达到300kＷ（408PS）、最大扭矩765Ｎ·ｍ，可实现5.1s完成0-100km/h的加速和180km/h的最高速度。
“大象转身难”，作为汽车行业巨头，奔驰的电动化之路举步维艰。但也有人认为，在全球车企迎接新能源化的过程中，相比于BBA中的另外两大豪华品牌，奔驰的转身相对还算灵活。按照计划，奔驰EQC新车将于2019年底在华实现国产化生产。但这还远远不够，在豪华车品牌的下一个电动车战场，奔驰不止要大象转身，还要与更多新入局车企比拼速度，这需要让大象“跑”起来。

比亚迪E2
比亚迪E2外观的整体设计风格融入了“Dragon Face”的设计元素，，新车前脸采用了六边形大尺寸前格栅设计，内部则以点阵式进行装点，配合两侧棱角锋利的大灯组以及线条夸张的L型进气口，车尾部分比前脸更加激进，尾灯采用折线设计造型。
内饰上e2的内饰和 e1基本保持一致，诸如全液晶仪表盘、智能旋转大屏和三幅运动化平底方向盘都被保留，但在最终量产时，是否调整还未知。
动力方面，新车将搭载永磁同步电机，最大功率为70kW，电池方面使用的是镍钴锰酸锂电池，新车的NEDC续航里程有望达到360km或以上。
在转向新能源的路上，比亚迪走得非常迅捷，在去年，比亚迪品牌内部新能源车型销量首次超过传统燃油车，同时并未局限于入门级车型，而是完成了下至10万，上至30万的全方位产品布局，成为电动车行业里，竞争力不容小觑的参与者。
2019是汽车行业巨变的年份，四化（电动化、智能化、网联化、共享化）浪潮席卷整个产业，新能源汽车不断涌现，它们是汽车新秀，也是燃油派劲敌，而且这一次，不再是空泛的预测，一切将成为现实。
在2019年的路上，不少新伙伴就要与我们相见，记住这些全新的面孔，或许在你的车库，就有专为它留下的一隅。网易智能将持续关注汽车行业全新的变化和趋势，明年车展见。