< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
4nm！比亚迪自研AI芯片来了：制程对齐英伟达，算力拉爆特斯拉
，横空出世：从自主研发、设计、测试完全自主完成。
三颗组合超2100 TOPS，但更重要的是对比通用GPU架构，单位功耗低20%，结合自研算法，深度优化算力资源利用率提升100%。
AI汽车竞争，从“买谁家的芯片”、“多大算力”变成了“谁真正懂自己的芯片”。
而最令人意想不到的，第一颗4nm智驾芯片，竟然出自以前那个被认为技能点全点在电动化的
璇玑A3采用4nm车规级制程，全球车载AI计算芯片中，是和英伟达Thor同处T0梯队的级别。
其实自研计算芯片，无论从比亚迪自身技术实力、技术发展趋势还是比亚迪一贯的垂直整合战略出发，发布会之就已经是一个“公开的秘密”——不做，才是出人意料的big news。
但比亚迪最终拿出的产品方案，还是给了所有人震撼：
制程、算力除了此前的普遍预期——多数人推测比亚迪首款智驾芯片能对标英伟达Orin（254 TOPS），或者地平线J6M，主要解决中低介辅助驾驶问题。
但璇玑A3直接迈向了Thor所在的段位，并且在
更重要的，这颗芯片的自主研发、设计、测试全部由比亚迪自主完成，辅助驾驶全链路可控，并且已经规模化量产。
制程大家最熟悉（4nm）决定了晶体管密度和能效，数字越小性能上限越高。王传福给出的解释是，车规级4nm的技术难度大致相当于消费电子领域的2nm。
这句话并不是严格的技术定义，而是一句通俗易懂的类比，逻辑在于车规级芯片在同样先进制程（如4nm）下，其设计与制造难度是一个跨越式的叠加。
因为车规级芯片不仅是“更高性能”的芯片，本质上是 为“安全”而生的专业芯片，尤其是在4nm这样的先进制程上，设计时必须引入大量的冗余设计和容错电路、制造中也会使用更昂贵的材料，并增加特定的工艺步骤。
CPU部分为16核，420K DMIPS，负责全局调度和逻辑决策，这个算力足以同时处理智驾、座舱、车身控制的复杂任务。
内存带宽273GB/s，配合自研总线，硬件支持可纳秒级低延迟。
单位算力功耗比同级产品低20%，意味着同样计算任务下发热更少、系统稳定性更高。
算力利用率提升100%则是容易被忽视但非常关键的一点，这涉及到璇玑A3本质：NPU（神经网络处理单元），专为AI推理设计，而非从图形渲染衍生而来的通用GPU。
通用芯片为了兼容多种客户需求必然存在架构妥协，而璇玑A3针对比亚迪自研算法深度定制，使得同样的理论算力能够跑出两倍的有效性能。
NPU的优势在于将矩阵乘法、卷积等AI常用算子直接硬化，同样的晶体管面积能产出更高的有效算力。同时针对比亚迪自研算法肯定会深度定制，使得同样的理论算力能够跑出更高的有效性能。
自主最先进制程车载智驾芯片，的确够重磅，但从算力本身来看，绝对数值不是No.1。
而真正让璇玑A3区别于其他方案的，不在制程和算力，
——大力出奇迹比拼理论峰值TOPS时，比亚迪把重心放在了“实际有效算力”上。
比亚迪的璇玑A3，能称为AI汽车“芯皇”吗？
技术路线上，璇玑A3选择了专用NPU，而非英伟达Orin、Thor那样的通用GPU衍生架构。
GPU最早是为了做图形渲染而生的，擅长同时处理海量相似的任务在黄仁勋的带领下，英伟达把GPU变成了通用并行计算平台，使得GPU不但可以做图形相关的任务，还可以做科学计算、数学分析以及AI训练。
而NPU中文叫神经网络处理器或者AI加速器。相比于GPU， NPU更加的注重 AI 相关的任务。
如果把GPU和NPU都看成工人的话， GPU就像经验更丰富一些的老师傅，会干很多东西，效率比较高。
NPU则是专门训练过的流水线工人，技能单一，但是专注的做一件事情且效率极高——