我們將按時間順序梳理車載芯片的發展歷程，探討未來發展方向。
汽車電子發展初期以分布式ECU架構為主流，芯片與傳感器一一對應，隨著汽車電子化程度提升，傳感器增多、線路復雜度增大，中心化架構DCU、MDC逐步成為了發展趨勢；
隨著汽車輔助駕駛功能滲透率越來越高，傳統CPU算力不足，越來越難以滿足處理視頻、圖片等非結構化數據的需求，而GPU同時處理大量簡單計算任務的特性在自動駕駛領域取代CPU成為了主流方案；
從ADAS向自動駕駛進化的過程中，激光雷達點云數據以及大量傳感器加入到系統中，需要接受、分析、處理的信號大量且復雜，定制化的ASIC芯片可在相對低水平的能耗下，將車載信息的數據處理速度提升更快，并且性能、能耗和大規模量產成本均顯著優于GPU和FPGA，隨著自動駕駛的定制化需求提升，定制化ASIC專用芯片將成為主流。
目前出貨量最大的駕駛輔助芯片廠商Mobileye、Nvidia形成“雙雄爭霸”局面，Xilinx則在FPGA的路線上進軍，Google、地平線、寒武紀向專用領域AI芯片發力，國內四維圖新、全志科技、森國科（國科微）在自動駕駛芯片領域積極布局。
Mobileye的核心優勢是 EyeQ 系列芯片，可以處理攝像頭、雷達等多種傳感器融合產生的大量數據，在L1-L3自動駕駛領域具有極大的話語權，目前出貨量超過了2700萬顆；
NVIDIA在GPU領域具有絕對的領導地位，芯片算力強大且具備很強的靈活性，但功耗高、成本高，AI機器學習并不太適合GPU的應用；
此外Google、地平線、寒武紀、四維圖新等更聚焦在針對不同場景下的具體應用，芯片設計也開始增加硬件的深度學習設計，自動駕駛上AI的應用已經成為未來的趨勢。
基于產業前景和潛在的巨大市場，給予行業買入評級，上市公司方面看好四維圖新，建議關注地平線、寒武紀。
車載芯片的發展趨勢（CPU-GPU-FPGA-ASIC）
2.1 ECU的核心CPU
ECU（Electronic Control Unit）是電子控制單元，其工作過程為CPU接收到各個傳感器的信號后轉化為數據，并由Program區域的程序對Data區域的數據圖表調用來進行數據處理，從而得出具體驅動數據，并通過CPU針腳傳送到相關驅動芯片，驅動芯片再通過相應的周邊電路產生驅動信號，用來驅動驅動器。即傳感器信號——傳感器數據——驅動數據——驅動信號這樣一個完整工作流程。
2.2 分布式架構向多域控制器發展
汽車電子發展的初期階段，ECU主要是用于控制發動機工作，只有汽車發動機的排氣管（氧傳感器）、氣缸（爆震傳感器）、水溫傳感器等核心部件才會放置傳感器，由于傳感器數量較少，為保證傳感器-ECU-控制器回路的穩定性， ECU與傳感器一一對應的分布式架構是汽車電子的典型模式。
隨著汽車電子化的發展，車載傳感器數量越來越多，傳感器與ECU一一對應使得車輛整體性下降，線路復雜性也急劇增加，此時DCU（域控制器）和MDC（多域控制器）等更強大的中心化架構逐步替代了分布式架構。
人工智能的發展也帶動了汽車智能化發展，過去的以CPU為核心的處理器越來越難以滿足處理視頻、圖片等非結構化數據的需求，同時處理器也需要整合雷達、視頻等多路數據，這些都對車載處理器的并行計算效率提出更高要求，而GPU同時處理大量簡單計算任務的特性在自動駕駛領域取代CPU成為了主流方案。
3.1 GPU Vs. CPU
目前無論是尚未商業化生產的自動駕駛AI芯片還是已經可以量產使用的輔助駕駛芯片，由于自動駕駛算法還在快速更新迭代，對云端“訓練”部分提出很高要求，既需要大規模的并行計算，又需要大數據的多線程計算，因此以GPU+FPGA解決方案為核心；在終端的“推理”部分，核心需求是大量并行計算，從而以GPU為核心。
