近日，英国权威杂志《经济学人》以封面文章的形式，发表题为《中美数字霸权之争》的深度分析报道，而人工智能正是竞争的主战场。近年来，中国在人工智能应用方面的进展令人印象深刻，表现为四个核心优势：政府高度支持、风险投资活跃、占优势的人才资源和海量数据。

据调研机构CB Insights统计，2017年全球人工智能初创企业融资额达152亿美元，其中中国公司达73亿美元，占全部融资额的48%，超过美国的38%，成为全球第一。 

CB Insights调研报告显示，2017年中国AI创业公司融资总额全球第一

早在2015年，中国发表的有关深度学习的被引用论文数量甚至已经超过了美国。日前召开的人工智能业界顶尖会议AAAI 2018，最佳论文再次由中国留学生摘取。

巨大的人口规模和市场带来了海量的训练数据，是中国的另一个显著优势。

2018年更被认为是中国人工智能产业爆发的元年，初创公司融资额迭创新高，行业应用四处开发。但在一片火热的行业发展背后，却潜藏着巨大的隐患：目前我国的人工智能产业绝大部分都是应用创新，但在人工智能技术最核心的处理器和操作系统方面，现实却是冰冷的：国外公司依然牢牢占据主导地位。

人脸识别是最早的人工智能应用之一，市场迅速膨胀，但打开一款市面上的智能摄像机或视频人脸分析服务器，里面的核心处理器不是英伟达就是英特尔，或者赛灵思。自动驾驶是国家确定的四大人工智能关键应用领域之一，科技部在去年底宣布，依托百度公司建设国家级自动驾驶创新平台，百度的Apollo计划也吸引了大量合作伙伴，但百度本身不掌握任何核心处理器或者操作系统。

在PC时代，我国的整机产量全球第一，但主导者却是英特尔和微软；在手机时代，我国手机出货量还是第一，但主导者却是高通和ARM；在人工智能时代，我们看到英伟达和谷歌在持续地扩大其优势，当我们还沉浸在产业爆发的狂欢中时，美国凭借强大的基础硬件与核心软件实力，又一次提前卡位，这不能不引起我们的警惕。

PC行业和手机行业的历史表明，信息产业的核心就是处理器和操作系统，人工智能大规模产业化的关键，首先在于人工智能处理器的突破，而人工智能处理器的制高点必然来自于最具规模效应和最具技术挑战性的行业应用。

面向自动驾驶的人工智能处理器拥有业界最高的计算能力

自动驾驶处理器将撬动难以估量的巨大经济规模

尽管普遍的预测是自动驾驶要到2025年才产生规模化的影响，但其所辐射的经济影响力之大显然超过了过去一个世纪汽车行业的任何一项革新。来自美国交通部的数据显示，到2025年，智能驾驶的软硬件销售（不含整车）将达到262亿美元，但其社会效益将放大到1万亿美元，这其中包括了缓解交通拥堵、节省燃料、减少事故以及提高生产效率。

可以说，每1美元的自动驾驶处理器销售，将带来40美元的社会效益！这就是基础技术的作用，有极强的产业放大效应。

中国人工智能学会与罗兰贝格联合发布《中国人工智能创新应用白皮书》显示，汽车行业是受人工智能影响最大的行业之一。在中国，到2030年，人工智能在自动驾驶上的技术突破将带来约5000亿元的价值增益。

在今年CES展上，英伟达公布了其最新、也是迄今为止最复杂的处理器“Xavier”，并将其命名为“全球首款自主机器处理器”，表示其“将揭开人工智能时代的新篇章。”

事实上，Xavier处理器首先应用于自动驾驶，但其“自主机器处理器”的命名清晰地表明，英伟达不仅准备将其用于汽车，还将应用于更广泛的机器人领域。

从技术角度看，自动驾驶汽车是机器人应用的集大成者，其工作场景最为复杂、技术难度最高，搞定了自动驾驶，只做减法就可以拿下泛机器人的各种应用。

资本市场充分看好该市场，英伟达的市值自三年前以来，已经增加了一个数量级，达到1500亿美元；Intel在去年收购了Mobileye之后，这艘半导体航母的市值竟然也上涨了接近50%，达2400亿美元。

从工业机器人到各类服务机器人，在AI的助力下，机器人市场的规模不可限量，来自麦肯锡全球研究院(McKinsey Global Institute)的一份报告显示，到2030年，全球8亿人口的工作岗位将被机器人取代。

著名咨询公司普华永道预计，与人工智能相关的增长到2030年将把全球GDP提升16万亿美元，其中半数来自中国。

国务院去年发布《新一代人工智能发展规划》，明确提出，到2030年，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

而自动驾驶处理器，恰好站在人工智能技术革命和汽车产业革命的交汇点上。

自动驾驶处理器成为自动驾驶产业竞争的主战场

在自动驾驶处理器领域，Mobileye和英伟达是当前业界绝对的领先者，大部分量产车上都是Mobileye的系统，英伟达的解决方案则是绝大部分自动驾驶开发团队的标配。

但就在不久前的NIPS大会上，钢铁侠马斯克爆出震惊业界的新闻：“特斯拉正在开发定制的AI芯片。我们认为吉姆凯勒（特斯拉自动驾驶硬件副总裁）带队开发的专用AI芯片将会是全世界最好的芯片。”特斯拉在这件事情上蓄谋已久，从AMD挖来技术牛人吉姆凯勒，建立芯片团队，与AMD联合做设计，到去年年底在GF流片，这些布局不是短时间内可以完成的。

作为业界自动驾驶开发最激进，也是自动驾驶系统量产经验最丰富的公司，为什么特斯拉先后与Mobileye和英伟达合作，最后却走上了自主研发自动驾驶处理器之路？

随着自动驾驶的竞争日益白热化，每一个参与这场战争的竞争者都意识到，自动驾驶处理器已经成为最核心的资源。正是看到了这一点，马斯克才豪言，“我们确信特斯拉的硬件战略比任何其它选择都好太多！” 

中国是世界汽车消费第一大国，去年一共卖出了2900万辆新车，美国则是1700万辆。自动驾驶在中国市场的潜在规模足以和美国市场相比，但这仅仅是在整车层面，其中的核心的汽车芯片基本都是进口，大而不强，这就是尴尬的现实。

自动驾驶的落地，有明显的地域性，中国的自动驾驶场景和商业驱动力，与美国、欧洲、日本都不同，这就需要有专门的解决方案，直接用国外公司的方案，在落地上会非常困难。中国自主品牌与欧美车厂相比，技术积累薄弱，要向特斯拉那样从头开始做，且不说基础，时间上都来不及，要赢得这场竞争，加强与自动驾驶处理器公司的深度合作势在必行。

自动驾驶处理器研发面临最复杂的硬件技术挑战

在过去的十年中，智能手机取代了PC，引领了整个计算工业的发展，智能手机的快速更新换代，带动了处理器性能迅速提升，但相对于手机，自动驾驶所需要的计算能力至少大100倍，对于实时性响应的要求从秒级别提升到10毫秒级别，其对于可靠性和安全性的要求更是比手机要苛刻得多。业界的共识是，自动驾驶处理器已经取代手机，成为计算工业发展的核心驱动力。

芯片曾经是中国工业界的短板，经过多年的努力，中国已经在消费电子领域有了长足的进步，涌现出了MTK、海思等公司，跻身全球前二十大芯片公司行列（不包括代工厂），但在汽车电子领域，NXP、英飞凌、瑞萨、TI和ST等跨国芯片公司仍占据了绝大部分市场份额，其中NXP和英飞凌双雄就占了汽车电子领域的半壁江山。中国的芯片公司在这个领域的市场占有率，几乎是零。为数不多的突破也仅仅局限于后装市场，能够符合ISO26262功能安全要求和AEC-Q100汽车电子质量和可靠性规范的产品，甚至今天还没有出现。

业界公认，在半导体行业，具备规模化出货的芯片中，汽车级芯片的技术难度是最高的（航空级出货太少，一般不单独考虑）。

从整个自动驾驶产业链的格局来看，在三个主要部分中，传感器、处理器、控制器，产业集中度最高的其实是处理器，在传感器领域，无论是摄像头还是激光雷达，都有几十家以上的供应商，但处理器领域，真正得到认可的就是英伟达和Mobileye两家。相比照众多涌现出来的的新造车企业，高集中度的格局折射出的是自动驾驶处理器的开发难度之高。

在人工智能的所有行业应用中，自动驾驶所面临的技术挑战是最高的，自动驾驶事关生命安全，整个系统必须保证在任何时候都要可靠工作，及时响应。而对应的自动驾驶处理器，将面临四个方面的关键挑战：计算能力、低功耗、可靠性、和安全性。

对于自动驾驶应用而言，为了处理海量的数据，并且达到实时性的要求，所需要的计算能力似乎永远是不够的，目前AI芯片业界的算力最高记录是英伟达最新推出的Pegasus，计算能力达到320TOPS（万亿次运算/秒），其目标正是自动驾驶。事实上，业界已经在严肃地讨论POPS（每秒1千万亿次运算）时代何时到来，这相当于要把“天河一号”超级计算机（2010年建成，排名当时全球第一）装进一台汽车！

但计算能力和低功耗永远是一对矛盾。英伟达的Pegasus的算力最高，但功耗也达到了恐怖的500瓦。这将带来一系列麻烦的问题：

随着芯片结温的上升，芯片的工作寿命将显著缩短，对于需要可靠运行长达十年以上的汽车来说是巨大的隐患。

需要非常复杂的散热系统来保证芯片的工作温度范围不会超过其极限，且不说成本的增加，单单如何在高震动、长时间的工作环境下，保证散热系统的稳定性，都是一个问题；

巨大的功耗对于电动汽车的续航里程带来了新的负担，曾经有车厂的研发团队表示，把英伟达Drive PX2和工控机加装到自动驾驶样车上以后，续航里程从三百公里下降到一百多公里！

与通常的认知恰恰相反，确切无疑的结论是：低功耗对于自动驾驶系统至关重要。

与手机这样的消费电子产品相比，汽车电子面临的工作环境要复杂恶劣得多，为了严格保证整车品质和可靠性，汽车电子始终追求的是实现零缺陷(Zero Defect)的目标。经过长期的发展，目前AEC-Q100已经成为汽车电子的通用标准。汽车级芯片只有符合此规范要求，才能确保其可靠地应用与汽车工作环境。

随便挑几个关键指标对比，就可以感受到汽车电子的严苛程度：

缺陷率：一般用PPM（百万分之一）来表示，手机芯片一般是几千个PPM甚至更高，而汽车级芯片要低于10PPM，缺陷率差了三个数量级。

工作温度要求：手机一般要求0℃-70℃即可，而汽车级芯片要扩展到-40℃-125℃。

工作寿命：手机一般要求 3年的工作寿命，而汽车级芯片需要可靠地工作10年以上。

应力测试：手机芯片直接没有要求，而汽车级芯片有一套非常完善的测试标准，用于满足对于振动、冲击的测试要求。

此外，要想成为合格的汽车级芯片供应商，还要符合供应链品质管理标准：ISO/TS 16949规范，以达到零失效(Zero Defect)的目标。在供货周期方面要至少满足十年的供货期，甚至要达到15年，这对于公司的长期运营能力、管理水平的要求，是消费级芯片供应商不可同日而语的。

而这仅仅是刚开始，对于自动驾驶系统来说，任何故障或者失效都是不可接受的，为了确保在功能上的可靠性，自动驾驶系统需要在各个方面都有可靠的冗余备份系统，在主系统失灵的情况下，能够被监管系统发现，并由备份系统接手控制。这就好像电网系统的设计一样，某一处供电系统的故障不会让整个电网瘫痪，因为管理系统在时刻监管这个电网的运行状态，一旦出现故障就会切换或者调配其它电网的电力，保证给用户的供电不会中断。

ASIL（汽车安全完整性等级）是业界广泛遵从的安全等级规范，它分为四级，从最低的A级到最高的D级。这是一个系统级的概念，通常，如果一个系统涉及到控制，比如刹车系统、转向助力系统等，那么它需要达到最高的ASIL-D等级，对应的芯片则需要达到B或者C级。为了达到这一要求，自动驾驶汽车在整个系统上都需要有备份，甚至连执行器都是如此。

在过去，汽车电子系统比较简单，安全等级容易达到。但自动驾驶系统需要高度复杂、高性能的计算系统，事情就变得异常严峻，毕竟，复杂性和可靠性是一对天生冤家，为了达到ASIL-B等级，需要一整套完整的安全开发流程，从设计原则、计算构架、软件到文档等。这不是简单的一次性测试，而是贯穿于芯片的整个开发周期之中。

为了通过整个AEC-Q100的测试，并满足ASIL-B的安全等级要求，芯片公司往往需要一年半甚至更长的时间来进行芯片的可靠性和安全性认证。

同时，我们还要确保整个计算系统中的数据是高度安全的，不被篡改、破坏或者窃取。设想一下，如果黑客攻破了自动驾驶系统，将其中的图像数据进行篡改，本来传感器已经探测到前面有个横穿马路的孩子，但篡改后的数据却显示什么都没有，后果可想而知。

自动驾驶处理器体现我国在人工智能基础理论和软件算法创新的最高水平

日前，Uber自动驾驶车在路测中发生了致命事故，震惊了整个业界，再一次让人们意识到，自动驾驶事关生命安全，对此一定要有敬畏之心，技术必须要做得扎实。事实上，Uber的自动驾驶车不仅有摄像头还有毫米波雷达和64线激光雷达，硬件装备堪称豪华，这种传感器系统的冗余设计，保证了行人等障碍物不可能没有被检测到。但是，由于高速行驶中的汽车需要一定的安全制动距离和有效反应时间，自动驾驶系统需要提前1-2秒做出行人会横穿马路的预判，这凸显基于传感器信号基础之上对于行人运动预测算法的重要，也表明单靠堆硬件是远远不够的，感知硬件必须与算法充分结合，做到准确的感知，预测和决策。

尤其是当自动驾驶车辆在拐弯、换道、通过十字路口的时候，需要对车辆的360度范围之内的环境进行感知，包括对移动物体的识别、跟踪、预测、对于驾驶环境的语义分割、建模到定位，感知的范围非常广，而且还要在不同的天气情况、光照条件下可靠地工作，这一切对于感知算法的可靠性、准确性提出了极其苛刻的要求。

为了达到这一目标，感知需要多种传感器进行融合，并且在每一个维度上都进行冗余备份，随着各种传感器的性能持续提升，其需要处理的数据量也呈几何级数增大，例如使用最广的车载摄像头，其像素已经从1百万上升到8百万，并进一步向1千2百万发展；激光雷达和毫米波雷达也在往图像化的方向发展。对于自动驾驶处理器的算力需求也随之水涨船高。

当前，自动驾驶处理器的算力主要用于感知，但是，从自动驾驶的发展来看，这并不是对自动驾驶处理器算力要求最高的部分。随着自动驾驶系统向L4、L5等级迈进，需要能够驾驭城市驾驶环境这样的复杂场景，决策将需要比感知更大的计算能力。

AlphaGO在围棋领域的成功，代表了人工智能在决策方面一个里程碑式的成就，但是对于围棋这样的应用，其感知环境是全透明的，可以获取棋盘上的一切信息，博弈主体只有两个，这是一个环境封闭、规则完备、信息完整的决策场景，但即使是这么简单的场景，Google都要用算力高达180TOPS的TPU去支撑，才能够满足要求。

对于自动驾驶，我们有可能面对的是跟上百个道路上的移动主体的博弈，这里面不仅包括车辆，还包括行为非常复杂的行人，比如中国式过马路，红绿灯是不管用的，行人随时会过马路，而且边走边看车的行驶情况，行人的下一步决策依赖于你的决策，再比如换道，打了转向灯，还得看旁边的车让不让，如果不让再接着开，这是一个不断博弈的过程，也是互动式的决策过程。

所以自动驾驶面临的是一个开放的环境、不完备的规则、不全面的感知信息、多智能体的博弈场景，而且还不能出错。决策算法的决策搜索空间比围棋要大的多，难度是非常大的，其对于算力的要求比感知更大，就是因为这个原因。

面对这么多的挑战，自动驾驶技术的突破依赖于人工智能在感知和决策等基础理论和算法方面的创新。而对应的计算任务所需的计算模式、计算复杂度、实时性和功耗指标，都要求基于自动驾驶处理器开发软硬件完美结合的系统级设计。可以说，支持自动驾驶软件系统是核心目标，而硬件处理器架构是关键路径，两者必须紧密配合。这就意味着，自动驾驶处理器也体现了我们国家在人工智能基础理论和软件算法创新的最高水平。

AI时代的制胜之道：软件驱动的处理器设计

在自动驾驶处理器这个领域，为什么是英伟达和Mobileye领跑？

有人说英伟达胜出是因为GPU是非常适合做深度学习计算的，但是这一点没办法解释为什么同样做GPU的AMD没有赢得这个市场；也有人说Mobileye起步很早，但是这也没办法解释，为什么赢家不是NXP、TI、瑞萨等传统汽车电子公司，要知道这些玩家都有至少30年以上的从业经验，起步早得多。

VSI创始人Phil Magney表示，除了性能上的差别，“英伟达在软硬件堆栈上的完成度，都比其他厂商提供的解决方案要好上不少。”

去年，英特尔宣布以153亿美元收购Mobileye，以弥补其在自动驾驶方面的短板，英特尔作为半导体行业的老大哥，想切入汽车行业已经很久，但最后还需要花大钱靠收购来获得市场，尴尬的背后折射出的是什么？

深入分析后我们发现，无论是Mobileye还是英伟达，相对于他们的竞争对手，有一个共同点：他们充分地结合了算法和计算，进行协同设计，由此提供了完整的解决方案，在这一点上，其它竞争对手与这两家的差距甚远。

如果我们从自动驾驶行业跳出来，从整个人工智能行业的顶层视角观察，会发现一个让人非常诧异的现象：不仅仅是特斯拉，就连谷歌这样的原本跟芯片行业不沾边的公司，都在做自己的人工智能芯片！

谷歌切入处理器领域的时间并不长，但很快就把TPU做出来了，不仅在AlphaGO大放异彩，还将其做成了一项AI服务，其商业潜力巨大。

为什么谷歌这个硬件行业的新来者，其AI处理器研发的进展远远超过英特尔这样的传统巨头？这一现象的背后，折射出一个新的趋势：深刻的理解人工智能的软件将促进处理器架构的研发效率。本质上讲，这是一场由人工智能应用场景驱动的软硬件技术革命。要真正去解决人工智能的应用落地问题，就必须从软件到硬件，软硬一体，它体现的是两个原则：速度和效能。

AI产业的发展已经表明，拥有算法的公司开发自己的处理器，要比一家硬件基因的公司有更大的成功率。

算法的迭代比芯片快，应用的迭代比算法快。人工智能的应用高速发展，如果一个公司在做应用的时候，依赖别人的算法和处理器，那一定不是最快的，而自动驾驶技术本身就是一场生死时速的竞争，因为终局很可能会是赢者通吃。所以如果要率先撞线，从应用到芯片一起做无疑是最优选择。

对于传统芯片玩家来讲，新玩家的到来，带来的不仅是竞争，还有挥之不去的困惑：自己的芯片自己用，如何发挥规模效应？成本怎么摊薄？但是,很多人忽略了一个重要的商业模式变化:芯片的价值已经不再是基于其硬件成本来定义，而是从它能带来的应用价值、服务价值、带来的对于竞争对手的时间领先程度来折算，这是一种更高维度的价值判断理念，把未来的价值折算到现在，而不是单纯地看成本。

AI时代的新摩尔定律

在过去几十年，半导体行业的发展，基本上是以一种暴力的方式往前走，不断缩小制程、换取更高的主频、更高的集体管密度，计算构架则是越通用越好，算法和软件都是配角，只有等芯片出来了以后，才去考虑如何去做匹配，如何最大限度发挥硬件的效能。

结果是，SoC芯片非常强大，融合了CPU, DSP, GPU等计算内核，但能够真正用到位的软件开发者寥寥无几。要想让软件人员理解如何发挥硬件的能力绝非易事，而且还涉及到代码重用这样的问题。比如DSP编程，这方面的软件人才非常少，这在客观上加剧了软硬件不匹配的问题。

随着半导体工艺制程逼近其物理极限，摩尔定律已经难以为继，我们需要重新思考，在AI时代，如何继续推进计算的发展。

这需要从设计理念上就做根本的变革，人工智能芯片的本质并不是硬件，而是软硬结合的载体。人工智能芯片的发展，并不是单纯的工艺和晶体管密度驱动，而是计算架构与算法的配合驱动，使其实际的计算效率不断提升，并且要根据应用场景的不同选择最适合的算法，往专用处理器的方向发展，追求极致效能。

与通用芯片相比，专用芯片的效率在相同的工艺制程下，可以轻易地获得超过10~100倍的性能提升、10倍的功耗下降和10倍的成本下降，有效平衡对高性能和低功耗的要求，从而获得的碾压式的商业竞争优势。

可以说，应用场景决定算法，算法定义芯片，软硬件协同设计，这就是AI时代的新摩尔定律。谁理解了应用场景并掌握了算法，谁就掌握了核心优势。

自动驾驶处理器创新之路如何走？

研发自动驾驶处理器，难度异常高，有人觉得也可以采取IP授权的模式，专注于自己有专长的算法和计算构架设计，让汽车级芯片公司去做集成。看上去，事情变得似乎很容易，然而，情况的发展可能与设想的完全不同。

姑且不说IP授权业务很难将商业规模做大，也不说一旦搞授权，为了适应不同客户的需求，到最后IP设计必然通用化，单单看商业模式，就有很大的风险。

现实情况是，移动处理器的王者ARM已经在和英伟达合作，强强联手，全力开发面向人工智能应用的专用IP，在商业策略上，ARM完全可以将该IP与其具有统治性地位的CPU内核结合，进行捆绑式的销售。甚至可以向客户承诺买CPU，就送专用IP，或者不买我的专用IP，就不授权CPU，这个时候独立的IP供应商该如何竞争？

类似的事情在科技史上比比皆是，在网络时代刚刚开始时，网络浏览器的霸主是网景，但微软通过把其IE浏览器与Windows操作系统进行捆绑，迅速击败了网景。

如果一个IP或者软件不可或缺，但又必须要集成到某种平台性产品上，才能完成商业化，这种商业模式其实是非常脆弱的，前期可以靠先发优势取得一定的商业成绩，但后期平台产品供应商一定会杀进来，很容易凭借其市场优势地位击垮前者。

从理性的角度来看，事实上，中国在自动驾驶处理器的开发方面已经有比较扎实的基础。

中国在计算机视觉领域，有非常深厚的人才储备，2017年计算机视觉方面的权威会议CVPR，全部783篇论文中，华人学者参与并署名的论文约为356篇，占比45.47%，几乎是半壁江山。

在汽车级芯片的开发方面，随着跨国公司在中国的研发深入发展，经过多年的积累，中国本土已经有非常多的优秀的工程师，地平线有两位副总裁就分别来自于NXP和TI，拥有十多年行业经验的资深人才加盟，让地平线在自动驾驶处理器开发的道路上更有底气。

芯片行业已经非常成熟，产业链分工齐全，从仿真验证工具、后端设计服务、晶圆代工、芯片封测，都有专业的公司做配套，Fabless模式已经成为绝对主流。可以让后进入者站在巨人的肩膀上开发芯片。

自动驾驶处理器成为国家科技实力的战略制高点

如果说，人工智能是中美双雄争霸的主战场，自动驾驶就是这个战场的决定性战役。

2018年，博通宣布准备收购高通，交易金额高达1420亿美元，成为半导体行业有史以来标的最高的收购案，但就在日前，特朗普突然出手，阻止了该收购举动，理由是美国担忧在5G方面的领导地位将因此被中国超越，威胁到国家安全，在表面的喧嚣之下，真正被忽视的是高通潜在的汽车电子资产，高通对NXP的收购已经获得了美国和欧盟的批准，而NXP是全球最大的汽车电子供应商，如果这次收购能够成功，博通老板，出生于马来西亚的华人陈福英，将拥有汽车电子、5G、CDMA专利等一系列战略资产。

911事件以后，政府和公众都猛然意识到，交通工具如果不加以控制，将会变成威力巨大的武器，《速度与激情8》更是以僵尸车队的疯狂表现刺激到了公众的神经，自动驾驶事关国家安全是显而易见的。

自动驾驶处理器对于自动驾驶的意义，就好像发动机之于航空业的意义，中国要想赢得自动驾驶和人工智能技术的战略制高点，就需要有自己的自动驾驶处理器，让中国人在这个领域有自己的话语权，不会受制于人，不再让自主品牌在Mobileye和英伟达之间做艰难的选择。

在不久前，地平线入选了新一代的新一代人工智能战略咨询委员会，同时入选的人工智能公司有BAT和讯飞，地平线是其中唯一致力于做自动驾驶处理器的公司，我们更多地把它看成一种期待，国家已经充分意识到自动驾驶处理器这件事的战略意义。

结语：自动驾驶处理器是人工智能产业的珠穆朗玛

人工智能芯片无疑是当下人工智能行业最炙手火热的话题，来自北京国际工程咨询公司的一份调查表明，目前已经公布了人工智能芯片开发计划的中国公司已达39家，而更多的初创公司正在这波大潮之下涌现。

突然间，这个赛道就变得非常拥挤，但细数下来，会发现绝大部分都面向安防或者消费应用，而真正在自动驾驶处理器上发力的，只有地平线。相对于安防或者消费人工智能芯片的开发，自动驾驶处理器的难度高了不止一个量级，商业上也需要更大的耐心。 

2017年底，地平线发布第一代自动驾驶处理器

近日，彭博社在对奥迪的采访中，奥迪驻北京发言人约翰娜·巴斯（Johanna Barth）表示，奥迪已经为中国（自动驾驶）项目挑选地平线公司作为合作伙伴。她说，在中国境外销售的汽车中，奥迪仍将采用英伟达和Mobileye的芯片。

去年，奥迪在全球率先推出了L3级自动驾驶的量产版车型：奥迪A8，确立了其在自动驾驶开发方面的全球领先地位，此次奥迪选择地平线作为其在最重要的中国市场的合作伙伴，是中国公司在自动驾驶核心技术方面里程碑式的突破。