征程6介紹

與以往征程系列前幾代產品不同的是，征程6（我們業內稱為J6，“鉤6”）并不是一款芯片，而是根據算力大小，分成了J6B/J6L/J6E/J6M/J6H/J6P 6款！

1 J6P芯片參數

• CPU：18核心的ARM Cortex-A78AE，算力是410K DMIPS
• BPU：如上文介紹，采用了納什架構第四代BPU，560TOPS算力（注意上圖左下角的一行小字：560TOPS算力是等效1/2稀疏網絡下的算力，必須嚴謹！）
• 算法支持：對Transformer算法的支持效率在業內領先，同時支持大規模交互式博弈等前沿算法，表明其在處理復雜AI任務上的優越性能。
• 功能安全：通過ISO 26262 ASIL-D功能安全流程認證，主動安全AEB ASIL-B產品級功能安全認證。

2 四芯合一的芯片架構

J6芯片所實現的“四芯合一”是指將以下四種關鍵處理單元集成在同一顆系統級芯片SoC上：

1. CPU（Central Processing Unit）：負責通用計算任務，處理非特定的計算工作負載，是芯片的控制中心，執行操作系統的指令和應用程序的邏輯控制。
2. BPU（Brain Processing Unit）：地平線自主研發的神經網絡處理單元，專門針對人工智能算法和深度學習任務進行了優化，如圖像識別、自然語言處理等，是實現智能駕駛核心算法的關鍵。
3. GPU（Graphics Processing Unit）：圖形處理器，除了傳統意義上的圖形渲染，現代GPU也廣泛用于并行計算，特別是在機器視覺、環境感知等需要大量并行處理的場景中。
4. MCU（Microcontroller Unit）：微控制器單元，常用于實現嵌入式控制功能，具有功能全、體積小、集成度高等特點。在J6中，MCU被集成用以處理功能安全相關的任務，確保系統的可靠性。

這種高集成度的設計不僅提升了系統性能，還顯著提高了性價比，降低了部署難度，使得單顆征程6芯片就能夠支持包括感知、規劃決策、控制、座艙感知等在內的全棧計算任務，適用于多種智能駕駛應用場景。

這種多合一實際上就是SIP（System in Package），SIP技術是一種先進的半導體封裝技術，它允許將多種功能芯片、元器件（如處理器、存儲器、傳感器、RF組件等）以及被動元件（如電阻、電容）集成在一個封裝內部，形成一個具有完整或部分系統功能的封裝模塊。與傳統的單一封裝只包含一個主要芯片（如SoC）不同，SIP技術通過并排排列、堆疊或采用3D封裝等方法，將多個獨立的芯片和組件緊密集成，從而實現了更高的集成度和更小的封裝尺寸。

征程6系列不是人們之前猜測的3款芯片，而是6款，足以覆蓋智能駕駛的各個場景和價位。發布會上重點介紹了征程6B、6E、6M和6P，筆者認為B應該是Base，L是Light，E是Efficiency，M是Medium，H是High，P是Performance或Premium。地平線沒有公開征程6L和6H的參數，預估6H的AI算力是256-300 TOPS，CPU算力是250-300K DMIPS。6L的AI算力是30-40TOPS，CPU算力是40-50K DMIPS。

征程6系列與5系列相比，升級最明顯的是CPU算力。征程5的CPU是8核心Cortex-A55，算力大致是25-30K DMIPS，這次除了最低的征程6B，其余CPU算力都大幅度提高。

征程6系列的另一個升級是BPU架構，所謂BPU就是地平線對AI加速器的另一種稱呼，B代表Brain，可以稱為類腦處理器，第一代BPU，地平線致敬數學家伯努利，伯努利分布是最簡單的離散型概率分布模型。第二代BPU，地平線致敬英國數學家貝葉斯，他推導出貝葉斯定理，貝葉斯定理是一個由結果倒推原因的概率算法，當年默默無聞，在人工智能的今天大放異彩。

征程6的第三代BPU架構則致敬博弈論創始人納什，稱之為納什架構。約翰·納什，生于1928年6月13日，著名經濟學家、博弈論創始人、《美麗心靈》男主角原型，并且還是前麻省理工學院助教，后任普林斯頓大學數學系教授，主要研究博弈論、微分幾何學和偏微分方程。由于他與另外兩位數學家（經濟學家，約翰·C·海薩尼和萊因哈德·澤爾騰）在非合作博弈的均衡分析理論方面做出了開創性的貢獻，對博弈論和經濟學產生了重大影響，而獲得1994年諾貝爾經濟學獎。

博弈論主要針對智能車與智能車，智能車與非智能車之間決策交互產生的影響，目前大部分智能駕駛都是基于單車的，未考慮其他車輛對智能車決策的影響，這使得智能車有時候看起來不十分靈活，比如對向車主動讓道讓智能車先走，但智能車無法理解對向車的意圖，還是傻傻地等對向車先走。也就是智能駕駛的策略，大多都有強化學習的影子，強化學習（Reinforcement Learning，RL）旨在通過與環境（可以是虛擬的也可以是真實的）的交互來使智能體（我們的「模型」）學習。RL 一開始是根據 Markov 過程提出的，我們讓智能體處于不確定的固定環境中，并試圖通過獎勵/懲罰機制來學習到一個最優策略。在單智能體的情況下，這種方法被證明是收斂的。但是，如果是將多個智能體放置在同一環境中（多智能體強化學習，MARL），情況就復雜多了。

假設我們正在試著用智能車來改善城市的交通情況，這時每輛車的決策都會影響其他車的決策與表現，比如智能車與智能車之間很可能會發生沖突，因為可能對于兩輛智能車而言，沿著某條路線行駛都是最方便的（獲得最多的獎勵）。博弈論有個RL算法，它使用深度神經網絡進行函數逼近，迭代計算子游戲的收益矩陣（Gt）。這個子游戲就是上文提到的 stage games。在每個時間 t 處（每個 stage game），都會計算出符合 NE 的回應（σ），并得到最優策略（π），然后添加新的策略來擴展 Gt 為 Gt + 1，繼續重復上述過程。這是最高明的智能駕駛決策算法。

征程6全系列的AI加速都是納什架構

征程6B主打極致性價比，CPU可能是6核心的Cortex-A55，制造工藝可能是14或28納米，征程6B的國際意向客戶是博世和電裝，國內意向客戶是四維圖新、福瑞泰克和Minieye。主要對手可能是Mobileye的EyeQ5M/H和EyeQ6L。

征程6系列主打產品是E/M。

征程6系列將于2024年內開啟首個前裝量產車型交付，并預計于2025年實現超10款車型量產交付。面向中階智駕市場，地平線推出普惠城區性價比方案最優解——征程6M，以及極致體驗高速NOA最優解——征程6E，并提供符合AEC-Q104車規標準的SiP模組和Matrix 6域控參考設計，以超高集成度實現更低的功耗和更優的系統成本。發布會上，地平線官宣與多家Tier1、軟硬件合作伙伴達成征程6E/M的合作，并公布到2024年第二季度將有超過50家生態伙伴推出基于征程6E/M的準量產級產品。

大家最關注的還是征程6系列的旗艦征程6P。

征程6P的AI算力是560TOPS，地平線謹慎地做了標注，560TOPS是在1/2稀疏網絡下的等效算力，地平線未提及精度，應該還是INT8位。這個算力實際遠超4片Orin合并的算力，再強調一次，以目前車載領域用的最頂級車載以太網交換機帶寬不超過1.25GB/s，典型的PCIe 4.0交換機，帶寬不超過32GB/s，即便是價格遠超Orin 的PCIe 6.0交換機，帶寬也不超過120GB/s。想要像服務器行業那樣是用4個H100就讓算力增加4倍，帶寬至少要做到900GB/s，而這根本做不到，用最頂級的車載以太網交換機連接4個Orin，算力頂多是1.2倍單個Orin算力，也就是300TOPS。這也是英偉達要花十幾億美元開發NVLINK的原因，也是NVLINK被美國管制嚴禁出口的原因。
CPU是18核心的ARM Cortex-A78AE，算力是410K DMIPS，英偉達Orin-X是12核心，內核也是ARM Cortex-A78AE，算力是227K DMIPS，因為Orin的GPU發熱量比較大，所以其CPU的頻率較低，而地平線的GPU算力只有200GFLOPS，發熱量很低，所以CPU頻率可以高點，算力幾乎是英偉達的兩倍，華為的昇騰610的CPU則是16核心，算力是200K DMIPS

征程6P里面添加了一個微型GPU，算力很低，只有200GFLOPS，主要是為了將智能駕駛領域的圖像輸出到儀表或中控屏上。

為了降低成本，更好管理供應鏈，也為了減少軟件復雜度， 征程6P內部添加了一個達到ASIL-D級的MCU島，算力是10K DMIPS ，目前 大家都是使用單獨的安全MCU來控制車輛底盤，通常是英飛凌的TC397，TC397價格比較高，且價格波動大，供應狀況不穩定，最高算力是4K DMIPS，典型算力是2.7K DMIPS 。地平線沒有公布詳細信息，應該是 和高通SA8650/SA8255/SA8775那樣的4核心ARM Cortex-R52內核，運行頻率估計是800-1000MHz 。

存儲帶寬方面，升級到了LPDDR5，帶寬達205GB/s，與英偉達Orin相同。前視感知支持1800萬像素，圖像帶寬5.3Gpixel/s。

• 內部采用TB/s級高性能總線，訪存延時低至130納秒。
• 為應對新一代大模型Transformer較多的矢量運算，特別添加了VPU，即矢量浮點運算加速單元。
• 地平線征程P6的晶體管數量高達370億，英偉達Orin只有170億，Xavier只有90億。

與征程6系列一同發布的還有 全場景智能駕駛解決方案SuperDrive ，它聚焦擬人化體驗突破，打造好用的智駕系統2.0。憑借動態、靜態、OCC（Occupancy占用網絡）三網合一的端到端感知架構，數據驅動的交互式博弈算法，SuperDrive在任何道路環境下都能兼顧場景通過率、通行效率和行為擬人，在擁堵匯流、路口交互-動態Driveline、禮讓騎行人、擁堵換道、城市環島通行等城區復雜場景下，均能夠為用戶帶來優雅不慫、從容篤定的智能駕駛體驗。

SuperDrive復雜場景體驗突破

動態、靜態、Occupancy三網合一的感知端到端架構是精準還原客觀物理世界的有效手段。在此架構下遮擋準召率提升70%，動態代碼行數降低90%，網絡負載降低50%，有效解決當前行業感知架構時延高、規則多、負載重的問題。數據驅動的交互博弈可帶來更擬人的最優解，使得SuperDrive像老司機一樣靈活處理復雜交通流，在擁堵場景下變道成功率提升50%，路口通過率提升67%。

審核編輯 黃宇