我们将按时间顺序梳理车载芯片的发展历程，探讨未来发展方向。
汽车电子发展初期以分布式ECU架构为主流，芯片与传感器一一对应，随着汽车电子化程度提升，传感器增多、线路复杂度增大，中心化架构DCU、MDC逐步成为了发展趋势；
随着汽车辅助驾驶功能渗透率越来越高，传统CPU算力不足，越来越难以满足处理视频、图片等非结构化数据的需求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案；
从ADAS向自动驾驶进化的过程中，激光雷达点云数据以及大量传感器加入到系统中，需要接受、分析、处理的信号大量且复杂，定制化的ASIC芯片可在相对低水平的能耗下，将车载信息的数据处理速度提升更快，并且性能、能耗和大规模量产成本均显着优于GPU和FPGA，随着自动驾驶的定制化需求提升，定制化ASIC专用芯片将成为主流。
目前出货量最大的驾驶辅助芯片厂商Mobileye、Nvidia形成“双雄争霸”局面，Xilinx则在FPGA的路线上进军，Google、地平线、寒武纪向专用领域AI芯片发力，国内四维图新、全志科技、森国科（国科微）在自动驾驶芯片领域积极布局。
Mobileye的核心优势是 EyeQ 系列芯片，可以处理摄像头、雷达等多种传感器融合产生的大量数据，在L1-L3自动驾驶领域具有极大的话语权，目前出货量超过了2700万颗；
NVIDIA在GPU领域具有绝对的领导地位，芯片算力强大且具备很强的灵活性，但功耗高、成本高，AI机器学习并不太适合GPU的应用；
此外Google、地平线、寒武纪、四维图新等更聚焦在针对不同场景下的具体应用，芯片设计也开始增加硬件的深度学习设计，自动驾驶上AI的应用已经成为未来的趋势。
基于产业前景和潜在的巨大市场，给予行业买入评级，上市公司方面看好四维图新，建议关注地平线、寒武纪。
车载芯片的发展趋势（CPU-GPU-FPGA-ASIC）
2.1 ECU的核心CPU
ECU（Electronic Control Unit）是电子控制单元，其工作过程为CPU接收到各个传感器的信号后转化为数据，并由Program区域的程序对Data区域的数据图表调用来进行数据处理，从而得出具体驱动数据，并通过CPU针脚传送到相关驱动芯片，驱动芯片再通过相应的周边电路产生驱动信号，用来驱动驱动器。即传感器信号——传感器数据——驱动数据——驱动信号这样一个完整工作流程。
2.2 分布式架构向多域控制器发展
汽车电子发展的初期阶段，ECU主要是用于控制发动机工作，只有汽车发动机的排气管（氧传感器）、气缸（爆震传感器）、水温传感器等核心部件才会放置传感器，由于传感器数量较少，为保证传感器-ECU-控制器回路的稳定性， ECU与传感器一一对应的分布式架构是汽车电子的典型模式。
随着汽车电子化的发展，车载传感器数量越来越多，传感器与ECU一一对应使得车辆整体性下降，线路复杂性也急剧增加，此时DCU（域控制器）和MDC（多域控制器）等更强大的中心化架构逐步替代了分布式架构。
人工智能的发展也带动了汽车智能化发展，过去的以CPU为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求，同时处理器也需要整合雷达、视频等多路数据，这些都对车载处理器的并行计算效率提出更高要求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。
3.1 GPU Vs. CPU
目前无论是尚未商业化生产的自动驾驶AI芯片还是已经可以量产使用的辅助驾驶芯片，由于自动驾驶算法还在快速更新迭代，对云端“训练”部分提出很高要求，既需要大规模的并行计算，又需要大数据的多线程计算，因此以GPU+FPGA解决方案为核心；在终端的“推理”部分，核心需求是大量并行计算，从而以GPU为核心。
