后摩智能點亮首款基于SRAM的「存算一體」大算力AI芯片，迎戰(zhàn)自動駕駛芯片算力焦慮。

自動駕駛芯片，越來越「熱鬧」了。

近年來，自動駕駛的普及以肉眼可見的速度加快，根據(jù)1月12日工信部數(shù)據(jù)，2021年新能源汽車銷售352.1萬輛，其中搭載組合輔助駕駛系統(tǒng)的乘用車新車市場占比達到20%。而兩年前，L2級輔助駕駛的滲透率僅為3.3%。

相伴而生的，是汽車「大腦」自動駕駛AI芯片的競爭加劇。

英偉達、英特爾等老牌芯片企業(yè)早就瞄準了這一賽道，特斯拉、蔚來、小鵬等車企，黑芝麻、地平線、芯馳科技、寒武紀、后摩智能等國內(nèi)芯片廠商也都紛紛入局。

比如，蔚來汽車有自研芯片的計劃；高通去年宣布和寶馬合作，2025年使用高通驍龍Ride自動駕駛平臺；初創(chuàng)公司有的直接聚焦在自動駕駛上，也有的業(yè)務范圍更廣，覆蓋自動駕駛、智能座艙、中央網(wǎng)關、高可靠MCU等；收購、合作等關系網(wǎng)也在不斷變動，這一戰(zhàn)場的發(fā)令槍已經(jīng)拉響了。

然而，與常見的數(shù)據(jù)中心AI芯片不同，應用于汽車場景的AI芯片，在算力、功耗、性能方面都提出了更極端的要求。

在摩爾定律逐漸失效、“存儲墻”問題日益凸顯的當下，汽車AI芯片到底需要提供多大算力？何種路徑才是突破摩爾定律的存儲墻壁壘的最接近落地方法？面對山頭林立、秩序井然的芯片市場，初創(chuàng)公司的市場機遇和差異化優(yōu)勢又是什么？

「存算一體」也許是個值得研究的答案。

一筆取舍賬，自動駕駛需要多少算力

過去幾年中，用于衡量一款自動駕駛芯片最直接的標準之一，就是算力高低。

自動駕駛級別越高時，產(chǎn)生的數(shù)據(jù)越多，對芯片的算力要求也就越高。

2014年時，最早應用Mobileye的第一代EyeQ芯片，算力只有0.256TOPS；2015年，就已有專門面向自動駕駛的平臺，每年要迭代1-2次；英偉達也預告將在2025年上市1000T算力的Atlan芯片。

算力的不斷提升，是否意味著自動駕駛的需求已經(jīng)得到了滿足，自動駕駛玩家們可以跑出算力焦慮了？

遠還沒有。

一方面，大算力也意味著更高的成本。實際上在現(xiàn)有的自動駕駛芯片中，單片算力很難滿足高級別自動駕駛的需求，車企或自動駕駛企業(yè)多會采取“堆料”的方式，用芯片數(shù)量的增加來實現(xiàn)大算力。成本的增加不可避免，難以推動自動駕駛技術的規(guī)模化應用，車企也很難實現(xiàn)技術和商業(yè)的平衡。

另一方面，除了對算力需求高，智能駕駛場景也對芯片的功耗和散熱有很高的要求。服務于豐田的創(chuàng)業(yè)者Amnon Shashua曾在多個場合表示過，效率比算力更重要。具體解釋，算力、功耗、成本就像是一個三角架構，一角的增減要用另一角來填補才行。

除此之外，「算力」并不真正代表著「性能」。

1000Tops的芯片參數(shù)，并不意味著這塊芯片在實際應用中能夠發(fā)揮出1000Tops的真實性能。

在當前的馮·諾伊曼架構當中，內(nèi)存系統(tǒng)的性能提升速度大幅落后于處理器的性能提升速度，有限的內(nèi)存帶寬無法保證數(shù)據(jù)高速傳輸，形成了一道“存儲墻”。

一方面，大量的計算單元受限于帶寬的限制，無法發(fā)揮作用，造成算力利用率很低；另一方面，數(shù)據(jù)來回傳輸又會產(chǎn)生巨大功耗，進一步加大汽車電動化大潮下的里程焦慮。

因此，僅僅簡單用算力高低來評估，遠遠達不到自動駕駛的需求。

汽車AI芯片不僅需要大算力，更要有實際利用率的大算力，而且能夠保障低功耗、低延遲以及可承受的成本。

存算一體，金字塔從頭建起

為了解決“存儲墻”問題，當前業(yè)內(nèi)主要有三種方案：

用GDDR 或HBM來解決存儲墻問題的馮·諾依曼架構策略；算法和芯片高度綁定在一起的DSA方案；以及存算一體的方案。

HBM是目前業(yè)內(nèi)超大算力芯片常用的方案之一，其優(yōu)勢在于能夠暫時緩解“存儲墻”的困擾，但其性能天花板明顯，并且成本較高。

DSA方案以犧牲靈活性換取效率提升，算法和硬件高度耦合，適用于已經(jīng)成熟的AI算法，但并不適用于正處于快速迭代的自動駕駛AI算法中。

最后是存算一體方案，這是一項誕生于實驗室的新興技術，其創(chuàng)新性在于打破了傳統(tǒng)·馮諾伊曼架構局限性，實現(xiàn)了計算與存儲模塊一體化的整合創(chuàng)新，解決了傳統(tǒng)芯片架構中計算與存儲模塊間巨大的數(shù)據(jù)傳輸延遲、能量損耗痛點，既增加了數(shù)據(jù)處理速度，又大大降低了數(shù)據(jù)傳輸?shù)墓模瑥亩剐酒苄П龋疵客吣芴峁┑乃懔Γ┑玫?-3個數(shù)量級（》100倍）的提升。

達摩院計算技術實驗室科學家鄭宏忠曾講過：“存算一體是顛覆性的芯片技術，它天然擁有高性能、高帶寬和高能效的優(yōu)勢，可以從底層架構上解決后摩爾定律時代芯片的性能和能耗問題。”

因此，存算一體架構可以把算力做的更大，其芯片算力天花板比傳統(tǒng)馮·諾依曼架構更高；同時，大幅降低了數(shù)據(jù)傳輸?shù)哪芰繐p耗，提升了能效比；另外，還能得到更低的延時，存儲和計算單元之間數(shù)據(jù)搬運的減少，大幅縮短了系統(tǒng)響應時間。

更重要的是，用存算一體架構做大算力AI芯片另一大優(yōu)勢在于成本控制。不依賴于GDDR 或HBM，存算一體芯片的成本能夠相應的降低50%～70%。

換句話說，真正創(chuàng)新架構的AI芯片是將上文中提到的算力、功耗、成本三角形結構從原來的位置往上挪了三個檔位。不僅可以提高算力，還可以達到降低功耗、控制成本的效果。

摘取「高掛的果實」

最近幾年，在缺芯的時代背景下，隨著政策支持的不斷加碼，我們看到國內(nèi)半導體產(chǎn)業(yè)迎來了發(fā)展的良機。芯片的“國產(chǎn)替代”已經(jīng)在很多細分領域取得了進展，深受資本市場青睞。

但是資本市場也有越來越多的人意識到，熱門芯片賽道的“國產(chǎn)替代”創(chuàng)業(yè)項目已經(jīng)日趨飽和。一部分嗅覺敏銳的投資人開始關注后摩爾時代的“創(chuàng)新架構”，認為要想在純市場化競爭中挑戰(zhàn)英偉達等國際芯片巨頭，必須另辟蹊徑。于是差異化的技術創(chuàng)新成為芯片投資中的重要策略。

HBM、DSA、存算一體都屬于芯片行業(yè)當前的技術創(chuàng)新路徑，三者對比來看，存算一體可以算作是一條難度最大、顛覆性最強、風險最高，但差異化和創(chuàng)新性也最顯著的路徑。

近年來，國內(nèi)外涌現(xiàn)出不少專注于存算一體芯片的新興創(chuàng)企，巨頭們紛紛加快了產(chǎn)業(yè)布局，資本也對其青睞有加。國內(nèi)最近一筆相關融資來自今年4月，國內(nèi)存算一體明星創(chuàng)企「后摩智能」宣布獲得數(shù)億人民幣Pre-A+輪融資。

不過，一直以來，傳統(tǒng)的存算一體研究大多集中在低功耗、低算力的「小」芯片場景中，比如語音、AIoT、安防等邊緣領域。

能夠應用在車載AI的存算一體「大」算力芯片，即便在學術界也是一大難題，產(chǎn)業(yè)界敢于迎戰(zhàn)者更是屈指可數(shù)。

想要將二者融合，既需要存儲單元陣列、AI core、工具鏈等各個方面都需要有深厚積累的團隊，又需要進行整體的協(xié)同優(yōu)化設計，才能最終實現(xiàn)一款高效的基于存算一體的大算力AI芯片。

所幸，這一創(chuàng)新性技術已經(jīng)讓市場看到了落地可能性。

5月23日，后摩智能首款基于SRAM的存算一體大算力AI芯片已成功點亮，并跑通智能駕駛算法模型。首次在存內(nèi)計算架構上跑通了智能駕駛場景下多場景、多任務算法模型，為高級別智能駕駛提供了一條全新的技術路徑。

存算一體很難，存算一體大芯片更難。但在產(chǎn)業(yè)巨頭林立，市場秩序森嚴的芯片產(chǎn)業(yè)，新興創(chuàng)企若是只愿意選擇容易走的路、采摘「低垂的果實」，是難以取得成功的。

在保證存算一體帶來的高能效比、高性價比的前提下，又能將其成功擴展到滿足自動駕駛「大」算力需求的級別，屬于產(chǎn)業(yè)中「高掛的果實」。

從成立之初就聚焦于存算一體大算力芯片的后摩智能，正是瞄準了這一道路。

以團隊組成來說，后摩智能的核心創(chuàng)始團隊既有來自美國普林斯頓大學、UCSB， Penn State大學等海內(nèi)外知名高校的學術人才，又有在AMD、Nvidia、華為海思、地平線等一線芯片企業(yè)中擁有豐富大芯片設計與實戰(zhàn)經(jīng)驗的產(chǎn)業(yè)專家。

今年5月大算力存算一體芯片宣布點亮，對于后摩智能來說，離摘取「高掛的果實」已經(jīng)越來越近了。

傳統(tǒng)高算力芯片山頭林立，后來者想要在現(xiàn)有賽道上實現(xiàn)超越，確實是充滿挑戰(zhàn)的。

但隨著HBM等昂貴方案的不斷的提出，馮·諾伊曼架構的最后一絲紅利已經(jīng)被榨干，市場迫切地需要新架構、新出路。

在AI算法快速迭代，摩爾定律逐漸失效的當下，我們期待看到越來越多像后摩智能這樣愿意投身于基礎創(chuàng)新的芯片創(chuàng)企，不斷推進產(chǎn)業(yè)走向下一個時代。

審核編輯 ：李倩