自动驾驶软硬一体演进趋势研究报告

自动驾驶软硬一体演进趋势研究报告概述 软硬一体化是一种产品设计模式，它将软件和硬件系统集成在一起，以提高系统效率和性能。这种设计模式使得在硬件上进行软件的优化和协作变得更加容易，从而达到更高的性能、更低的功耗、更低的延迟和更加紧密的结合。软硬一体又可分两种不同模式：1）像苹果一样，自己完成从芯片到操作系统及其他核心软件的研发；2）像PC产业Windows+Intel，以及智能手机产业的安卓+ARM，操作系统厂商与芯片厂商深度绑定。前者我们称为“重软硬一体”，而后者则是“轻软硬一体”。这两类，都是通过软硬一体的战略获得共赢的典型代表。在自动驾驶领域，特斯拉，从早期采用Mobileye的软硬一体解决方案，到采用英伟达的芯片+自研算法的软硬解耦方案，再逐步过渡到基于自研的芯片以及自研智驾算法的“重软硬一体”策略，引领了行业潮流。可见，同一家公司在不同阶段会有软硬解耦或软硬一体的不同选择，具有很强的灵活性。国内的诸多自动驾驶芯片以及算法供应商在经历了初期的百花齐放，如今经过市场的筛选，已经有几家公司确立了“头部”地位。当前，整体的产业模式也从初期软硬解耦和软硬一体两种思路的巨大分歧逐步收敛至软硬一体方案，并围绕这种模式建立业态以及利益分配链条。在当前市场上不同案例并存的情况下，本报告会对软硬一体给出详细的定义，并分析其出现的成因，以及对未来行业在软硬一体方向发展趋势进行预测。01自动驾驶软硬一体演进趋势研究报告内容目录 概述01软硬一体定义及行业现状分析 04软硬一体定义 04软硬一体方案为何成为行业的主流选择？ 06供应商的软硬一体策略 09整车厂的软硬一体策略 1102软硬一体开发能力分析 13智驾系统算法架构 13智驾域控芯片架构 14智驾域控系统底层软件 1703自动驾驶赛道公司概况 19主流芯片厂商 19整车厂 23软件Tier1 2704行业未来发展趋势 29软硬一体的综合趋势 30自动驾驶赛道玩家未来的道路选择 32端到端算法对软硬一体未来趋势的影响 34舱驾一体对软硬一体未来趋势的影响 35具身赛道软硬一体的未来趋势 35趋势总结 36【附录】软硬件一体的现状调查 39本报告访谈和编写项目组 43特别声明 44自动驾驶软硬一体演进趋势研究报告图示目录 图示1：智驾系统的不同合作模式 04图示2：英伟达和特斯拉主力自动驾驶芯片参数和成本结构对比 07图示3：软硬一体是否能带来成本优势？ 08图示4：回顾历史，摩尔定律是支撑PC端出现通用芯片的底层原因 09图示5：软硬一体的方案优势对比及Tier2厂家未来生存空间调研 11图示6：车载智能计算基础平台参考架构 13图示7：典型的车载芯片分布 15图示8：不同芯片类型优劣势对比 16图示9：英伟达最新的Thor芯片可达接近2000TOPS算力 20图示10：Thor可被配置为支持多种模式 20图示11：地平线征程系列芯片 21图示12：高通骁龙Ride芯片架构 22图示13：特斯拉BEV网络架构 23图示14：蔚来的神玑芯片参数 25图示15：小鹏发布图灵芯片 26图示16：影响软硬一体策略判定的三要素 29图示17：以手机行业的软硬一体发展趋势为参考 30图示18：软硬一体发展趋势及驱动因素调研 31图示19：全栈自研是否会成为成为未来整车厂的主流趋势? 32图示20：构建生态是否是芯片行业成功的必要途径? 34图示21：软硬一体方案是最优的方案么? 37自动驾驶软硬一体演进趋势研究报告

软硬一体定义及行业现状分析软硬一体定义及行业现状分析软硬一体定义尽管软硬一体已经成了行业内很多领先玩家的重要战略，但是目前仍没有对软硬一体给出有效的定义，本报告尝试给出一个对于软硬一体讨论范畴的定义。首先，软硬一体中的“软件”，主要指的是智能驾驶系统的软件和算法，其中可能包括应用层、中间件、操作系统等。当我们讨论软硬一体相关公司时，“软件基因的公司”通常是指有较强算法能力和壁垒的公司。虽然智能驾驶系统中的硬件包括了各类传感器、高性能计算芯片、域控制器以及围绕核心计算芯片的其他芯片和电子元器件，但是大部分行业专家都认为，软硬一体范畴中的“硬件”，主要讨论的是对象是高性能计算芯片。虽然软件和硬件的概念都相对清晰，但是“软硬一体”在智能驾驶系统的语境下，却很难给出一个单一的标准界定。我们认为，软硬一体讨论的对象是自动驾驶公司及要做自动驾驶的芯片厂商以及主机厂，描述的是公司具备的软硬件协同的研发能力和开发模式。基于软硬一体的能力和开发模式，公司可以提供软硬一体的产品。图示1：智驾系统的不同合作模式图源：辰韬资本04自动驾驶软硬一体演进趋势研究报告

软硬一体定义及行业现状分析以上三个案例展示了几种业界比较典型的自动驾驶领域公司提供软硬一体产品的模式：最极致的软硬一体模式是由同一个公司完成芯片、算法、操作系统/中间件的全栈开发，芯片厂商同时也是整体解决方案提供方，或者，整体解决方案商也自己做芯片。这方面的典型例子包括海外的MobileyeNvidia（开发中）以及国内的华为、地平线、Momenta（开发中）等。这样做的好处是，公司通过垂直整合拥有了最大程度的自主权，可以将软硬一体的性能和效率优势发挥到极致。在这类模式中，软与硬两部分结合最紧密、耦合最严重，为了与接下来的第二种模式相区分，这里我们将其定义为“重软硬一体”模式。部分自动驾驶解决方案公司，虽然采用第三方的芯片，但是在该款特定芯片上具备极致的优化能力和丰富的产品化交付经验，能够最大化发挥该款芯片的潜能。这方面的典型案例包括卓驭（大疆）、Momenta等。这样做的好处是通过合理分工节省了大量芯片和硬件研发投入，但是对公司在某款/某系列芯片上进行软件优化和部署的能力提出了很高的要求。这种模式需要解决方案公司与芯片方密切配合，但是耦合程度不如模式一紧密，所以我们将其定义为“轻软硬一体”模式。部分具备软硬件全栈能力的公司，会将软硬件耦合最紧密的部分（通常是感知算法和SOC芯片）作为标准产品提供，而其他模块则由生态合作伙伴（如域控制器硬件公司、规控算法公司等完成，这种模式可以看作是第一种模式的衍生，由于给下游客户提供了更大的自主权和灵活性，因而更容易得到部分主机厂客户的青睐。值得一提的是，这类合作模式中涉及到的生态合作伙伴公司，并不能被划分为软硬一体公司，因为其中软硬件耦合的核心环节并不由他们掌控。当然，自动驾驶领域的软硬一体开发模式还有很多其他形态。我们通过以上三个定义可以看到：尽管软硬一体的核心要素是软件和SoC芯片如何耦合，但无论是从算法、操作系统到芯片的全栈能力带来的完全垂直整合，还是基于第三方芯片进行极致的软硬件协同优化，都可以实现软硬一体的目的。需要注意的是，公司采用的是软硬一体还是软硬解耦战略，这个判定并非绝对，而是相对的。比如，英伟达为自己的芯片开发算法，这是软硬一体；而某个算法公司一直基于英伟达芯片提供解决方案，基于英伟达芯片进行深度适配，这也是软硬一体。在本报告中，我们将前者归类为“重软硬一体”，将后者归为“轻软硬一体”。从另一角度看，英伟达的芯片可以跟多家的算法适配，这就属于软硬解耦策略。再比如，地平线在J2及J3时代是“重软硬一体”，因为在这个阶段，芯片上集成的都是地平线自己开发的感知算法；而J5时代则变为软硬解耦（由生态合作伙伴做算法，对地平线来说就是软硬解耦）和“重软硬一体”（自己做算法，05自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析如理想的项目）并行。类似的是，J6的旗舰版J6P的落地，在短期内会是“重软硬一体”模式（算法由地平线自己开发），待后续有软件Tier1或车企基于J6P做算法后，则又走向软硬解耦的路线；对长期使用J6P的软件Tier1或车企来说，则是“轻软硬一体”。再比如，一家主机厂或算法公司从供应商的芯片切换到自研芯片的过程，也属于软硬解耦；但切换完成后，则又是“重软硬一体”。最后，为了明确本报告讨论的范围，我们也需要澄清哪些能力并不是软硬一体所需要的，或者哪些公司不应该被定义为软硬一体公司。例如：以域控制器的设计和生产、包括部分底层软件（如驱动、诊断等）开发为核心能力而不具备智驾核心算法开发和部署能力的公司，并不属于软硬一体公司。关于软硬一体涉及的能力，本报告将在第二章《软硬一体开发能力分析》中详细讨论。软硬一体方案为何成为行业的主流选择？对于汽车行业本身，早期的ADAS，动力系统以及底盘系统都带有很强的软硬一体的痕迹，上一代Tier1领域的霸主博世更是从芯片到控制器再到软件算法实现了全环节交付。而在自动驾驶兴起后，深度学习算法成为行业感知模块的通用解决方案，传统的芯片架构已经无法支持实时感知需要的大量并行计算能力。英伟达则通过移植其在通用GPU上的能力，先后发布了DrivePX,DrivePX2,DriveAGXXavier以及DriveAGXOrin四代自动驾驶平台，希望通过提供通用平台的方式支持其芯片在自动驾驶领域落地。然而，这种硬件解耦的方式操作起来却并不成功——关键原因在于，其平台的通用特性导致其芯片在算力利用效率以及功耗方面这两个OEM非常关注的指标上均表现不佳，同时价格也比较昂贵，只能用于支持高端车型的智驾方案。与之相反的是，特斯拉在与英伟达分道扬镳之后，基于其自研的FSD芯片，做到了极致的软硬一体化。它能非常高效地用处理硬件的算法去完成一些任务，M系列芯片，特斯拉针对自己的应用需求去对芯片做了架构上的剪裁，从而使整个底层硬件的计算资源能够做到更高的利用率。作为对比，特斯拉自研的FSD芯片尽管在工艺上跟英伟达orin具有一代的差距，因而，芯片的代工成本上仅为后者的三分之一，但是在整体功能实现效果上却表现更优（尤其是，在端到端领域，特斯拉在整体表现上更有优势）。06自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析图示2：英伟达和特斯拉主力自动驾驶芯片参数和成本结构对比芯片厂商 英伟达 特斯拉芯片型号 Orin Thor FSDChip1(HW3) FSDChip2(HW4)SOP时间支持功能/车型NPU总算力(TOPS)

20212021理想L系列车型：两块Orin芯片支持城市NOA，可部署四块Orin芯片支持城市NOA，可部署端到端模型254254

TBDTBDTBD20002000

2019 202320192023ModelS/X/Y两块芯片支持FSDv12，可部署端到端模型73.7121.6573.7121.6571448DieSize(平方毫米) 455 800（估计） 260 450（估计制造工艺（纳米）71448702025060）代工厂 三星 台积电 三星 三芯片代工成（美元702025060）封测成本（美元） 25 120 10 35合计成本一次性流片成本（估算）（美元）含毛利率的销售价格（美元）

85 3708537030 100275 1157275115730105

3010510 30NANANA图源：佐思汽车研究，辰韬资本整理与特斯拉类似，所有走“重软硬一体”路线的公司都可以针对自己的算法及架构特点构建平台体系，并以此为基础开发其他模块。无论是算法对于传感器，算法对于主芯片，抑或是中间件及底软对于芯片的整个相关性的设计都可以形成“算法是平台”。尤其是被硬件思维主导的车企管理层的认知里，只有芯片才是“平台”，算法应该“跟着芯片走”。算法本身可被看作平台的核心原因是：算法是连接传感器/07自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析数据/功能/应用及底层芯片的“链主”，因而，将算法视作平台并提供相应的迭代机制，就可以让原本只能割裂开发的各个环节（如芯片和最终实现功能之间之间实现有机的连接。作为对比，如果将芯片作为平台，则无法实现各环节之间的有效连接。苹果与特斯拉这类公司搭建起以算法为“链主”的平台的好处包括：可以提升开发效率；能够提升开发质量；系统侧的成本也会越来越低——在整个量产落地的过程中，顺畅度及解决问题的效率都会大大提升。这种成本优势引导行业走向软硬一体的路线基本也得到了业界的共识，通过对行业内28名专家的访谈和调研我们可以看到，有25位专家认为通过软硬一体的模式确实能够为企业带来足够的成本优势。图示3：软硬一体是否能带来成本优势？软硬一体是否能带来成本优势？（单位：人）图源：辰韬资本与苹果及特斯拉模式相对的是，走“轻软硬一体”路线的公司则会基于自身的算法选择供应商或合作伙伴的芯片来做适配。在产业早期，市场上可选择的芯片较少，同时芯片算力的增长不能适配算法需求的增长时，他们也会针对性的对自研算法进行调整来配合芯片。而随着芯片算力遵循摩尔定律不断增长，当其能力远大于算法所需算力之后，这种针对性的优化和适配的工作会逐步减少，让软硬一体的程度变得更轻，因而耦合度进一步降低，甚至可能会走向软硬解耦。08自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析图示4：回顾历史，摩尔定律是支撑PC端出现通用芯片的底层原因图源：KarlRuppBlog:40YearsofMicroprocessorTrendData|KarlRupp供应商的软硬一体策略芯片公司采用软硬一体策略的核心原因软硬一体的根基是芯片。目前看到的自动驾驶主芯片的主要架构是在ARM体系结构上搭载CPU及NPU，其中，CPU作为通用的计算芯片，目前已经实现了很好的软硬解耦，但针对深度学习的NPU部分，还需要针对主流的量产算法进行定制化设计，使其利用率更高、且整体平衡性更好。因为，自动驾驶算法对于芯片的不同处理单元会有不同的需求，若需求与处理单元提供的能力不能吻合，就导致资源不均衡或者需要频繁的移动数据，进而造成额外的开销，并导致整体效率下降。传统芯片厂商往往会收集现行市场上所有客户的需求，然后进行梳理，并提前几年把所有的需求都汇总到芯片的研发计划当中。然而，由于目前行业对自动09自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析驾驶算法的认知参差不齐，且基于当前需求进行未来产品设计具有明显的滞后性，所以，传统芯片厂商的产品规划思路对自动驾驶芯片厂商参考价值有限。地平线作为采用软硬一体策略的自动驾驶芯片公司的典型代表，虽然同样会做对整个行业的分析，但其关注点更多集中在AI模型及算法上，判断哪些会是未来的趋势，甚至会投入研究人员进行算法的自研，进而引导这种趋势。所以，地平线的芯片设计团队在指令架构、内存带宽配比、NPU支持的算子形态等方面可以从算法团队获得精确输入，然后再针对自己的算法以及对于功能的理解去设计芯片。以这种方式设计出来的芯片，地平线自己推荐的算法的加速或者计算效率会非常高。当芯片推向市场时，地平线会尽量推荐客户采用自己定义的算法方案，这样才能取得更好的效果。这种方案的弊端是，客户或合作伙伴如要自己开发算法，那么整个网络设计的架构、算法的设计开发对于芯片的要求是不同的，在这种情况下，地平线自己设计的芯片就难以发挥出优势。软件Tier1们的软硬一体模式，因芯片类型的不同而有所差异软件Tier1针对平台型和专用型芯片厂商的产品的不同特点，会倾向于采用不同的软硬一体模式。目前，智驾赛道主流的芯片厂商可以分为平台型及专用型两大类：平台型芯片厂商的典型代表是华为及英伟达，他们的GPU或NPU芯片以PC端为基础，进行适配从而成为自动驾驶需要的车规芯片。这种迁移导致这类芯片天生具有更强的通用性。由于硬件已经按照平台化的要求进行了提前设计，所以，他们的芯片无法和车端算法100%适配，这会给芯片带来一些性能上的损耗；不过，优点是能够支持的算法范围更宽。专用型芯片厂商更多是算法主导，比如说像地平线或者是Mobileye，在芯片定义之初就为了满足算法需求方案进行了专门的优化，具体的开发流程在1.3.1中已经有过描述。针对对新算法的支持性比较好的平台型芯片产品，软件Tier1往往会采用较为领先和前瞻型的解决方案，在域控的设计上也会给算力留有比较多的裕量。这就意味着，这些解决方案的硬件成本往往较高，因而仅适合对于成本不太敏感的高端车型。但对软件Tier1来说，这种芯片的通用性意味着其存在软硬件解耦的空间，从一款平台型芯片转换到另一款平台型芯片的适配成本较小，其迁移成本往往会在可接受的范围内。10自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析针对更适合于成熟解决方案的专用型芯片产品，软件Tier1可发挥的空间有限。但如果芯片厂商愿意以开放的心态跟软件Tier1合作，那软件Tier1就有机会通过跟该芯片厂商绑定，基于其芯片对自己的是算法做深度优化，打造出“轻软硬一体”的模式（如轻舟智航跟地平线的合作）。这种方案的优势在于具有效率及成本优势，可以支持对价格更为敏感的中低端车型，因而，对于算法已比较成熟的软件Tier1来说是非常好的选择。在这种模式下，除非有必要切换整个算法解决方案，否则软件Tier1进行软硬解耦的意愿会很弱，因为，切换芯片的成本会特别高。在报告的前期调研中，针对行业内所有参与者的竞争优势以及生存空间，大部分受访者认为，芯片厂商及软件厂商在软硬一体方案下各具优势，差距不大；而超过三分之二的人认为，Tier2软件厂商不一定要依赖硬件产品生存，不过生存空间较小，只能集中在一些特定领域。（见下图）图示5：软硬一体的方案优势对比及Tier2厂家未来生存空间调研（单位：人）Tier2（单位：人）图源：辰韬资本整车厂的软硬一体策略目前，整车厂中对“重软硬一体”策略执行得最彻底也最成功的就是特斯拉。有特斯拉珠玉在前，国内的蔚小理以及比亚迪也在朝着软硬一体的方向努力。相比于芯片自研，算法自研的前期投入少，并且对产品力的影响大，所以所有重软硬一体的整车厂都经历了“先算法后芯片”的递进过程。11自动驾驶软硬一体演进趋势研究报告 软硬一体定义及行业现状分析首先，在自动驾驶算法方面，OEM自研已经成为一个不可忽视的趋势。主机厂对智驾算法的投入主要基于两个方面考虑：1）自我定位是自动驾驶公司，所以自动驾驶作为核心功能必须自研；2）自我定位是传统OEM，自研更多是基于对于自动驾驶算法可控的考虑，这样可以保证供应链安全。由于主机厂在数据及方案选择权上有着非常明显的优势，在未来自动驾驶L3或L4的的渗透率达到30%，甚至更高水平的时候，同时，若主机厂内部管理层的软件思维也足够强、企业文化足以支撑软件研发，主机厂就会更加倾向自研算法。基于算法的自研或可控，整车厂是否要选择“重软硬一体”的策略，一般会从成本和配置的角度采取不同策略：1）针对低阶智驾配置方案，整车厂倾向于采用供应商提供的“重软硬一体”方案（比亚迪可能会成为例外），而高阶智驾配置则更多的寻求算法自研，在自身体系无法支撑自研的情况下，会通过寻求外部合作及消化吸收为内部能力的方式来推进；2）针对芯片方向，因为研发芯片需要在人才资金方面有很大的前期投入，只有体量较大且现金流较为充裕的主机厂才有能力涉足芯片设计领域。国内的主机厂中目前蔚来、小鹏和吉利已经流片成功，而理想和比亚迪也都做出了自己芯片开发的计划，但是因为以上几家的芯片产品目前还没有整车厂的芯片达到量产装车的状态，采用“重软硬一体”策略的具体效果还有待进一步验证。由于有特斯拉的成功案例，目前行业普遍的看法是，整车厂做“重软硬一体”具备可行性，但是考虑到中国每年2000~3000万的销售总量，最终只有行业头部几家整车厂可能会具备采用“重软硬一体”方案的条件。关于芯片研发的盈亏平衡点，我们可以基于以下简易模型做粗略估算：以7nm制程、100+TOPS的高性能SoC为例，其研发成本高于1亿美元（包含人力成本、流片费用、封测费用、IP授权费用等等），若以售价100美元、毛利率50%计算，其盈亏平衡点为200万片芯片出货量。当然，芯片研发的盈亏平衡点受到制程、售价、研发投入等多方面影响，行业普遍认为，自研芯片的年需求量若低于100万片，很难具备经济性。考虑到当前自动驾驶行业的技术方案和芯片架构几乎每三年发生一次重大升级，自研芯片的库存需要控制到极低水平方可，因而，部分车企的自研芯片也在寻求更加广泛的生态联盟来实现盈利。12自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析软硬一体开发能力分析 虽然软硬一体的方案能够为企业带来成本上的巨大优势以及更广阔的生存空间，但是它对于对于企业在技术能力上提出了更为苛刻的要求——执行软硬一体战略的企业必须在算法、芯片（重软硬一体）以及中间件和底软等领域有着深度的技术积累和工程经验。智驾系统算法架构典型的智驾系统包括感知、定位、预测、决策规划及控制模块：图示6：车载智能计算基础平台参考架构来源：《车载智能计算基础平台参考架构2.0（2023年）》感知模块（Perception）上一代感知算法更多基于CNN卷积神经网络实现，所以，软硬一体的芯片厂商在设计上会针对CNN卷积神经网络进行很多优化。当前，随着感知模块逐13自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析步演进为基于注意力架构的ViT模型以及无注意力的Mamba模型的趋势，芯片厂商需要针对性地进行芯片设计上的优化并搭建相应生态，这将会对未来的行业软硬一体格局产生深刻影响。预测模块（Prediction）随着BEV+Transformer技术方案大行其道，通过spatialattention的信息关联方式获得更准确的预测信息成为目前最主流的预测技术，这也解决了之前的预测算法输出结果不够平滑的问题。和感知及融合模块类似，目前的算法同样也要求计算芯片能够针对Transformer提供足够的优化，并且需要更多的算力支持。决策与规划模块（DecisionandPlanning）受制于技术方案决定的能力上限，传统的决策方法在解决复杂场景时表现不佳，目前的主要趋势是将决策规划模块神经网络化，进而实现模块化的端到端，最终向onemodel端到端的解决方案转化，这个转化会带来神经网络的计算量较大的提升，这也对目前智驾芯片的算力和性能提出了一定要求。除此之外，为了解决端到端方案的可解释性问题，目前行业内也提出采用车端多模态大模型来输出场景描述和判断逻辑。这种用于决策的车端多模态大模型的引入，一方面会导致车端计算量的急剧上升，另一方面也需要芯片厂商基于大模型进行相应的优化及设计，这些都会对未来行业软硬一体的发展格局造成一定影响。控制模块（Control）传统控制算法主要运行在MCU上，所以对于我们讨论的域控的中央芯片的影响较小。此外目前也有部分端到端算法将控制算法融合进大模型的架构，会引起计算量的微小提升，但这些都对软硬一体格局的影响不大。智驾域控系统硬件架构目前车规级的智驾芯片基本都属于SoC范畴，其集成了包括多个处理器、存储器和其他部件在内的较完整的信息处理系统的半导体芯片，一般这些处理器具有异构的特性。从软件层面来说它可以存放并运行系统级别的代码，即可以运行操作系统，也会包含多个处理器，通常具有“CPU+XPU”的多核架构，例如可拆解为CPU+GPU+DSP+NPU+存储+接口单元。14自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析图示7：典型的车载芯片分布座舱空调座舱空调HMI座椅远程及通信网关V2XOTA动力系统动力系统发动机控制发动机管理系统传动系统冷却系统车身车门控制车身车门控制车身控制后备箱控制灯光底盘及安全悬架制动驻车EPS气囊图源：辰韬资本相比于传统的车载芯片，自动驾驶SoC芯片的算力有了数量级的提升，并且，自动驾驶SoC芯片上通常需要集成除CPU之外的一个或多个XPU来做AI运算。用来做AI运算的XPU可选择GPU/FPGA/ASIC等。15自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析目前，市场上主流的自动驾驶SoC芯片的处理器架构方案(或称技术路线)有以下三种：图示8：不同芯片类型优劣势对比类型优势劣势代表芯片通用并行加速芯片通用性强性能高功耗高英伟达Thor地平线J6P神经网络专用加速芯片定制设计功耗低通用性弱地平线J5高通骁龙RideFPGA灵活性强价格高赛灵思Vertex7图源：辰韬资本①英伟达、地平线等，所设计的自动驾驶SoC芯片采用CPU+通用并行加速芯片方案。这种通用并行加速芯片以英伟达的GPU作为主要代表，由于其架构具有通用性，比较适合算法快速迭代期采用“轻软硬一体”方案的车企或软件Tier1J6P硬解耦”或“轻软硬一体”创造了条件。②Mobileye、地平线等，致力于研发销售自动驾驶专用AI芯片，采用CPU+神经网络专用加速芯片方案。因为这类专用加速芯片对于算法约束较多，所以这种芯片本身需要和算法绑定得更深，很多时候也需要芯片厂商自己走“重软硬一体”模式；或是引导生态伙伴中的软件Teir1采用“轻软硬一体”的策略，与自家的专用加速芯片进行深度绑定。③此外，还有部分自动驾驶公司在早期采用CPU+FPGA的方案做自动驾驶算法验证。这类芯片灵活性强，但是性价比较低，只能用于早期的算法测试，不适合作为最终产品进行量产，因而对于软硬一体的最终生态不会造成什么影响。16自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析智驾域控系统底层软件操作系统目前，产业内对智驾操作系统的主流选择是，采用QNX或基于Linux内核进行裁剪。在应用于自动驾驶领域之前，QNX主要应用于手机行业。QNX作为一个微内核只涵盖了最为基本的调度及内存管理，所以，它的优势在于高可靠性，协议栈、各种外设驱动稳定，这就意味着它天生适合用于开发RTOS系统。但是由于其完全闭源的特性，在生态方面的局限性也太明显，这使得它目前在自动驾驶领域的落地并不理想。尤其是，难以满足高阶智驾方案的需求。相比之下，基于Linux进行裁剪开发出的各种RTLinux系统，其本质上仍然另一方面，Linux属于纯开源系统，所以具有免费的特性，而且它的生态资源丰富，可以无缝对接大量第三方库，因而可以更好地适配目前自动驾驶软件迭代对于软件库快速增加的需求。RTLinuX的主要劣势是，在实时性上略逊QNX一筹，而且其较高的系统复杂度也增加了出现bug的概率，不过，目前车厂已经通过软件及功能架构的设计对RTLinuxX的劣势进行最大程度的规避。总体而言，RTLinux可满足POSIX标准，从而一方面让基于它们开发的中间件有共同可遵循的标准，对于中间件公司相对较为友好；另一方面也可以支持不同架构的自动驾驶芯片，通用性强，因而，对于软硬解耦不会设置过多的阻碍。除此之外，未来生态逐步在向舱驾一体的方向演化。由于智驾域在可靠性、稳定性以及实时性的要求远高于座舱域的系统，因而，同一套操作系统想要兼容两个域的需求难度极大。目前的解决方案大部分是基于oneboardtwochip的方案，不同芯片跑不同的系统，从侧面规避了这个问题。而长期来讲，舱驾一体的技术方向会走向单芯片模式，在单芯片的舱驾一体方案下，是否能有稳定可靠的操作系统在单芯片上同时满足两个域的需求，就会影响方案落地的速度。这些操作系统的优化与芯片以及域控的架构息息相关，从而会间接助力行业走向“轻软硬一体”的状态。中间件中间件是连接芯片及应用软件的桥梁，所以中间件开发对所选择的芯片以及需要支持的应用层架构对比较敏感。17自动驾驶软硬一体演进趋势研究报告 软硬一体开发能力分析目前对于中间件的核心关注点主要在于性能表现，具体包括两个方面：一是中间件的实时性，二是中间件对于系统资源的占用。传统的AutoSARCP由于最早是针对MCU开发，后期在向SoC芯片平台移植的工作较多，且仅支持SOME/IP，所以目前已经逐步让位于更加主流的AutoSARAP。由于AP相较于CP具有更好的灵活性，对于软硬解耦会有所帮助。对于大数据量的传输方案，DDS是目前行业的主流选择。早期的DDS更多应用于工业系统，所以在移植到车辆系统初期遭遇了一些瓶颈。目前随着车载系统软件公司以及整车厂的不懈努力，针对DDS的适配已经得到了长足发展。目前国内的中间件公司都已经基于AP/DDS提供了定制化的解决方案。这种中间件通用性的提升，从某种程度上降低了软硬解耦的门槛。工具链除运行在自动驾驶车辆上的软件外，用于数据采集、处理、标注、模型训练平台、仿真平台、OTA工具和一些其他环节的开发工具都属于开发工具链的范畴。其中的模型训练平台以及部署相关的工具，跟软硬一体有很强的相关性。在自动驾驶行业内，模型训练平台及相关部署工具做得最好的公司是英伟达。英伟达依靠其CUDA生态的得天独厚优势，基于Xavier及Orin芯片，提供了全套的模型训练及加速工具，如静态框架的TensorFlow(Google开发，英伟达深度支持)+TensorRT，此外也可以采用支持动态框架的PyTorch+ONNX的全套工具链。这些工具链可以无缝对接其强大的模型开源生态，让开源社区的SOTA算法在英伟达芯片上可以快速适配部署及应用。这种成熟的链条也使得软件Tier1容易倾向于采用英伟达芯片及工具链构建“轻软硬一体”战略。而采用ASIC方案的软件Tier1由于ASIC芯片本身特性制约，针对新算子的适配更为复杂。训练以及部署平台如何对包含这些新算子的模型进行训练和部署也存在很多不确定性，甚至存在某些算子，当前的ASIC方案可能完全不支持或者计算效率极低导致包含该算子的模型完全不可用的可能性。因而，在算子尚未成为行业标准的早期，软件Tier1需要得到芯片原厂更多的支持。这也意味着，基于这些芯片提供解决方案的软件Tier1或整车厂需要跟芯片厂商深度绑定。如果切换芯片则需要重新熟悉大量的部署以及加速工具，带来了比较高的迁移成本。这种特性也间接推动了“轻软硬一体”生态的形成。18自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况自动驾驶赛道公司概况 主流芯片厂商市场上主要的自动驾驶芯片厂商如下：英伟达英伟达的自动驾驶芯片主要定位在L2+及以上等级的智能驾驶，2019年推出的自动驾驶领域的主力芯片Orin算力达到250TOPS，在当时遥遥领先于行业内的其他竞争对手。作为一款平台型芯片，尽管他的价格不菲，在推出之后仍然成为大量“轻软硬一体”的软件Tier1以及整车厂高端车型自动驾驶解决方案上的首选。其通用以及高算力的特性也让软件Tier1以及整车厂可以从上一代基于CNN的感知模块平稳地过渡到BEV+Transformer的技术方案，以及之后的模块化端到端解决方案，很好地支持了这些客户的“轻软硬一体”战略。在2022年，英伟达发布了新一代智驾芯片Thor，采用了先进的4nm工艺，算力可达2000TOPS。其不仅在算力、性能上有极大提升，还被认为具备了支持车端大模型的潜力。从功能上分析，Thor可被配置为多种模式，可以将其2000TOPS算力全部用于自动驾驶工作流；也可以将一部分用于驾驶舱AI和信息娱乐，一部分用于辅助驾驶，为下一代的舱驾一体架构提供了芯片层面的保证。从这个角度讲Thor有希望被软件Tier1绑定，为高端车型提供舱驾一体的软硬一体解决方案。除了提供芯片产品外，英伟达也同样组建了自动驾驶解决方案团队，进行了“重软硬一体”战略的尝试。公司目前作为Tier1为奔驰提供包括芯片、智驾算法及座舱在内的全套解决方案，与其他Tier1相比略显不足的是，双方的合作从2020年开始，但是目前仍未达到量产落地的状态。19自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况图示9：英伟达最新的Thor芯片可达接近2000TOPS算力图示10：Thor可被配置为支持多种模式

图片来源：英伟达官网图片来源：英伟达官网华为华为是自动驾驶芯片赛道上最具代表性的走“重软硬一体”路线的公司。目前计算平台所使用的主芯片是Ascend310，Ascend610，Ascend620。这几款芯片的最大亮点就是采用了达芬奇架构。达芬奇架构采用3DCube，针对矩阵运算做加速，大幅降低了同等AI算力下的功耗。20自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况除芯片外，华为也有针对自动驾驶的全套解决方案ADS，是所有芯片厂商中对软硬一体策略执行得最重的一家。其提供的产品全面覆盖了芯片、操作系统、工具链以及自动驾驶算法各个环节。由于在智驾软件领域有超过几千人的团队支撑，所以在BEV以及占据网络等新技术上都实现了快速落地，其在城区NOA的体验方面也是居于国内的第一梯队。能够实现这些新技术的快速落地以及产品的快速迭代都和华为坚定的执行“重软硬一体”策略带来的速度优势有极大关联。目前华为基于这套“重软硬一体”的ADS解决方案与赛力斯、奇瑞及长安阿维塔都进行了全面合作，取得了很好的效果，智驾系统的选装率也达到了较高水平。地平线地平线属于行业内执行软硬一体方案以及打造智驾生态比较成功的芯片公司。其产品线较为全面，涵盖了CPU+ASIC及CPU+GPU两种不同架构。早期推出的J2和J3主要用于L2级别自动驾驶功能，从芯片到算法全部都由自己提供，采用了“重软硬一体”的打法。从J5开始，其策略逐步开始向软硬解耦的方向转化。J5目前的量产算法是由生态合作伙伴（如轻舟和鉴智及觉非等）做算法及交付，从“重软硬一体”逐步转向软硬解耦策略，并以打造与合作伙伴的生态为主。2024年4月，地平线发布了全新一代车载智能计算方案J6系列以及SuperDrive全场景智能驾驶解决方案，其中J6旗舰芯片J6P实现了CPU、BPU、GPU和MCU四芯合一，提供了更高的芯片架构集成度，单颗芯片最高算力高达560TOPS。J6将延续软硬解耦的商业策略，在2024年内通过生态合作伙伴开启首个前装量产车型交付，并预计于2025年实现超10款车型量产交付。图示11：地平线征程系列芯片图片来源：地平线J5发布会21自动驾驶软硬一体演进趋势研究报告

自动驾驶赛道公司概况J6的旗舰版J6P的落地，在短期内会是“重软硬一体”模式（算法由地平线自己开发），待后续有软件Tier1或车企基于J6P做算法后，则又走向软硬解耦的路线；而对长期使用J6P的软件Tier1或车企来说，则是“轻软硬一体”。高通在2020年1月，高通推出了骁龙Ride(SnapdragonRide)平台，作为其迈向自动驾驶赛道的平台产品。图示12：高通骁龙Ride芯片架构图片来源：高通官网不过一代产品（SA8540P）并没有能成功打开市场，出货量较少。而其二代产品系列（包括SA8620P，SA8650P等)提供了从36TOPS到100TOPS的算力，在国内与momenta，卓驭及毫末分别联合发布了辅助驾驶及自动驾驶解决方案，坚持走软硬解耦的商业路线。除以上合作外，高通在“重软硬一体”路线上也有所布局。其在2021年与合作伙伴联合收购自动驾驶公司Veoneer，并在接下来的一年将其软件部门Arriver收归帐下。而Arriver的计算机视觉、驾驶策略和其他自动驾驶相关资产也被整合到骁龙Ride平台上。从而让高通具备为客户提供高级驾驶辅助系统(ADAS)解决方案的“重软硬一体”能力。22自动驾驶软硬一体演进趋势研究报告整车厂特斯拉

自动驾驶赛道公司概况在整车厂中，特斯拉是一个从使用供应商的“重软硬一体”（早期跟Moibleye合作阶段）方案转向“轻软硬一体”（跟英伟达合作阶段）、最终又将基于自研芯片走上“重软硬一体”之路的典型代表。图示13：特斯拉BEV网络架构图片来源：特斯拉DemoDay其采用的BEV+Transformer的感知+融合+预测方案，以及从FSD12.3起开始推送的模块化端到端方案都引领了行业智驾算法的发展。除了算法方面的领先，特斯拉在芯片方面也探索出了自己的道路。早期的自动驾驶解决方案搭载的芯片包括MobileyeEyeQ3与英伟达DRIVEPX2，后期则选择自研的FSD芯片。一代芯片于2019年正式流片，采用14nm工艺，整个芯片约由60亿颗晶体管组成。二代芯片发布于2023年，采用了7nm工艺，包含三个NPU核心，算力可达120TOPS。23自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况其核心技术来源于由两颗NPU组成的NNA（NeuralNetworkAccelerator，神经网络加速单元）系统，并针对自身的自动驾驶算法进行了大量优化，包括：在每个计算周期，NPU都会从内置的SRAM中读取激活数据，并和权重数据组合在一起进入乘法累加，在完成了MAC的乘法累加运算后，数据将会被转移到激活以及池化部分，然后写入缓冲区，进行结果汇总。NNA设计了非常大的片上SRAM缓存，这样可以让数据尽可能地在片内周转，而不用频繁地与内存或者其他模块进行读写操作。这样做不但可以提高性能，还可以有效降低功耗。基于在自研芯片以及自动驾驶算法领域的领先性，特斯拉是目前执行软硬一体策略执行的最为成功的整车厂。一方面算法方面的不断突破为他们带来了软件领域的优势，另一方面自研芯片以及工具链也让他们可以将这些软件优势快速转化为产品力体现在最终车辆当中。理想理想又是一个从使用供应商的“重软硬一体”方案转向“轻软硬一体”，最终又将基于自研芯片走上“重软硬一体”之路的典型案例。理想在早期使用Mobileye提供的“重软硬一体”方案，在进入2020年之后，为自己掌握自动驾驶能力，开始使用地平线的芯片，并在地平线的帮助下开始自研算法，这是走向了“轻软硬一体”。此后，理想又基于英伟达的Orin自研高阶智驾的算法，仍然坚持“轻软硬一体”战略。除算法方面逐步走向自研的道路，理想也已经在启动智驾芯片的研究，主要采用NPU方案来实现推理加速的运算，并已有相应的流片时间计划。未来理想有望基于自研的自动驾驶方案进行自研芯片的设计，从而获得更好的性能匹配以及成本优势，走向“重软硬一体”的道路。对于自研芯片的整车厂而言，从供应商的芯片切换到自研芯片的过程，属于软硬解耦；但在切换完成之后，若长期使用自研芯片，则是“重软硬一体”。根据过往经验，在刚切换到自研芯片的前期，自动驾驶系统的性能可能会有所下降，但过了早期的过渡期后，性能相较以前又会有较大的提升。24自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况蔚来跟理想类似，蔚来也是一个从使用供应商的“重软硬一体”方案转向“轻软硬一体”，最终又将基于自研芯片走上“重软硬一体”之路的案例。早期使用Mobielye提供的“重软硬一体”方案；后面连续几年基于英伟达Orin自研算法，这是“轻软硬一体”；接下来，若自研的芯片在量产上可用，并且整车的销量也足以支撑芯片研发系统的维护成本，蔚来将走向“重软硬一体”模式。图示14：蔚来的神玑芯片参数图片来源：蔚来官网小鹏目前小鹏已经拥有Xpliot/XNGP/XNGP+全系列自动驾驶/辅助驾驶架构。这几个解决方案全部由小鹏自研，并基于英伟达芯片实现，所以小鹏目前属于行业内对“轻软硬一体”路线执行得最坚决的造车新势力。但通过近日在发布会上宣布自研芯片“图灵”流片成功的消息，小鹏也展现出了在未来逐步迈向“重软硬一体”的决心。图灵芯片可以支持30B的大模型，可以为作为未来高阶自动驾驶的计算芯片。同时这块芯片也会用于小鹏的人形机器人，同步让其人形机器人也完成向“重软硬一体”生态的转化。不过，小鹏的“重软硬一体”之路能否真正走通，也取决于车的销量，以及其跟大众的合作能否持久；反过来，若“重软硬一体”之路走通，则大众也会有可能采用小鹏的“重软硬一体”方案。25自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况图示15：小鹏发布图灵芯片比亚迪

图片来源：小鹏汽车发布会不同于特斯拉以及蔚小理等造车新势力较早开始布局自动驾驶，比亚迪在这个领域发力较晚。但是从路径上走的仍然是从与供应商合作，到自研自动驾驶算法，最终开始自研智驾芯片的道路。比亚迪在2021年与Momenta成立合资公司迪派智行，开始面向高阶自动驾驶布局。主要依靠软件Tier1Momenta基于英伟达Orin芯片为自己的高端车型提供“轻软硬一体”解决方案。而从2022年开始，公司开始自行组建智驾团队，基于英伟达的Orin芯片进行智驾算法的开发，其自研的高速DNP算法在同年开始在比亚迪汉上推送。在2023年自研的高速NOA算法在腾势及仰望等高端车型完成了推送，这一阶段属于绑定Orin的“轻软硬一体”阶段。在2023年，比亚迪已经开始进行小算力智驾芯片的研究，对标TI的TDA4vm。希望通过这款低成本芯片实现10~20万中低端车型的自动驾驶功能的“重软硬一体”方案。比亚迪对“重软硬一体”的考虑跟蔚来有所不同——蔚来是先从大算力芯片开始，而比亚迪则是先从小算力芯片开始。这跟两家公司主流车型的市场定位有关。在使用英伟达芯片的阶段，从供应商的算法切换到自研算法的过程，是软硬解耦；在使用自研算法的阶段，从英伟达的芯片切换到自研芯片的过程，是软硬解耦。比亚迪向“重软硬一体”的转型成功需要有个前提：能打造出适合软件开发的组织文化。26自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况软件Tier1MomentaMomenta在前一阶段处于“轻软硬一体”状态。其在高阶智驾上绑定了英伟达的Orin芯片提供其MpilotX解决方案，目前已经在上汽的智己以及比亚迪的腾势上实现了量产。不过，在2024年，Momenta也高调宣布了未来会与高通进行合作，基于骁龙Ride进行一些领航类低阶辅助驾驶功能的开发。将基于英伟达平台开发出来的算法移植到高通的芯片上，则是一个软硬解耦的过程。此外，Momenta目前也已经有了芯片领域的规划，Momenta一方面在2023年招揽了十几名OPPO旗下的芯片设计公司哲库的技术骨干进行自动驾驶芯片的研究，另一方面也开始与台湾ASIC服务厂商沟通5nm芯片的量产计划。一旦自研芯片取得成功，经历了从英伟达、高通的芯片切换至自研芯片的“软硬解耦”过程后，Momenta将走上跟Mobileye之路。对软件Tier1来说，从“轻软硬一体”走向“重软硬一体”，最大的挑战可能并不在技术，而在于如何取得主机厂客户对其自研芯片的信任。因为，通常来说，主机厂选择软件Tier1的逻辑，是先选择芯片平台，然后再看哪个软件Tier1最有能力把该芯片用好，再定点软件Tier1，而非因为认可某个软件Tier1的算法，然后再用他推荐或自研的芯片。不过，一旦其“重软硬一体”方案拿下了几个具有说服力的量产项目，并经过验证比之前使用供应商芯片的“轻软硬一体”方案性能优且成本更低，就有机会快速扩大市场占有率。卓驭科技（大疆车载）在国内所有软件Tier1当中，大疆车载是最早将智驾功能定位在中低端车型上的供应商。为了适配中低端车型，卓驭从芯片到传感器上的各个要素都考虑极致性价比。为了保证稳定性和研发深度，大疆车载选择了比赛道其他玩家更加彻底的“轻软硬一体”模式。其他玩家的“轻软硬一体”一般以绑定芯片供应商为标志，而大疆车载的“轻软硬一体”不仅绑定了TI的TDA4这款芯片，在早期还严格绑定了通用五菱的车型进行深度开发。这就让其在算法层面以TDA4为基础进行深度适配，而在传感器层面则参考五菱的车型。27自动驾驶软硬一体演进趋势研究报告 自动驾驶赛道公司概况虽然TDA4的芯片算力仅有32TOPS，但是通过大疆在算法层面的极致优化，能同时支持7路摄像头的深度学习算法，并让最终方案可同时提供大量的泊车以及辅助驾驶功能。能够做到如此深层的优化，与大疆从最初就选定了高性价比的TDA4芯片并基于此进行算法优化的“轻软硬一体”的路线有直接关系。凭借这个性价比优势，卓驭的自动驾驶解决方案已经在上汽以及比亚迪的多款车型上实现量产。值得一提的是，2024年大疆也接过了高通的橄榄枝，开始基于高通8650提供城区NOA方案，转向软硬解耦方向。28自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势行业未来发展趋势 基于对于资深专家的访谈以及对历史上其他行业的情况进行横向对比，我们总结出了更适合采用软硬一体策略的公司/行业/阶段几个判定标准：技术成熟度：算法技术框架已经收敛；技术平权度：芯片设计技术/方案的复杂度不算太高，且已经有很多公司掌握了该技术/方案；总收益：所处赛道的市场体量足够大，市场回报能够覆盖软硬一体的成本。图示16：影响软硬一体策略判定的三要素竞争软硬一体收益 技术图源：辰韬资本以上三个标准，满足其中一条时公司就具备考虑软硬一体的条件，满足其中两条时公司就会具有推动软硬一体的动力，如果三条全部满足则软硬一体就是公司在当前的最优选择策略。29自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势软硬一体的综合趋势总体来看，软硬一体与软硬解耦是一体两面，最终市场会形成两者并存的态势，但是短期内，软硬一体的公司在市场上体现出更强的竞争力。图示17：以手机行业的软硬一体发展趋势为参考智能手机/功能手机摩托罗拉诺基亚Apple华为智能手机小米操作系统自研自研自研安卓/自研安卓芯片能力自研TI自研自研高通首发时间19831994200720092011图源：辰韬资本手机行业在软硬一体方面的历程值得我们进行借鉴。手机产业在功能机阶段，由于技术栈相对简单，所以很多传统手机厂商例如摩托罗拉等公司采用了“重软硬一体”的方式，自研了从芯片到应用的全套技术栈。此外，也有诺基亚等厂商绑定了某家芯片厂商（TI或MTK）等，走上了“轻软硬一体”的道路。而当手机发展到高阶的智能手机阶段，我们可以看到行业内就出现了分化。一方面，存在苹果这类从芯片覆盖到操作系统的“重软硬一体”公司；另一方面，也存在安卓这样独立的操作系统，这类产品可以适配市面上各类不同芯片，而非跟某一款芯片进行强绑定，这就让整个行业处于“重软硬一体”及“轻软硬一体”共存的状态。参考手机以及其他大量行业的经验，我们认为自动驾驶行业软硬一体的趋势会根据自动驾驶方案的高低阶而有所不同：对低阶智驾，主机厂往往会直接采用供应商的软硬一体方案，并向标准化的方向发展。对高阶智驾算法等关键能力，主机厂自研的比例会越来越高。如果只自研算法，不自研芯片，那么，从供应商的算法切换到自研算法的过程，是软硬解耦；但如果自研算法在后面长期跟某个供应商的一款/同系列芯片捆绑，则又形成新的软硬一体（“轻软硬一体”）。当芯片算力远大于实际应用的需求、解决方案与芯片的适配不再成为核心而还有散热等其他问题有待解决，短期内仍难以实现软硬解耦，在很长一段时间内，软硬一体策略仍然会是行业主流。30自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势为了给出清晰的行业形式分析，这里我们给出针对成熟赛道&新兴赛道以及初创公司&巨头两个不同维度的对比：成熟赛道v.s新兴赛道：对比起新兴赛道，成熟赛道在技术框架成熟度高、且行业技术相对已经普及的情况下，行业内体量比较大的公司倾向于执行软硬一体策略。反之，新兴赛道，在技术框架成熟度、技术扩展度（技术平权水平）都不足的情况下，如果行业内没有体量较大的公司，则赛道内的玩家会习惯于通过精细分工（软硬解耦）的方式抱团取暖。而一旦有公司获得了比较高的回报或者有足够的资本支撑，会开始倾向于走软硬一体的道路。成熟赛道的初创公司v.s成熟赛道的行业巨头：在成熟赛道，初创公司在早期几乎不可能有足以与巨头抗衡的市场回报，因而，对初创公司来说，选择“重软硬一体”的模式非常不经济。在自身的技术方案选择正确的前提下，“轻软硬一体”的模式可以为初创企业提供更好的支撑。而对行业巨头来说，因为针对成熟赛道条件一和条件二都满足，在自身体量足够大且企业文化支持的情况下，选择“重软硬一体”始终是比较有优势的模式。图示18：软硬一体发展趋势及驱动因素调研（单位：人）

现阶段创业公司软硬一体的方案更多的是为了迎合产业还是资本方的需求?（单位：人）图源：辰韬资本31自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势通过调研我们可以看到，28位受访的行业专家中的12位认为软硬一体是必然趋势，而其余的16位则认为它只是选择之一。对于如今行业软硬一体大行其道的原因，8位专家认为单纯是行业格局及技术发展水平催生了这个态势，另外19位则认为产业及资本共同推动了业内软硬一体的生态。自动驾驶赛道玩家未来的道路选择整车厂根据我们的判定标准，只要整车的销售量达到可以覆盖芯片开发成本的级别，整车厂就会有比较强自研芯片的动力，然后走上“重软硬一体”之路。目前特斯拉已经走上了这条道路，而国内蔚来、小鹏、理想和比亚迪都已经开始了自己的全栈自研路线。（当然，全栈自研能否持续走下去，还得看销量及组织能力。）除了刚刚提到的因素之外，相比于Tier1及芯片供应商，整车厂更容易获得用户数据，这也就意味着如果整车厂搭建出足够好的数据链路，就更容易获得好的端到端算法效果。这种在算法方面从弱到强的变化，也让一些软件能力较强的整车厂成为自动驾驶赛道所有类型的玩家中最容易从软硬解耦向软硬一体发展的成员。从统计数据来看，受访的28位专家中有9人认为排名靠前的整车厂最终道路一定是全栈自研（制造芯片），而另外19位则持相反观点。图示19：全栈自研是否会成为成为未来整车厂的主流趋势?（单位：人）图源：辰韬资本32自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势不过，受访专家大多只关注主机厂的销量是否足够支撑全栈自研，却忽略了其组织文化对全栈自研能否成功的影响，并且，组织文化对自研成败的影响也很难量化。因此，上述统计结果的参考价值有限。销量或者技术竞争力不足的整车厂中，赛力斯等选择了华为的“重软硬一体”方案，奔驰和捷豹路虎选择了英伟达的“重软硬一体”方案，大众选择了地平线（后面还有可能切换到小鹏的“重软硬一体”方案），上汽智己则选择了Momenta的“轻软硬一体”方案（后续还可能切换到Momenta的“重软硬一体”方案）。如果上述车企的自研实力提升了，就有可能由供应商的“重软硬一体”切换到“轻软硬一体”。不过，考虑到传统车企的组织文化普遍不适合自动驾驶的软件开发，这种趋势出现的可能性并不大。结合上面的分析来看，总体的趋势是，“轻软硬一体”基本上都会转向“重软硬一体”。有所不同的是，实力强的车企采用的“重软硬一体”方案，是由自己主导的；而实力弱的车企采用的“重软硬一体”则是由供应商主导的。“轻软硬一体”基本上只是个过渡形态，而从“轻软硬一体”切换到“重软硬一体”的过程，则是软硬解耦。芯片公司处于行业内不同位置的芯片公司通常会有不同的诉求。当芯片公司已处于行业领先位置时，往往更希望技术框架能够快速收敛，这样自身产品才能有足够的稳定性来满足相关的技术要求，且由于芯片设计技术壁垒和前期投入相当高，这就足以建立起对行业新进入者的竞争优势。除了单纯通过技术壁垒打造护城河，还有一种方法是通过构建行业生态来进一步将护城河挖深，将用户在后期进行芯片更换的迁移成本提升到很高的水平，从而保证用户黏度。新兴赛道的芯片创业公司，由于不具备体量上的优势，不可能在产量和边际成本上对行业内的老牌芯片公司实现超越，所以芯片创业公司一方面要谨慎选择技术尚未收敛的赛道（如2018—2022年的自动驾驶赛道）；另一方面要挑选护城河不是特别深的赛道保证可以快速切入，并且还需要通过构建在该赛道的生态来形成对其他竞争者的优势。基于生态构建壁垒的趋势只有到公司生产芯片的体量达到足够大的程度才可以有所减缓。统计数据显示我们采访的此次调研的28位受访专家中的20位认为，对于芯片公司打造生态是一定要执行的战略。33自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势图示20：构建生态是否是芯片行业成功的必要途径?（单位：人）图源：辰韬资本软件Tier1对于Tier1来说，从算法层面来讲，整体技术框架在未来逐步收敛的趋势不会有变化。如果它想要执行软硬一体的战略打造更深的护城河，一方面是需要预期的客户数量及利润的足以覆盖软硬一体的成本，另一方面就是如何降低进入该领域的认知壁垒。最简单的方式就是我们之前所述的行业内大部分领先Tier1所采用的“轻软硬一体”策略，即绑定某一家芯片厂商深度合作。而如果计划自研芯片，最好的时机则是在该领域由于算法的变化导致芯片架构需要有重大调整的时候——这样，一方面可以通过自身软件Tier1的位置获得新算法的相关信息，另一方面行业内已有的芯片巨头很难以同样的速度在产品及市场上有所反应。端到端算法对软硬一体未来趋势的影响从2024年开始，端到端算法在自动驾驶行业的应用已成为共识。但目前行业内对于端到端的整体路线图及实现方案的认知仍未达到统一。作为行业的先行者，特斯拉的端到端方案仍然存在大量的cornercase无法解决，有很多的进步和优化空间。在行业对于算法尚未形成统一认知的情况下，采用GPU方案的英伟达受益于GPU的通用性，可以直接通过简单粗暴地增加算力的方式来适配新的端到端算法需求；而对于一众专用型芯片，为了保证专用型芯片能够满足新算法需求，维34自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势持自身竞争力，最佳策略就是研发SOTA算法并引领行业标准，这样就可以保证针对自己算法优化的芯片设计在行业范围内足够通用。从这个角度来讲，在端到端算法上有较好技术积累的芯片厂商在前期会占据优势。不过，由于芯片从设计到最终量产至少需要两年时间，而目前端到端的发展和迭代速度极快，远小于这个周期，所以目前在端到端算法上有优势的芯片厂商是否能够“笑到最后”仍然存在变数。此外，由于端到端算法对于数据量及数据链路的依赖性远大于上一代的自动驾驶算法，因此，芯片厂商通过生态提供的端到端解决方案是否能够在量产车上持续有好的表现，也很大程度取决于整车厂的数据链路是否健全，以及量产后的数据量是否充足。舱驾一体对软硬一体未来趋势的影响由于在成本、资源整合等方面的优势，舱驾一体正成为行业里的很多玩家都在探索的方向，接下来几年会有越来越多的整车厂去做这类跨域融合的量产。目前行业内的舱驾一体解决方案更多是基于oneboardtwochip的域控方案，其最终会发展为oneboardonechip的集中模式。目前行业内提及支持舱驾一体的芯片主要是英伟达和高通的两款大算力芯片Thor以及骁龙RideFlux，在市场上能够支持跨域融合的芯片非常少且大家从底层架构层面差别较大的情况下，整车厂在选择跨域融合方案时，仍然需要先关注芯片型号，然后，才敲定能跟该芯片绑定比较深、能够提供较好解决方案的算法供应商。这也就意味着如果舱驾一体能按照行业的预期逐步落地，在落地早期，行业内玩家仍需遵从软硬一体策略（无论是芯片厂商直接下场做解决方案的“重软硬一体”，还是由深入绑定该芯片的Tier1来进行开发的“轻软硬一体”），在很长一个阶段内行业内的玩家仍然会以软硬一体策略为主导。具身赛道软硬一体的未来趋势从技术层面，具身智能与自动驾驶在技术栈上的融合已是非常明显的趋势。我们可以看到如特斯拉，小鹏等整车厂目前也在发展具身领域作为第二曲线。那么具身赛道是否也会如自动驾驶一样，在商业化早期更推崇软硬一体的商业模式？目前具身赛道的所有玩家都在基于英伟达芯片进行算法开发，属于“轻软硬一体”的逻辑。根据我们之前探讨的标准，目前在具身赛道虽然大家采用的技术栈细节不同，但是整体同质化比较严重，一种是基于模仿学习（ImitationLearning）的端到端VLA大模型，另一种是基于大脑(VLM)+小脑(MPC等控制技术)的方案，存在较为明显的技术框架趋同性。当机器人跟其他与之共享同35自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势一款芯片的产品的总出货量（或者预期出货量可以覆盖“重软硬一体”的成本时，具身公司就可能会走上“重软硬一体”的道路。事实上，目前特斯拉通过共用FSD芯片已经执行了这个策略。如果人形机器人的技术栈和模型能够和自动驾驶领域融合，那么具身赛道也会遵循自动驾驶领域的特点：一方面，完成低阶任务的机器人会快速进入“重软硬一体”的生态并得以保持（若机器人公司体量较小，有可能软件和算法都由供应商提供）；另一方面则是针对高阶的人形机器人领域，非行业头部的公司会在短期采用“轻软硬一体”的方案获得较好的生态位，并在芯片算力大大超越算法需求、且有多家芯片厂商的产品可满足算法的需求后开始逐步进行软硬解耦。趋势总结综上，尽管行业里的每家公司在不同阶段都存在是否执行软硬一体策略的抉择，但是其对条件、时机的判断仍是紧紧围绕着我们提出的三条标准进行。软硬一体和软硬解耦都有自身的优缺点，而哪一种策略能够成为行业主流主要取决于当时的产业格局及公司当前的发展阶段。从产品性能和研发效率层面考虑，28位受访专家中有17位认为，软硬一体方案能够最大程度地挖掘硬件及软件潜力；同时，软硬一体设计能够优化系统性能，提高效率，通过定制化的硬件设计来最大化软件功能，进而在某些情况下减少中间环节，达到降低成本的效果。其余11位受访专家则认为，软硬件一体并不是最优方案，仅仅是目前智能驾驶发展到现阶段的一个折中选择。具体地说，由于自动驾驶算法及芯片适配难度大、系统集成要求严格、对安全性和实时性需求高，软硬一体就成为了一种现实且必要的折中方案。36自动驾驶软硬一体演进趋势研究报告 行业未来发展趋势图示21：软硬一体方案是最优的方案么?（单位：人）（单位：人）图源：辰韬资本进一步，可以分别从硬件和软件的技术层面来看各自的趋势：电子电气架构将会动态趋同并标准化：随着汽车智能化、网联化的发展，电子电气架构（E/E架构）逐渐从分布式向集中式转变，区域控制+中央计算的架构成为主流趋势。尽管各厂家在具体实现上可能有细微差异，但总体架构趋势显示了行业向更高效、集成化方向的动态趋同。行业竞争体系最终会筛选出成本效果最优的统一架构。软件解决方案的趋同性：随着软件定义汽车（SDV）时代的到来，基础软件框架、中间件、开发工具链以及云服务的标准化、平台化趋势日益明显。例如，AUTOSARAdaptivePlatform的推广、OTA（Over-The-Air）更新策略、以及基于云的软件开发和模拟测试平台的广泛应用，都在推动着软件解决方案的相似性