「我們只做前裝市場。」最近，深鑑科技 CEO 姚頌在接受機器之能採訪時說道。
國內人工智慧晶片創業公司深鑑科技今天宣佈，其自主研發的 ADAS 系統——DPhiAuto，目前已與日本大型車企和來自歐洲的 Tier 1 簽署合同，即將實現量產。
「不同地方，產業鏈情況是不一樣的。」深鑑科技 CEO 姚頌特意解釋道，日本以 OEM 車廠為核心。歐洲的情況正好反過來，Tier 1 可能更強勢一點。
國際化大甲方，也因此成為 DphiAuto 區別於國內 ADAS 公司產品最為高亮的標籤。
2015 年，中國市場一下子湧現出很多自主品牌的 ADAS 提供商，他們使得 Mobileye 的網上價格從 1.7 萬元降到 9000 元，也使 20 萬元以內的中級車開始出現豐富的 ADAS 配置。
大多數玩家還是從演算法角度切入，利用現有晶片硬體方案進行整合。比如百度、極目、Minieye、Maxieye 等。也有像地平線這樣基於自主晶片方案的廠商，提供後裝 ADAS 方案。
但進入全球市場競爭的很少見，進入的前裝市場主要也是國內車廠和 Tier 1。
在接受國內媒體採訪時，小鵬汽車自動駕駛研發 VP 谷俊麗曾表示，她個人認為能解決自動駕駛問題的晶片還沒有出來。
現在，她又有了一個測評選項。
賽道邏輯：「從晶片角度出發，很難找一個量那麼大，單價又那麼高的市場。」
通過每路幾百塊、低功耗但穩定性優於 GPU 的方案拿下「腰部」安防市場，是深鑑科技目前最重要的收入來源。
攝像頭是小系統，與汽車的複雜程度完全不可同日而語，對晶片要求的苛刻程度也不是一個量級，但一年前，深鑑就決定跟著賽靈思進入汽車市場。
有媒體曾報導過這樣一個數字：八成的 AI 晶片創業公司都會擠進這個賽道。「英偉達講的最大的故事就是自動駕駛。」姚頌說。
汽車市場的總體規模到底有多大？
一些相對保守的公司，比如聯發科估算，大批量自動駕駛開始上線以後，車載計算晶片的平均單價能到 500 美金。一些相對樂觀公司認為，價格能到 2000 美金。
市場出車量非常大，一年約有一億臺，因此，這是一個 500 億到 2000 億美金的大市場。
「從晶片的角度，很難找到一個量那麼大，單價又這麼高的市場。」姚頌說。
除了夠大，這個市場還處於一個相對零散的格局。
目前，全球有幾十家大型車企，不會出現一個佔 70% 市場份額的老大。
如果創業公司可以拿到一個車企的一款車型，假設這款車型一年產 10 萬輛，以一款晶片 500 美金計算，一年就有 5000 萬美元的收入。考慮到汽車是一個毛利相對比較高的行業，這會是一筆相當可觀的收入。
當自動駕駛到來之後，更不太可能形成行業壟斷。
現在汽車行業有許多標準件，但是，自動駕駛時代開始關注整個汽車的氛圍和風格。
比如，蔚來汽車的生活空間概念。
「自動駕駛體驗中，重要的一塊就是給最終客戶一個體驗。」姚頌說，這類帶有公司特色和差異化的市場，不太可能被一家英偉達壟斷 70% 的份額，它也做不到。
不過，在對創業公司產品的態度上，汽車行業和安防、手機等行業有很大不同。
姚頌回憶道，在拜訪日本最大車廠時，對方曾告訴他們正常情況下，公司不會考慮與創業公司合作。
「連這些公司自動駕駛部門負責人辦公室的門都敲不開。」
首先，汽車晶片有著非常苛刻的車規級安全標準。
比如十年、20 萬公里、高溫、低溫、潮溼、乾燥等各種場景、還有疲勞情況下，晶片都要能夠穩定執行。
「一家創業公司的晶片能夠符合這個標準，可能需要三、五年的時間。」姚頌說。
其次，汽車行業的大公司特別注重供貨的穩定性。
比如，七年研發一個底盤。這一款底盤可能要用到多款不同的汽車上，連續量產好多年。連續量產這個底盤，需要晶片廠商連續七年保質保量，而且足夠迅速地供貨，但一家創業公司都不一定能活到七年。
「正常情況下，一個完全新的晶片，沒有五、六年週期，我覺得不可能走到量產。」姚頌告訴機器之能。
「所以，這些車企非常保守，不願意去選擇一些新的合作伙伴。」
這也解釋了為什麼車廠和 Tier 1 、汽車電子供應商都是幾十年的合作關係，儘管一些傳統供應商的產品水準多年來一直被主機廠 Diss。
「這是一個信任度的問題。」姚頌笑著說，「（合作伙伴）倒不了」。
如此一來，藉助現有的車規級晶片暫時繞過苛刻門檻，成為想要打入前裝市場 ADAS 公司的首選。
今年上半年，Minieye、Maxieye 分別基於賽靈思 FPGA 和 TI 晶片，推出面向前裝市場的車規級 ADAS 產品。
帶著深鑑入行的賽靈思，在汽車行業有五年的存在時間，大家對他們的產品都比較認可。
「在這些半導體公司裡，他可能是客戶滿意度最高的一家。」姚頌說，
「基本上 2/3 的（賽靈思）汽車客戶都介紹給我們了。」
搭橋問路：從 FPGA 到 ASIC
FPGA 號稱「萬能晶片」，是可程式設計的產品。加電時，晶片進入工作狀態；掉電後，FPGA 恢復成白片，內部邏輯關係消失。硬體可以像軟體一樣通過程式設計來修改。
雖然傳統上，FPGA 的主要應用領域是通訊、工控、國防、消費，但是資料中心、物聯網、汽車等領域也逐漸成為新的應用場景。
谷俊麗認為，FPGA 可以憑藉訊號處理和低能耗方面的優勢，成為一個可靠的第二系統，在汽車的第一系統出現失誤的時候，作為安全模式介入進來。
有些自動駕駛公司的車上系統中就採用了 FPGA 完成一些實時檢測識別任務。
姚頌告訴我們，博世 ADAS 上的主晶片、斯巴魯的 Eyesight 採用了賽靈思 FPGA。
而深鑑科技 ADAS 系統 DPhiAuto，依據不同的硬體配置，使用 SSD、Yolo 等主流深度神經網路處理 1080P 視訊的效能可達每秒數十至數百幀。
不過，FPGA 開發難度不小。另外，由於 FPGA 上面跑的晶片架構設計最為核心，它就是一個用來拼 DPU 晶片的樂高，因此，對晶片設計能力要求也很高。
「本質上還是重新開發晶片，能做這個事情的公司其實非常少。」姚頌說，汽車領域，「一般類似博世這樣的超級 Tier 1 才具備這樣的能力。」
深鑑科技也很擅長。
「賽靈思之所以投深鑑就是因為，同樣一顆晶片，我們能發揮出的純硬體能力比別人至少強三倍。」姚頌之前在接受機器之能專訪時曾提及。
很好的公司開發 FPGA，效能效果相同的情況下，成本可能只是其他公司的三分之一。
由於 FPGA 價格比較高，特別是晶片起量後，成本也會跟著上升，此時綜合考慮功耗、成本、規模等因素，反而不如 ASIC 方案。
因此，對深鑑來說，FPGA 應該也只是一個 Plan A。
先通過 FPGA 建立客戶信任，摸索產業鏈。在產品得到使用者認可並起量後，就可以考慮基於深度學習 DPU 核心的 ASIC 方案。而量產晶片會與 FPGA 產品架構基本一樣。
「對於我們最終的客戶、那些車企來說，好和便宜才是他們最關心的。」姚頌說。
取捨之道：出海與返程
國內主機廠在發展自動駕駛的過程中，前期主要靠 Tier 1 供應商。
「起初自動駕駛的功能比較簡單，可以交給 Tier 1 去提供整體方案。」吉利汽車研究院資深總工程師劉衛國曾告訴媒體。
「國內的 T1 的公司也比較少，也比較弱。」姚頌說。
目前，國內前裝 ADAS 市場主要被國外供應商所壟斷，而且行業集中度很高。比如，在乘用車市場，大陸、德爾福、電裝、奧托立夫和博世佔據了 65% 的份額。
自主品牌很難在短期內進入 OEM 市場。
「所以，真正能上量產車的系統，最後會基於實際生產的考慮，還是會從國外買一個成熟的模組進行安裝，而這個要從國外 Tier 1 採購。」姚頌說。
因此，深鑑先出海，然後跟著這些合作一級供應商回到國內市場。
「先跟最好的客戶去打磨好產品，和國內的溝通也會更簡單一些。」
目前，在合作方式上，深鑑科技與車廠簽訂的新合同，包括後面可能的量產計劃，都是基於賽靈思車規級 FPGA 搭載深鑑自主研發設計的深度學習處理器，以「招牌」的壓縮能力為亮點，進入到與車廠的合作中。
至於為什麼沒有合作新能源汽車和商用車，姚頌表示，公司有與國內新能源汽車公司合作。
但是，對於一家晶片公司來說，汽車起量才意味著大規模收入。對於新能源汽車而言，這不是短時間即可解決的事情。對於新興的造車勢力，公司對產品節奏的掌控很重要，但這同樣不容易做到。
至於其他用車領域，由於深鑑科技提供的是一個計算平臺，因此，這些場景對他們的影響並不大。從乘用車到商用車等其他領域，更多的是一個降維的打法。
車輛會用到各種不同的感測器
「我們的合作不會超過 L3。」
谷俊麗在接受國內媒體採訪時曾坦言，AI 核心演算法上還有很多沒有被突破，比如 Level 4 和 Level 5 就做不出來。
而在姚頌看來，真正的 L4 實現，至少有兩個必要非充分條件：
一個是全球高精地圖的資料收集。
「你必須要蒐集所有的高精資料，精確到每條路到底有幾釐米寬。」姚頌說。
第二個，整個感測器的系統也不完善，L4 必須裝配鐳射雷達。
比如，在一片黑的情況下，完全沒有特徵點去做雙目的匹配，測不出深度。這時，一定需要有鐳射雷達充當最後的避險環節。
但問題是，一個鐳射雷達要 10 萬塊，而且還不能實現大規模量產。另外，車輛需要的 10 年可靠性，也沒有經過驗證。
「我覺得 L4 要上量產，可能是比如三年後。但是，三年後再提上日程量產，可能就要到五、六年後出來。」
所以和激進的特斯拉不同，傳統車企很保守。而深鑑合作的 ADAS 也多為 L2.5 左右。
「最多到 L3，也有些場景下的自動駕駛。」姚頌說。
其實，這也和國外安全標準很高有關。比如在歐洲，全車安裝 12 到 16 個感測器，也只是滿足了 L2 的要求（深鑑 ADAS 的單個晶片能支援 12 到 16 個感測器)。
而第一批標配了自動駕駛或者 ADAS 的量產車，可能要到 2020、2021 年左右才能批量出來。
「這個時候，沒有人會做所謂的 L3.5、L4。」姚頌說，技術不成熟，非常不安全。
深鑑科技 CEO 姚頌
變與不變：「我的業務永遠就在現在這塊板子上」
半年來，有的晶片公司上了財經雜誌封面，據說準備 IPO。更多晶片創業公司陸續完成新一輪融資。
總的說來，大家已經從單純的說，演進到拿出一些晶片，儘管只是與使用存在明顯距離的第一版產品。
「從市場競爭這個最終角度來說，目前我還沒看到特別大的變化。」姚頌說。
唯一有些例外的是英偉達。
「原來沒有車規級晶片，現在真有了。這是個會對實際市場產生影響的產品。」
不過，仔細分析去年 AI 晶片公司榜單的創業公司，我們發現，今年有兩家公司的業務線路正在悄然發生變化。
一家是地平線。
今年的 CES，地平線帶來了智慧攝像頭（IPC），基於地平線自主研發的旭日（Sunrise）1.0 處理器，擁有強大的本地處理效能，可廣泛用於智慧安防、智慧零售等場景。
當初想做自動駕駛、安防等領域的「Intel Inside」晶片公司開始做攝像頭，有點像英特爾開始做 PC。
我們不禁好奇競爭中，晶片公司的業務擴張邊界在哪裡？晶片公司需要去動硬體廠商的「乳酪」嗎？
另一家是西井科技。
「我們不再是一家 AI 晶片公司。」公司 CEO 譚黎敏最近接受國內媒體採訪時明確說道，未來更希望公司成為像 IBM 那樣覆蓋底層技術與垂直行業經驗的 AI 解決方案公司。
其實，去年 12 月，這家公司的 DeepWell 第二代人工智慧深度學習晶片已經成功流片。不過現在已經成為港口貨運自動駕駛解決方案商。
譚黎敏告訴媒體，貨車能比乘用車更快的實現商業化落地，這幾乎是行業共識。
最近，何曉飛的飛步科技也進入這一領域，並提供軟硬（自研晶片) 一體解決方案。
「單獨做 AI 晶片，競爭會很殘酷。一方面，是資金成本的投入；另一方面，如果沒有演算法和場景的話，就會遇到生態問題。」安創加速器聯合創始人楊宇欣在接受媒體採訪時談到，
「所以，一定要做垂直整合。」
但問題在於，這樣一個完整的自動駕駛系統，推給一個乘用車企，其實很麻煩。
成本固然是一個問題，另外一個障礙在於由於切入專用市場收集資料變簡單，系統難度降低，由此獲取的經驗能夠被轉移嗎？
比如，園區內收集的這些資料、一個低速電瓶車的控制系統，可能與乘用車完全不一樣。
無論是馭勢的園區慢速自動駕駛車輛，智行者打造的京東送貨小車，還是主線科技涉足礦山中的超級卡車，港口貨運，圖森的卡車，「你會發現所有的公司都在找折衷的地方。」姚頌說。
但這很不容易：做得太乘用車，很難推給車企，而且週期非常長；但是如果做得太專，擴充到乘用車上，基本意味著另起爐灶。
姚頌認為，AI 晶片公司之所以會出現這些變化，關鍵因素仍然在於晶片行業的商業模式。
賣晶片本身，是一個成本非常高，利潤又不高而且風險很大的生意。所以，一些公司像 IBM、甲骨文自己做晶片，但是不賣晶片。
這似乎是西井科技的未來方向。
不過，做硬體防火牆的 Juniper NetScreen 自己做晶片，但是賣整機。賣整機的利潤規模，肯定比賣晶片大多了。
這裡可以看到地平線的影子。
但現在大家發現，賣整機可能都不一定活得好，活得最好的是賣服務。
比如，Google TPU 放到雲服務可能是最賺錢的，而且最有使用者黏性。如今國內主要雲服務商們，誰沒有自己的 FPGA 雲服務？
「我最近發現，這跟創造 101 很像。」姚頌笑著說。
粉絲集資這個偶像投票。比如，1 萬人集資 100 萬給偶像投票。大公司不會在乎這個錢。
如果偶像靠作品說話，粉絲去買偶像演出的電視劇版權或者買唱片，這個錢會比粉絲直接去集資高得多。
再往後說，偶像如果能吸引流量，比如粉絲會去買騰訊會員，或者看到某個節目廣告再去買別的東西，這個價值最大。
「真正做晶片的，都過得挺苦的，傳統的那一套生意模式還是越來越難做。」姚頌感嘆道。
不過，深鑑科技、寒武紀依然走得和華為海思一樣，
「我的業務永遠在現在這塊板子上。」
「沒有 In-Memory Computing 上的突破，都只是工程學上的變化。」
採訪的最後，我問姚頌一個問題，如果他是一個投資人，會投什麼樣的晶片專案？
「如果說未來可能會有一個突破，那一定會是 In-Memory Computing。」他回答道。
AI 晶片計算解決的問題，其實是一個儲存牆的問題。但目前經常說的突破儲存，是一個假的感念：僅僅在晶片上做了很多儲存，但是怎麼讀、怎麼用儲存的方式並沒有變。
比如，三家國外的明星晶片公司 Graphcore、Cerebras 等其實都採用了這樣一個技術路線。
「如果不是這些方式上變化，最多都是工程學上的改進。」姚頌認為。
新近的一家晶片創業公司探境科技 CEO 魯勇也表達過類似觀點：
「AI 晶片技術重點提升將資料搬入計算單元后的處理速度，但因為搬出資料、過橋的過程基本未傳送變化，因此整體效率提升還相對有限。」
現在的儲存方式也確實在變化。比如，直接用儲存本身來做計算，計算儲存一體化。
還有憶阻器。
DeepMind 神經網路完全是軟體層面的模擬，在標準矽電子元件上執行。所以，儘管和神經元網路學習方式類似，但並未突破馮·諾依曼結構瓶頸。
過去，傳統電子產品還沒能力真去模擬神經突觸。但現在，我們有辦法了。
約十年前，惠普公司的一個由 Stan Williams 帶領的團隊正在研究一種新型記憶體，與臺式電腦不同，在關掉電源後，新記憶體仍然保留資料。這個團隊無意間創造出 Chua 憶阻器。
這種相變憶阻器正變得越來越可靠，晶片製造商們，比如英特爾開始出售使用憶阻器的記憶體裝置。
其他人認為，憶阻器可以幫助實現完全獨立學習的機器。
不過，困擾憶阻器網路的最大問題之一，是能否高效量產。執行良好的工廠可量產矽晶片，但也同樣適用於憶阻器嗎？
研究人員已經在從事這方面的研究。如果憶阻器先驅們獲得成功，那麼，未來計算機可能會由那些四十年來、我們一度認為不存在的材料打造而成。
「IBM、高通也在做這個嘗試。如果真的做出來的話，我覺得還是比較有意義。」姚頌說。
至於量產工藝等尚未解決的問題，姚頌舉了一個 3D 積體電路的例子。
2000 年左右就開始有人做這個事情。
比如三星的 memory 已經是多層結構，新 GPU 中間加了一層 interposer(中介層），一個電路的矽片。這就是所謂的 2.5D 的設計。
在這個上面去摞出多層晶片，不是可以延續摩爾定律了嗎？
「2012 年上半年時，大家都還在論文階段，但是到 13 年，AMD 推出第一個使用這個技術的晶片。」姚頌感嘆道，
「現在，所有的 GPU 晶片，高效能運算機裡面，這個基本成為標配了。」
隨著對手相繼完成或接近完成新一輪融資，深鑑的好訊息也快了。
今天可謂 IPO 的科普年，國內幾家獨角獸公司相繼 IPO 或啟動 IPO。而晶片行業中，走在前面的可能是位元大陸。
談及深鑑的 IPO 的 時間表，姚頌想了想說，我們會走得比較謹慎，
「2023 年左右。」