芯片算力int

⑴ 升腾910芯片和台积电的7nm芯片有什么不同

1、性质不同：Ascend 910（升腾910）与之配套的新一代AI开源计算框架MindSpore。麒麟芯片采用海思K3V2一举跻身顶级智能手机处理器行列。

2、特点不同：升腾910主打云场景的超高算力，其计算密度达到了 256 TFLOPS。麒麟990 5G 采用7nm+ EUV工艺制程，首次将5G Modem集成到SoC上。

3、原理不同：升腾910的算力是国际顶尖AI芯片的2倍，相当50个当前最新最强的CPU；其训练速度，也比当前最新最强的芯片提升了50%-100%。海思麒麟990处理器将会使用台积电二代的7nm工艺制造，加上V光刻录机的使用，使得海思麒麟990处理器在整体性能表现会比上代海思麒麟980提升10%左右。

(1)芯片算力int扩展阅读：

注意事项：

升腾910AI芯片属于Ascend-max系列。实际测试结果表明，在算力方面，升腾910完全达到了设计规格，即半精度（FP16）算力达到256 Tera-FLOPS，整数精度（INT8）算力达到512 Tera-OPS，重要的是达到规格算力所需功耗仅310W，明显低于设计规格的350W。

通过MindSpore框架自身的技术创新及其与升腾处理器协同优化，有效克服AI计算的复杂性和算力的多样性挑战，实现了运行态的高效，大大提高了计算性能。除了升腾处理器，MindSpore同时也支持GPU，CPU等其它处理器。

⑵ 君正t41多少纳米

。以T41为例，该族茄运芯片采用12nm先进工艺，算力达1.2T@int8 / 4.8TOPS@int4，支持从200万全高清到800万超高清的视纳弊频处理能力，能兆梁够满足人脸、人型、机动车、非机动车、楼宇建筑、宠物等特征属性识别以及行为分析需求。

⑶ 256TOPS、35W，后摩用一颗芯片掀起智能驾驶新战事

本不平静的智能驾驶芯片江湖，再添新变局。

5 月 10 日，后摩智能重磅发布智能驾驶芯片鸿途™H30，该芯片物理算力高达 256TOPS@INT8，与时下备受追捧的 256TOPS 英伟达 Orin X 不相上下，典型功耗只有 35W，能效比之高可见一斑。

这块芯片性能如此强劲的背后，在于其采用了颠覆性的底层架构设计——存算一体。

与大多数芯片基于冯·诺依曼架构打造不同，存算一体通过在存储单元内完成部分或全部的运算，极大地解决了芯片性能受存储带宽限制的瓶颈，且降低了功耗需求。

鸿途™H30 的推出对于行业来说具有重大的隐含意义，其大算力、极致能效比、超低延时、低成本等特性，正好吻合智能汽车对于芯片的需求。

当下，智能驾驶行业正在面临性能提升、成本下探的关键发展期，作为国内首款存算一体智驾芯片，该芯片注定将引发一系列的连锁反应。

在发布会现场，后摩还专门推出了基于鸿途™H30 打造的智能驾驶硬件平台——力驭®，其 CPU 算力高达 200 Kdmips，AI 算力为 256Tops，支持多传感器输入，能够为智能驾驶提供更充沛的算力支持；在功耗上，力驭®平台仅为 85W，可采用更加灵活的散热方式，实现更低成本的便捷部署。

衡量一款芯片好不好，除了看硬件上的「硬实力」，还要看软件上的易用性，这其中工具链发挥着重要的作用。信晓旭认为，除了追求芯片在 PPA 指标上的竞争力之外，还要确保在软件工具链的竞争力，「要打造高效，易用的软件开发工具链，让算法开发人员用得舒服、用得爽。」

汽车之心了解到，为了帮助客户和合作伙伴用好芯片，后摩基于鸿途™H30 芯片自主研发了一款软件开发工具链——后摩大道™，以无侵入式的底层架构创新保障了通用性的同时，进一步实现了鸿途™H30 的高效、易用。

信晓旭表示，在芯片和工具链的双重配合下，后摩能够向智能驾驶市场提供更优选择。他透露，鸿途™H30 将于今年 6 月份开始给 Alpha 客户送测。

「我们的研发人员还在加班加点地调试，进行送测之前的最后准备工作，这将会是后摩用存算一体重构智能驾驶芯片的开端。」

03、格局未定的智能驾驶芯片江湖，再次迎来大洗牌

在后摩发布鸿途™H30 之前，似乎没有玩家在芯片底层架构做改动，即使是打响大算力芯片前装量产第一枪的国际巨头英伟达，目前也是沿着冯·诺伊曼架构不断迭代自己的产品。

然而随着智能驾驶往更高阶和更普及化方向发展，对于架构创新的呼唤，显得愈发紧迫。

一方面，从高速公路、快速路到城区道路，智能驾驶面临的场景越来越复杂，为了识别各种异形物，玩家们部署了 Transformer 等大模型，由此也带来算力需求的急剧上升，业内估计从当前火热的城市 NOA 到未来走向 L3/L4 级自动驾驶，芯片算力将从几百 TOPS 往上千 TOPS 增长，然而在传统的冯·诺依曼架构设计下，存储带宽制约算力向上拓展的空间；

另一方面，智能驾驶功能正在加速向下渗透，工信部数据显示，2022 年，智能网联乘用车 L2 级及以上辅助驾驶系统的市场渗透率提升至 34.9%，较 2021

【本文来自易车号作者汽车之心，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

⑷ 黑芝麻智能第二款大算力芯片A1000 pro流片成功

集微网消息，在 汽车 智能化成为全球主流共识，软件定义 汽车 的商业模式加速发展的当下，以人工智能为核心的软件技术将决定智能 汽车 “该有的样子”， 汽车 产业原有的商业模式也将被打破。因此，包括摩根士丹利等投行认为，特斯拉通过销售软件订阅服务获得的利润最终可能比销售硬件更多。

诚然，用软件升级的方式拓展全新的功能和性能，车厂能从软件升级中获取更多的收益，但前提是硬件水平够“硬核”。业内人士指出，“只有将硬件的性能和算力备足，才能为后续的软件升级提供足够多的空间。”

其中，稳定的车规级芯片以及计算平台是自动驾驶“军备竞赛”中的重要基石。目前，英特尔、英伟达、特斯拉等海外车规级SoC芯片玩家仍是主流。近年来，黑芝麻智能、芯驰 科技 等为代表的本土势力也在加速崛起，其中， 黑芝麻智能4月份于上海发布的新款A1000 pro最高可达196 TOPS，典型功耗25W，继续保持国内最高算力自动驾驶算力芯片的位置。

先进工艺打造自动驾驶“最强大脑”

今年来，上汽、蔚来等越来越多的车企都对大算力表现出了强烈的追求，目的就是为后续的软件算法和创新留下足够大的空间。随着自动驾驶的技术、应用向前发展，市场对大算力的需求持续高涨，而算力主要由芯片来提供。 因此，自动驾驶发展的核心在于 汽车 的“最强大脑”——芯片。

黑芝麻智能CMO杨宇欣向集微网透露:“这两年客户对算力增长的要求是非常快的，因为自动驾驶正处于高速发展的时期，其实主流厂商刚开始更多的还是以硬件预埋或者是算力冗余的方式来进行系统开发。 因为自动驾驶本身的技术演进也比较快，所以客户对算力的要求是挺高的。 ”

基于此，在去年发布A1000芯片后，黑芝麻智能在今年4月又发布了2021年国产最强车规级自动驾驶芯片华山二号系列最新款A1000 Pro，这是国内目前唯一能够满足ISO 26262 ASIL D级别功能安全要求的大算力芯片。同时， 经过一年的打磨，随着工艺的稳定，性能的优化以及配套软件的成熟，华山二号A1000 算力最高可达到INT8下58TOPS，INT4下116TOPS。黑芝麻智能也因此成了国内唯一已经推出两款满足ISO26262功能安全标准的高算力芯片厂商。

从性能来看，A1000 Pro基于两大自研核心IP——车规级图像处理器NeuralIQ ISP以及DynamAI NN车规级低功耗神经网络加速引擎打造，得益于DynamAI NN大算力架构， A1000 Pro 支持INT8稀疏加速，算力达到106 TOPS，最高可达196 TOPS，继续保持国内最高算力自动驾驶算力芯片的位置。

与此同时， A1000 Pro内置高性能GPU可以支持高清360度3D全景影像渲染， 能够覆盖L3/L4高级别自动驾驶功能，支持从泊车、城市内部到高速等场景。

此外，芯片要实现高速处理数据任务，数据的传输速率是关键。 A1000 Pro内部可以配置不同数据通路和运算机制，在芯片内部部署互为冗余的双套系统和安全岛校验。 基于内部多核心建立高速通信通路，A1000 Pro大幅提高数据传输效率。

对于在不到1年的时间内就迅速实现A1000 Pro芯片从研发到成功流片，杨宇欣表示，“A1000 Pro是基于A1000核心进行设计优化和性能提升，这样可以用更短的时间来推出更高算力的产品；其次， 我们采用业界创新先进封装工艺集成多个核心，解决了在16nm工艺下支持超大规模深度学习引擎的难题； 此外，我们FAD全自动驾驶平台的软件平台，可以实现多核心任务调度来提高芯片的效率。”

更让人期待的是，据杨宇欣透露， 目前A1000 Pro已经在系统上跑起来了，预计今年9、10月份能交付客户，计划于2022年底实现车型量产上市。

深耕国内 汽车 市场，做更懂本土需求的智能平台

在自动驾驶竞争中，概念车量产与规模化应用将是角逐的焦点。车企要提升智能应用的落地，需要来自芯片厂商密切配合，为其应用方案需求提供定制化的底层硬件支持。

因此， 自动驾驶芯片以及计算平台的本土化更符合国内市场需求。 作为行业领先的车规级自动驾驶计算芯片和平台研发企业，黑芝麻智能目前能针对国内市场需求，提供完整的解决方案。在“软件定义 汽车 ”的商业模式下，除了芯片外，黑芝麻智能还开发了FAD全自动驾驶平台的智能开发平台。

FAD 全自动驾驶平台包含完善的工具链开发包及应用支持，内置50多种AI参考模型库转换用例，不仅可以帮助客户降低算法开发门槛，还可以帮助客户快速移植模型和部署落地的一体化流程。

据介绍，A1000 Pro支持黑芝麻智能最新的FAD 全自动驾驶平台，FAD全自动驾驶平台包含业界领先的面向分布式计算的自动驾驶中间件，能够适配多种标准协议和操作系统，并提供软件全生命周期的管理。在A1000Pro系统中，任务可以在多个子系统之间动态迁移，具有易开发、高可用、零拷贝等特性，提升算法的效率与灵活性。

对于FAD 全自动驾驶平台的意义，杨宇欣指出：“客户开发自动驾驶的过程中，每个客户都有自己的技术方案诉求，所以我们一直主打开放。这其中包含了两个层面的开放， 一是软件工具链体系的开放， 这个可以让客户去在上面进行更多的定制化。 二是生态的开放， 客户在这个平台上可以选择不同的合作伙伴，比如说不同的算法厂商、核心供应链的核心器件厂商，我们的平台都可以支持。所以， 从这两个层面来看，我们能够满足现在车厂在做自动驾驶过程中的各种各样诉求。 ”

从这个层面来看， 黑芝麻智能是运用底层技术赋能行业，通过打造更懂本土客户需求的智能平台，并且基于底层计算平台形成一个开放的生态。 目前，黑芝麻智能已经与东风、一汽、蔚来、上汽、博世等主机厂及Tier1企业达成合作。

对于自动驾驶的展望，杨宇欣说道：“各家车厂都在积极做下一代架构自动驾驶，因为车厂现在也开始‘军备竞赛’，其中包括了软件、算法，以及新的电子信息架构技术的比拼。现在车企都在规划下一代智能 汽车 架构，这个非常考验各家车厂对未来技术方向的把握和推动力。”

（校对/落日）

⑸ 仅用3年时间，国产7nm车规级芯片问世，突破海外技术壁垒

12月10日，中国首款7nm车规级高端智能座舱芯片在“龙鹰一号”在芯擎 科技 手中诞生。

这意味着，我国在又一领域突破了海外技术垄断，做到了自主可控。同时这也表示，在智能座舱这一具有巨大发展潜力的市场中，我国也能够赢下一席之地。

如今， 汽车 市场正在经历一场智能化升级，这催生出了智能座舱等新赛道。

智能座舱集结了自动驾驶、AI、、语音识别等多项新技术，能够为驾驶员带来更好的局猛数交互体验，提升驾驶感受。而且，在业界人士的展望中，智能座舱将扮演着十分关键的角色，这更是使其成为了兵家必争之地。

因此，智能座舱市场正在快速兴起。

当前在智能座舱芯片领域，外资企业夺走了大部分市场。而中国企业因为起步较晚，则一时落入人后，所占市场份额并不多。

据了解，在2020年全球智能座舱主芯片市场中，NXP、瑞萨、英伟达、TI、英特尔等几大巨头已经拿下了大部分市场。而中国大陆企业则榜上无名，沦为了“其他”之列。

这样的境况显然令人担忧。好在，如今在全球智能座舱芯片市场中，还未能形成稳定的市场格局。因此，作为后来者的我国，并非没有后来居上的可能性。

而且，中国广阔的相关市场更是为本土企业注入了发展的动力。

据IHS Markit公布的数据显示，中国知首市场中座舱智能配置水平的新车渗透率在全球领先，为48.8%。对应的，2020年中国智能座舱市场已有567亿元的可观规模。

到2025年时，我国在这一领域的渗透率有望突破75%的大关。随着渗透率的不断提升，我国的这一市场也将愈发庞大，吸引更多资本的涌入。

当前，华为、紫光展锐、吉利旗下亿咖通 科技 等中国巨头，已经涌入了智能座舱赛道中。如今，芯擎 科技 更是凭借着“龙鹰一号”成为赛道新黑马。

从2018年成立到如今，芯擎 科技 仅用3年的时间，便拿出了如此成绩，着实是令人惊喜。

那么，“龙鹰一号”究竟有何过人之处呢？其中，最为令人瞩目的自然是其采用了7nm工艺。

在智能座舱芯片市场中，使用7nm工艺还是头一次，大多芯片采用将得都是14nm-28nm制程。

7nm工艺的采用，使得芯片的设计难度倍增、工艺更为复杂；但是这也使得芯片的算力大幅提升，性能足以同国外同类产品相媲美。

而且，如今智能座舱芯片对算力提出了更高的要求，“龙鹰一号”的高算力恰好符合行业的需要。要知道，智能芯片的算力与行驶安全直接相关，一旦算力紧缺便会引发系统宕机事故。

而且，“龙鹰一号”对语音识别、液晶仪表、ADAS等多项技术进行了融合，做到了“一芯多屏多系统”，从而为用户带来更体贴与全面的服务。

值得注意的是，“龙鹰一号”的问世不只是芯擎 科技 一家企业的功劳，吉利等 汽车 厂商同样有参与芯片设计过程。 汽车 厂商的需求、反馈等，使得“龙鹰一号”更加契合车企的需求，能够满足车企的中长期发展规划，从而提升该芯片的竞争力。

由此不难看出，“龙鹰一号”的巨大优势。该芯片的问世，不仅让芯擎 科技 在愈发激烈的行业竞争中脱颖而出，而且也推动中国智能 汽车 产业走上了一个新的高度。

据了解，“龙鹰一号”正走在量产的路上。根据计划，该芯片将在2022年第三季度实现量产，并于该年年底前装量产上车，正式与国外同类芯片相较量。

届时，“龙鹰一号”芯片的实际表现究竟会如何，就让我们拭目以待。

目前，我国虽然在智能座舱芯片市场中落后于人，但是我国在这一领域仍桐首有着很大赶超机会，毕竟这一赛道才刚刚兴起，未来发展还有很大的未知数。

而且，智能座舱芯片虽然看似不起眼，但是在智能 汽车 长中的地位却十分关键。因此，已经尝过被“卡脖子”之苦的我国，不能再失去一块阵地。

否则，中国庞大的智能 汽车 产业无疑会受到外资企业的牵制，影响这一产业的发展，这一后果相当严峻。

因此，我国必须攻克下智能座舱芯片这一关键领域。希望我国在这一领域，能够传来越来越多的好消息。

⑹ 自动驾驶升级/域集中趋势下 东软睿驰的“芯”变化

自动驾驶系统进化,汽车电子电气E/E架构加速向域控架构迁移,驱使着芯片性能和结构快速升级。

域控处理器需要处理大量图片、视频等非结构化数据,同时还需要整合雷达、视频等多路数据。原有单一芯片无法满足诸多接口和算力需求,车载处理器算力呈现指数级提升,具备AI能力的主控SOC芯片成为了主流。

SoC芯片集成了CPU、AI 芯片(GPU/FPGA/ASIC)、深度学习加速单元(NPU)等多个模块,相对于单核处理器,异构多核SoC处理器在算力、性能、成本、功耗、尺寸等方面具备更明显的优势。

当前,在智能汽车领域已经聚齐了各路芯片玩家,英伟达、高通等近年来在汽车主控SOC芯片领域大举布局,分别针对ADAS、自动驾驶以及智能座舱领域推出了系列芯片,率先于传统芯片企业在各领域快速落地;瑞萨电子、恩智浦、德州仪器(TI)等传统汽车芯片企业不甘落后,面向智能驾驶领域积极跟进。

除了外资巨头,在国内还有华为、地平线、黑芝麻、芯驰、芯擎科技等一大批企业已经快速崛起,为自主品牌车企提供了更多选择。

综合来看,主控芯片正朝向异构多核、高集成、低功耗等更高性能的方向迈进,同时也推动了域控制器升级和量产落地,东软睿驰等Tier1企业也在芯片技术的变革之下,与合作伙伴展开更多、更深入的合作,这对电子电气架构发展和软件定义汽车带来了极具意义的影响。

一、来自不同层级市场的芯片需求

一场算力竞赛已经在各大芯片企业之间悄然兴起。

高级别自动驾驶系统需要面对更复杂更广泛的场景,伴随着域内融合和跨域融合,未来芯片不会局限于自动驾驶域的计算任务,还会逐渐跨域升级成整车中央计算平台,对算力的要求呈现指数级增长。

有数据显示,L2级自动驾驶的算力需求不到10TOPS即可,但要实现L3级自动驾驶的算力需求则要求不低于100 TOPS,而如果到L5级自动驾驶,整车的算力还需要翻十几倍。

公开资料来看,大部分芯片企业纷纷瞄准了下一代自动驾驶大算力芯片,并且公布了相应的量产规划。

英伟达已经推出的全新一代自动驾驶芯片Orin单颗芯片算力高达200TOPS,支持L3-L4,资料显示蔚来ET7、上汽R ES33、智己L7都将采用英伟达Orin芯片,量产计划在2022年。今年4月,英伟达还发布了算力高达1000TOPS的Atlan芯片,支持L4-L5,预计在2025年量产。

另一大芯片巨头高通最新推出的Snapdragon Ride平台支持L1-L5自动驾驶,支持多芯片叠加使用,L3以下的辅助驾驶提供30 TOPs算力,面向L4-L5的自动驾驶系统提供700 TOPs的算力,量产时间节点为2022年。

自主品牌中,华为自主研发的HUAWEI MDC 810算力可高达400+TOPs,面向L4-L5级自动驾驶。地平线征程5单颗芯片AI算力为128 TOPS,组成的智能计算平台AI算力覆盖200-1000 TOPS;黑芝麻智能今年全新推出的A1000Pro系列芯片,INT8算力达到106TOPS、INT4算力高达196TOPS。

除了面向L3及以上级别ADAS领域的高算力芯片,未来几年L2-L2+级ADAS市场的爆发,同样蕴藏着巨大的市场空间。

高工智能汽车研究院监测数据显示,今年1-8月国内新车(合资+自主品牌)前装标配搭载L2级辅助驾驶上险量为224.27万辆,同比增长78.42%;在搭载率方面,今年1-8月国内新车前装标配搭载L2级辅助驾驶搭载率为17.03%。

S32G使用路径

通过这类通用域控制器可实现跨域融合,基于面向SOA的架构,在不同域中实现软件复用和功能的迁移,大大增强了平台的可拓展性,可移植性,对电子电气架构的集中化发展意义重大。

一直以来,芯片都处于快速发展变化的状态,而芯片与软件的高耦合,往往需要基于差异化的硬件进行大量的软件定制化,这使得上层应用开发和持续迭代变得异常困难。很显然,相对稳定的通用硬件平台,才是软件架构和上层应用持续稳定和快速繁荣的基础。

正如东软睿驰汽车技术(上海)有限公司总经理曹斌表示,能够把所有传感器集中在一起,并在传感器算法基础之上去迭代和创新,实现持续优化和进化的域控制器,才是智能汽车行业真正需要的。

他指出,这类域控制器需要基于较为完整和稳定的异构芯片作为底层架构,能够支持AI加速和GPU的支持,将满足需求的算力与分布式计算资源整合在一起,并且不断地被上层软件抽象且与底层芯片实现有机解耦,才能真正形成集中化并且可持续迭代升级的域控制器。

当前越来越多核异构SOC芯片的出现,在满足基本功能算力需求的前提下,硬件架构、功能框架和划分将有望形成相对通用化和稳定的状态。

基于这类通用化的硬件架构,实现软硬件分层解耦,逐渐形成了AUTOSAR、AP+CP+中间件的清晰稳定的基础软件架构,上层应用的快速实现与持续的迭代升级才能够实现。

这对软件定义汽车来说,可以说是非常关键性同时也是极具标志性的阶段。

⑺ 阿里发布高性能RISC-V芯片平台“无剑600”，技术上有何优势

无剑600平台是全球RISC-V可量产SoC芯片设计平台：它支持4核高性能RISC-V处理器，最高主频可达2.5GHz，实现了CPU+XPU异构架构的全面优化；支持64位LPDDR4X，最高吞吐率4266MT；整合4TOPs的Int8 AI算力；全流程满足GP TEE国际安全标准。无剑600平台有望帮助芯片公司显著降低芯片开发成本和风险，并大幅缩短研发周期。由于相关产业刚刚起步，中外芯片设计公司在创新赛道的同一起跑线上，都面临着采用新架构、构建新生态的挑战。国内企业尤其是高科技企业被卡脖子的问题日益突出，如何突破技术瓶颈成为国内企业面临的一大挑战。

⑻ 墨芯S30算力超英伟达H100夺第一，是否实至名归

这个成绩当然是实至名归的，因为根据可靠的消息来看,这个芯片的算力已经超过了英伟达H100的1.2倍。最重要的就是这个芯片制造的时候使用的是12nm的工艺，所以比后者的工艺更加的先进。证明了我国的芯片，技术实力水平都比国外的更加优秀。并且我国所创造出来的这款芯片更适合芯片领域的市场需求，因为它拥有着更低的成本。

温馨小提醒

他的这个成绩当然是实至名归的，毕竟这个算力是通过专业的方式来进行对比的。再加上我国的这个芯片，不管是工艺还是技术还是实力水平，这些方面都比国外的厂家更加优秀了。我在芯片这个方面的发展是非常快速的，而且也已经要领先国外的那些技术了。而且我国制作的这些芯片拥有更低的成本，所以更符合芯片市场领域的市场需求。

⑼ 本土品牌能否打破车规级芯片的竞争壁垒丨汽车产经

1月12日，自动驾驶计算芯片制造商黑芝麻智能宣布获得博世旗下博原资本投资。

黑芝麻智能成为博世在国内投资的第一家自动驾驶芯片企业。这也是继去年9月获小米投资之后，这家年轻的公司又一次获得极高的背书。

这不是第一家进入大众视野的国产车载芯片公司，实际上，虽然英伟达、高通、Intel近年来在汽车主控芯片领域大举布局，但以地平线征程系列、华为升腾芯片为代表的产品也已经崭露头角。

比如2020年，长安汽车的主力车型UNI-T便选用了地平线征程2汽车智能芯片。

关于博世的战略投资，黑芝麻智能 CMO 杨宇欣是这么解读的：

“随着整个汽车产业的发展，即使是这些全球化的铁腕，它也需要去顺应时代和本土市场的需求，用本土的供应链其实是他们的一个方向之一。”

轻描淡写的语气之下，似乎透露着本土公司同样能引领车规芯片发展的自信。

纵观中国市场上主控芯片的量产装车情况，量产环节的主导力量仍是英伟达、高通、Intel这些外企。

国内市场量产车型芯片算力逐年递增

场景定义是杨宇欣看到的自主品牌的另一个竞争力。

他分析说，“10年前，中国手机品牌一举把大多数国外手机品牌干下去，靠的是机海战术。别人1年出5款，可能国产品牌就出50款。现在中国汽车品牌的策略跟当时很像，都在往更细分的人群去定义，例如长城汽车。”

或许真如杨宇欣所说，几年后自主品牌会成功逆袭。

但在这个过程中，自主品牌车企肯定有更强的汽车智能化创新动力和诉求，这就亟需一批有力的芯片合作伙伴帮助他们，实现向汽车智能化的快速转型。

在车规级芯片的战役中，黑芝麻智能已经取得了领先成果，责无旁贷是肯定的，至于能不能成为车规级芯片自主化的主力，只能等时间揭晓答案。

⑽ 华为升腾910是什么平台上用的芯片

华为升腾910是骁龙810芯片，升腾910AI芯片属于Ascend-max系列。实际测试结果表明，在算力方面，升腾910完全达到了设计规格，即：半精度（FP16）算力达到256 Tera-FLOPS，整数精度（INT8）算力达到512 Tera-OPS；重要的是，达到规格算力所需功耗仅310W，明显低于设计规格的350W。

面向未来，针对不同的场景，包括边缘计算、自动驾驶车载计算、训练等场景，华为将持续投资，推出更多的AI处理器，面向全场景持续提供更充裕、更经济、更适配的AI算力。

华为提出，AI框架应该是开发态友好（例如显著减少训练时间和成本）和运行态高效（例如最少资源和最高能效比），更重要的是，要能适应每个场景包括端、边缘和云。

针对不同的运行环境，MindSpore框架架构上支持可大可小，适应全场景独立部署。MindSpore框架通过协同经过处理后的、不带有隐私信息的梯度、模型信息，而不是数据本身，以此实现在保证用户隐私数据保护的前提下跨场景协同。除了隐私保护，MindSpore还将模型保护Built-in到AI框架中，实现模型的安全可信。