4.2 车联网产业链
布局车联网的厂商主要是半导体厂商和汽车厂商，但国内很多公司都进入了产业链，大唐电信发布了全球第一台LTE-V车联网设备，可支持车联网 V2X 自组织通信，并具有核心自主知识产权。
图表27：车联网产业链
我们预计2019年-2022年将是车载通讯模块成熟的时期，车载通讯模块出货量将快速增长。根据HIS预测，2020年到2025年将是V2X系统芯片出货量将呈爆发式增长，到2026年达到6000万套。
图表28：V2X 系统芯片出货量预测
4.3 国内外厂商提前布局车联网市场
车联网除了应用在安全防盗、车载功放、信息娱乐上，在无人驾驶领域的应用成为未来确定性趋势，半导体厂商纷纷推出V2X方案, 以期抢占新一轮车联网市场。目前包括高通、华为、大唐电信、意法半导体(ST)、恩智浦(NXP)、博通等半导体厂商均已推出相关解决方案。
5. 2022-2025—算法和决策芯片的成熟
决策芯片和算法，就像汽车的大脑，将传感器及通讯模块搜集到的信息进行计算处理，作出决策。
5.1 算法的发展
目前在智能汽车领域，深度学习已在逐步取代之前的传统算法。基于深度学习架构的人工智能已经被广泛应用于计算机视觉、自然语言处理、传感器融合、目标识别、自动驾驶等汽车的各个领域，而利用GPU构建神经网络最终实现自动驾驶是各大智能驾驶相关厂商正亟待探索的领域。深度学习由多元网络模型组成，深度网络包含了多层神经元，对于给定任务，第一层神经元通过学得了对边缘的检测，而第二层的神经元可能学的识别，第三层或再往上则识别更复杂的形状。对于自动驾驶来说，其难点在于程式环境下的驾驶场景是十分复杂和难以预测的，因此需要通过融合多种传感器的数据来干事、定位、决策和规划。
以英伟达最新一代的无人驾驶汽车计算平台为例，主要是基于卷积神经网络（CNN）的算法，测试算法的直接输入数据为像素级的车载摄像头录像的路况信息，输出数据为方向盘的控制信号, 英伟达首先在云端通过大规模的数据训练得到了训练好的卷积神经网络, 之后将上述卷积神经网络的参数部署到了无人驾驶汽车的计算平台中，根据英伟达的实验结果，用训练好的卷积神经网络完成无人驾驶汽车的操作，得到了很好的结果。
深度学习与传统算法最大的不同在于给予给定的模型后深度学习可以自动学习如何完成给定的任务，而这些任务可以使多样性的包括图像、语音、无人机、自动驾驶等。
5.2 决策芯片的发展
CPU&GPU领域存在大量的开源软件和应用软件，任何新的技术首先会用CPU实现算法；FGPA支持深度可变的流水线结构，提供大量的并行计算资源，可以在一个芯片中为多种应用提供非常灵活的定制协处理功能，成为CPU&GPU芯片硬件加速的协处理器架构平台。随着技术突破和量产的经济性，ASIC或成为进入消费电子的主流芯片平台。目前而言，在自动驾驶领域，全球技术主流处在CPU&GPU阶段，Intel决定以167亿美元收购FPGA生产商Altera，IBM和Xilinx联合战略合作或成为加速FGPA产品在智能终端的落地。未来将是算法和芯片协同发展，软件和硬件融合设计的趋势。
以英伟达为例，在智能汽车和人工智能时代，抓住GPU并行计算在大数据处理和深度学习中的优势，通过不断地整合覆盖基于深度学习的大数据训练平台DGX-1，人工智能终端嵌入式平台Jetson，和数据中心的Tesla平台，三大平台的优势协同加速英伟达的产业链布局。
公司在2015年3月推出了第一款面向自动驾驶的芯片方案-Drive PX系列，并于2016年1月推出其2代产品，可以支持多种雷达和视觉传感器信号的融合处理，沃尔沃将成为首家使用的车企；
2016年9月公司与百度宣布合作开发自动驾驶平台，两家公司将在AI 和深度学习技能方面展开合作，打造一款‘从云到车’的架构平台并向OEM 厂商提供；
百度已经进行了多年的无人车研发和测试，具备丰富的无人驾驶算法和人工智能技术积累，而英伟达则能够提供支撑算法运行的硬件计算平台，双方合作不仅能够推动百度无人车的早日商业化，更能够将双方的优势资源整合，共同为第三方提供自动驾驶解决方案，与英特尔、Mobileye、特斯拉和谷歌等公司抢占市场；
在传统计算场景逐渐多元化的发展下，人工智能和自动驾驶等场景需要越来越强大的计算力，英特尔的战略布局已经从传统PC和服务器计算领域转移到以物联网、人工智能和自动驾驶为核心的未来计算领域。过去是算法根据芯片来优化，2017年3月，英特尔宣布收购在算法领域有90%市占率的mobileye，集算法与芯片于一体，发力汽车大脑，可以看成芯片和算法并行协同发展的时代的开启。
<上一页 3 4 5 6 7
