「我们只做前装市场。」最近，深鉴科技 CEO 姚颂在接受机器之能采访时说道。
国内人工智能芯片创业公司深鉴科技今天宣布，其自主研发的 ADAS 系统——DPhiAuto，目前已与日本大型车企和来自欧洲的 Tier 1 签署合同，即将实现量产。
「不同地方，产业链情况是不一样的。」深鉴科技 CEO 姚颂特意解释道，日本以 OEM 车厂为核心。欧洲的情况正好反过来，Tier 1 可能更强势一点。
国际化大甲方，也因此成为 DphiAuto 区别于国内 ADAS 公司产品最为高亮的标签。
2015 年，中国市场一下子涌现出很多自主品牌的 ADAS 提供商，他们使得 Mobileye 的网上价格从 1.7 万元降到 9000 元，也使 20 万元以内的中级车开始出现丰富的 ADAS 配置。
大多数玩家还是从算法角度切入，利用现有芯片硬件方案进行集成。比如百度、极目、Minieye、Maxieye 等。也有像地平线这样基于自主芯片方案的厂商，提供后装 ADAS 方案。
但进入全球市场竞争的很少见，进入的前装市场主要也是国内车厂和 Tier 1。
在接受国内媒体采访时，小鹏汽车自动驾驶研发 VP 谷俊丽曾表示，她个人认为能解决自动驾驶问题的芯片还没有出来。
现在，她又有了一个测评选项。
赛道逻辑：「从芯片角度出发，很难找一个量那么大，单价又那么高的市场。」
通过每路几百块、低功耗但稳定性优于 GPU 的方案拿下「腰部」安防市场，是深鉴科技目前最重要的收入来源。
摄像头是小系统，与汽车的复杂程度完全不可同日而语，对芯片要求的苛刻程度也不是一个量级，但一年前，深鉴就决定跟着赛灵思进入汽车市场。
有媒体曾报道过这样一个数字：八成的 AI 芯片创业公司都会挤进这个赛道。「英伟达讲的最大的故事就是自动驾驶。」姚颂说。
汽车市场的总体规模到底有多大？
一些相对保守的公司，比如联发科估算，大批量自动驾驶开始上线以后，车载计算芯片的平均单价能到 500 美金。一些相对乐观公司认为，价格能到 2000 美金。
市场出车量非常大，一年约有一亿台，因此，这是一个 500 亿到 2000 亿美金的大市场。
「从芯片的角度，很难找到一个量那么大，单价又这么高的市场。」姚颂说。
除了够大，这个市场还处于一个相对零散的格局。
目前，全球有几十家大型车企，不会出现一个占 70% 市场份额的老大。
如果创业公司可以拿到一个车企的一款车型，假设这款车型一年产 10 万辆，以一款芯片 500 美金计算，一年就有 5000 万美元的收入。考虑到汽车是一个毛利相对比较高的行业，这会是一笔相当可观的收入。
当自动驾驶到来之后，更不太可能形成行业垄断。
现在汽车行业有许多标准件，但是，自动驾驶时代开始关注整个汽车的氛围和风格。
比如，蔚来汽车的生活空间概念。
「自动驾驶体验中，重要的一块就是给最终客户一个体验。」姚颂说，这类带有公司特色和差异化的市场，不太可能被一家英伟达垄断 70% 的份额，它也做不到。
不过，在对创业公司产品的态度上，汽车行业和安防、手机等行业有很大不同。
姚颂回忆道，在拜访日本最大车厂时，对方曾告诉他们正常情况下，公司不会考虑与创业公司合作。
「连这些公司自动驾驶部门负责人办公室的门都敲不开。」
首先，汽车芯片有着非常苛刻的车规级安全标准。
比如十年、20 万公里、高温、低温、潮湿、干燥等各种场景、还有疲劳情况下，芯片都要能够稳定运行。
「一家创业公司的芯片能够符合这个标准，可能需要三、五年的时间。」姚颂说。
其次，汽车行业的大公司特别注重供货的稳定性。
比如，七年研发一个底盘。这一款底盘可能要用到多款不同的汽车上，连续量产好多年。连续量产这个底盘，需要芯片厂商连续七年保质保量，而且足够迅速地供货，但一家创业公司都不一定能活到七年。
「正常情况下，一个完全新的芯片，没有五、六年周期，我觉得不可能走到量产。」姚颂告诉机器之能，
「所以，这些车企非常保守，不愿意去选择一些新的合作伙伴。」
这也解释了为什么车厂和 Tier 1 、汽车电子供应商都是几十年的合作关系，尽管一些传统供应商的产品水准多年来一直被主机厂 Diss。
「这是一个信任度的问题。」姚颂笑着说，「（合作伙伴）倒不了」。
如此一来，借助现有的车规级芯片暂时绕过苛刻门槛，成为想要打入前装市场 ADAS 公司的首选。
今年上半年，Minieye、Maxieye 分别基于赛灵思 FPGA 和 TI 芯片，推出面向前装市场的车规级 ADAS 产品。
带着深鉴入行的赛灵思，在汽车行业有五年的存在时间，大家对他们的产品都比较认可。
「在这些半导体公司里，他可能是客户满意度最高的一家。」姚颂说，
「基本上 2/3 的（赛灵思）汽车客户都介绍给我们了。」
搭桥问路：从 FPGA 到 ASIC
FPGA 号称「万能芯片」，是可编程的产品。加电时，芯片进入工作状态；掉电后，FPGA 恢复成白片，内部逻辑关系消失。硬件可以像软件一样通过编程来修改。
虽然传统上，FPGA 的主要应用领域是通讯、工控、国防、消费，但是数据中心、物联网、汽车等领域也逐渐成为新的应用场景。
谷俊丽认为，FPGA 可以凭借信号处理和低能耗方面的优势，成为一个可靠的第二系统，在汽车的第一系统出现失误的时候，作为安全模式介入进来。
有些自动驾驶公司的车上系统中就采用了 FPGA 完成一些实时检测识别任务。
姚颂告诉我们，博世 ADAS 上的主芯片、斯巴鲁的 Eyesight 采用了赛灵思 FPGA。
而深鉴科技 ADAS 系统 DPhiAuto，依据不同的硬件配置，使用 SSD、Yolo 等主流深度神经网络处理 1080P 视频的性能可达每秒数十至数百帧。
不过，FPGA 开发难度不小。另外，由于 FPGA 上面跑的芯片架构设计最为核心，它就是一个用来拼 DPU 芯片的乐高，因此，对芯片设计能力要求也很高。
「本质上还是重新开发芯片，能做这个事情的公司其实非常少。」姚颂说，汽车领域，「一般类似博世这样的超级 Tier 1 才具备这样的能力。」
深鉴科技也很擅长。
「赛灵思之所以投深鉴就是因为，同样一颗芯片，我们能发挥出的纯硬件能力比别人至少强三倍。」姚颂之前在接受机器之能专访时曾提及。
很好的公司开发 FPGA，性能效果相同的情况下，成本可能只是其他公司的三分之一。
由于 FPGA 价格比较高，特别是芯片起量后，成本也会跟着上升，此时综合考虑功耗、成本、规模等因素，反而不如 ASIC 方案。
因此，对深鉴来说，FPGA 应该也只是一个 Plan A。
先通过 FPGA 建立客户信任，摸索产业链。在产品得到用户认可并起量后，就可以考虑基于深度学习 DPU 核心的 ASIC 方案。而量产芯片会与 FPGA 产品架构基本一样。
「对于我们最终的客户、那些车企来说，好和便宜才是他们最关心的。」姚颂说。
取舍之道：出海与返程
国内主机厂在发展自动驾驶的过程中，前期主要靠 Tier 1 供应商。
「起初自动驾驶的功能比较简单，可以交给 Tier 1 去提供整体方案。」吉利汽车研究院资深总工程师刘卫国曾告诉媒体。
「国内的 T1 的公司也比较少，也比较弱。」姚颂说。
目前，国内前装 ADAS 市场主要被国外供应商所垄断，而且行业集中度很高。比如，在乘用车市场，大陆、德尔福、电装、奥托立夫和博世占据了 65% 的份额。
自主品牌很难在短期内进入 OEM 市场。
「所以，真正能上量产车的系统，最后会基于实际生产的考虑，还是会从国外买一个成熟的模块进行安装，而这个要从国外 Tier 1 采购。」姚颂说。
因此，深鉴先出海，然后跟着这些合作一级供应商回到国内市场。
「先跟最好的客户去打磨好产品，和国内的沟通也会更简单一些。」
目前，在合作方式上，深鉴科技与车厂签订的新合同，包括后面可能的量产计划，都是基于赛灵思车规级 FPGA 搭载深鉴自主研发设计的深度学习处理器，以「招牌」的压缩能力为亮点，进入到与车厂的合作中。
至于为什么没有合作新能源汽车和商用车，姚颂表示，公司有与国内新能源汽车公司合作。
但是，对于一家芯片公司来说，汽车起量才意味着大规模收入。对于新能源汽车而言，这不是短时间即可解决的事情。对于新兴的造车势力，公司对产品节奏的掌控很重要，但这同样不容易做到。
至于其他用车领域，由于深鉴科技提供的是一个计算平台，因此，这些场景对他们的影响并不大。从乘用车到商用车等其他领域，更多的是一个降维的打法。
车辆会用到各种不同的传感器
「我们的合作不会超过 L3。」
谷俊丽在接受国内媒体采访时曾坦言，AI 核心算法上还有很多没有被突破，比如 Level 4 和 Level 5 就做不出来。
而在姚颂看来，真正的 L4 实现，至少有两个必要非充分条件：
一个是全球高精地图的数据收集。
「你必须要搜集所有的高精数据，精确到每条路到底有几厘米宽。」姚颂说。
第二个，整个传感器的系统也不完善，L4 必须装配激光雷达。
比如，在一片黑的情况下，完全没有特征点去做双目的匹配，测不出深度。这时，一定需要有激光雷达充当最后的避险环节。
但问题是，一个激光雷达要 10 万块，而且还不能实现大规模量产。另外，车辆需要的 10 年可靠性，也没有经过验证。
「我觉得 L4 要上量产，可能是比如三年后。但是，三年后再提上日程量产，可能就要到五、六年后出来。」
所以和激进的特斯拉不同，传统车企很保守。而深鉴合作的 ADAS 也多为 L2.5 左右。
「最多到 L3，也有些场景下的自动驾驶。」姚颂说。
其实，这也和国外安全标准很高有关。比如在欧洲，全车安装 12 到 16 个传感器，也只是满足了 L2 的要求（深鉴 ADAS 的单个芯片能支持 12 到 16 个传感器)。
而第一批标配了自动驾驶或者 ADAS 的量产车，可能要到 2020、2021 年左右才能批量出来。
「这个时候，没有人会做所谓的 L3.5、L4。」姚颂说，技术不成熟，非常不安全。
深鉴科技 CEO 姚颂
变与不变：「我的业务永远就在现在这块板子上」
半年来，有的芯片公司上了财经杂志封面，据说准备 IPO。更多芯片创业公司陆续完成新一轮融资。
总的说来，大家已经从单纯的说，演进到拿出一些芯片，尽管只是与使用存在明显距离的第一版产品。
「从市场竞争这个最终角度来说，目前我还没看到特别大的变化。」姚颂说。
唯一有些例外的是英伟达。
「原来没有车规级芯片，现在真有了。这是个会对实际市场产生影响的产品。」
不过，仔细分析去年 AI 芯片公司榜单的创业公司，我们发现，今年有两家公司的业务线路正在悄然发生变化。
一家是地平线。
今年的 CES，地平线带来了智能摄像头（IPC），基于地平线自主研发的旭日（Sunrise）1.0 处理器，拥有强大的本地处理性能，可广泛用于智能安防、智能零售等场景。
当初想做自动驾驶、安防等领域的「Intel Inside」芯片公司开始做摄像头，有点像英特尔开始做 PC。
我们不禁好奇竞争中，芯片公司的业务扩张边界在哪里？芯片公司需要去动硬件厂商的「奶酪」吗？
另一家是西井科技。
「我们不再是一家 AI 芯片公司。」公司 CEO 谭黎敏最近接受国内媒体采访时明确说道，未来更希望公司成为像 IBM 那样覆盖底层技术与垂直行业经验的 AI 解决方案公司。
其实，去年 12 月，这家公司的 DeepWell 第二代人工智能深度学习芯片已经成功流片。不过现在已经成为港口货运自动驾驶解决方案商。
谭黎敏告诉媒体，货车能比乘用车更快的实现商业化落地，这几乎是行业共识。
最近，何晓飞的飞步科技也进入这一领域，并提供软硬（自研芯片) 一体解决方案。
「单独做 AI 芯片，竞争会很残酷。一方面，是资金成本的投入；另一方面，如果没有算法和场景的话，就会遇到生态问题。」安创加速器联合创始人杨宇欣在接受媒体采访时谈到，
「所以，一定要做垂直整合。」
但问题在于，这样一个完整的自动驾驶系统，推给一个乘用车企，其实很麻烦。
成本固然是一个问题，另外一个障碍在于由于切入专用市场收集数据变简单，系统难度降低，由此获取的经验能够被转移吗？
比如，园区内收集的这些数据、一个低速电瓶车的控制系统，可能与乘用车完全不一样。
无论是驭势的园区慢速自动驾驶车辆，智行者打造的京东送货小车，还是主线科技涉足矿山中的超级卡车，港口货运，图森的卡车，「你会发现所有的公司都在找折衷的地方。」姚颂说。
但这很不容易：做得太乘用车，很难推给车企，而且周期非常长；但是如果做得太专，拓展到乘用车上，基本意味着另起炉灶。
姚颂认为，AI 芯片公司之所以会出现这些变化，关键因素仍然在于芯片行业的商业模式。
卖芯片本身，是一个成本非常高，利润又不高而且风险很大的生意。所以，一些公司像 IBM、甲骨文自己做芯片，但是不卖芯片。
这似乎是西井科技的未来方向。
不过，做硬件防火墙的 Juniper NetScreen 自己做芯片，但是卖整机。卖整机的利润规模，肯定比卖芯片大多了。
这里可以看到地平线的影子。
但现在大家发现，卖整机可能都不一定活得好，活得最好的是卖服务。
比如，Google TPU 放到云服务可能是最赚钱的，而且最有用户黏性。如今国内主要云服务商们，谁没有自己的 FPGA 云服务？
「我最近发现，这跟创造 101 很像。」姚颂笑着说。
粉丝集资这个偶像投票。比如，1 万人集资 100 万给偶像投票。大公司不会在乎这个钱。
如果偶像靠作品说话，粉丝去买偶像演出的电视剧版权或者买唱片，这个钱会比粉丝直接去集资高得多。
再往后说，偶像如果能吸引流量，比如粉丝会去买腾讯会员，或者看到某个节目广告再去买别的东西，这个价值最大。
「真正做芯片的，都过得挺苦的，传统的那一套生意模式还是越来越难做。」姚颂感叹道。
不过，深鉴科技、寒武纪依然走得和华为海思一样，
「我的业务永远在现在这块板子上。」
「没有 In-Memory Computing 上的突破，都只是工程学上的变化。」
采访的最后，我问姚颂一个问题，如果他是一个投资人，会投什么样的芯片项目？
「如果说未来可能会有一个突破，那一定会是 In-Memory Computing。」他回答道。
AI 芯片计算解决的问题，其实是一个存储墙的问题。但目前经常说的突破存储，是一个假的感念：仅仅在芯片上做了很多存储，但是怎么读、怎么用存储的方式并没有变。
比如，三家国外的明星芯片公司 Graphcore、Cerebras 等其实都采用了这样一个技术路线。
「如果不是这些方式上变化，最多都是工程学上的改进。」姚颂认为。
新近的一家芯片创业公司探境科技 CEO 鲁勇也表达过类似观点：
「AI 芯片技术重点提升将数据搬入计算单元后的处理速度，但因为搬出数据、过桥的过程基本未发送变化，因此整体效率提升还相对有限。」
现在的存储方式也确实在变化。比如，直接用存储本身来做计算，计算存储一体化。
还有忆阻器。
DeepMind 神经网络完全是软件层面的模拟，在标准硅电子元件上运行。所以，尽管和神经元网络学习方式类似，但并未突破冯·诺依曼结构瓶颈。
过去，传统电子产品还没能力真去模拟神经突触。但现在，我们有办法了。
约十年前，惠普公司的一个由 Stan Williams 带领的团队正在研究一种新型内存，与台式电脑不同，在关掉电源后，新内存仍然保留数据。这个团队无意间创造出 Chua 忆阻器。
这种相变忆阻器正变得越来越可靠，芯片制造商们，比如英特尔开始出售使用忆阻器的内存设备。
其他人认为，忆阻器可以帮助实现完全独立学习的机器。
不过，困扰忆阻器网络的最大问题之一，是能否高效量产。运行良好的工厂可量产硅芯片，但也同样适用于忆阻器吗？
研究人员已经在从事这方面的研究。如果忆阻器先驱们获得成功，那么，未来计算机可能会由那些四十年来、我们一度认为不存在的材料打造而成。
「IBM、高通也在做这个尝试。如果真的做出来的话，我觉得还是比较有意义。」姚颂说。
至于量产工艺等尚未解决的问题，姚颂举了一个 3D 集成电路的例子。
2000 年左右就开始有人做这个事情。
比如三星的 memory 已经是多层结构，新 GPU 中间加了一层 interposer(中介层），一个电路的硅片。这就是所谓的 2.5D 的设计。
在这个上面去摞出多层芯片，不是可以延续摩尔定律了吗？
「2012 年上半年时，大家都还在论文阶段，但是到 13 年，AMD 推出第一个使用这个技术的芯片。」姚颂感叹道，
「现在，所有的 GPU 芯片，高性能计算机里面，这个基本成为标配了。」
随着对手相继完成或接近完成新一轮融资，深鉴的好消息也快了。
今天可谓 IPO 的科普年，国内几家独角兽公司相继 IPO 或启动 IPO。而芯片行业中，走在前面的可能是比特大陆。
谈及深鉴的 IPO 的 时间表，姚颂想了想说，我们会走得比较谨慎，
「2023 年左右。」
本文为机器之能原创，转载请联系本公众号获得授权。
