第25章：地平线 - 芯片算法协同设计的典范

25.1 公司背景与创始团队

25.1.1 余凯与百度深度学习研究院渊源

地平线机器人（Horizon Robotics）的创立故事要从百度深度学习研究院（IDL）说起。2012年，余凯加入百度，担任深度学习研究院（IDL）常务副院长，这是中国最早系统性投入深度学习研究的工业界实验室之一。

百度IDL时期重要里程碑
├── 2013年 建立深度学习实验室
├── 2014年 发布Deep Speech语音识别系统
├── 2014年 推出百度大脑1.0
└── 2015年 自动驾驶项目启动

在百度期间，余凯带领团队在多个AI领域取得突破：

语音识别：Deep Speech系统达到业界领先水平
图像识别：在ImageNet竞赛中取得优异成绩
自动驾驶：参与百度无人车早期技术研发
异构计算：探索GPU/FPGA加速深度学习

这段经历让余凯深刻认识到：

算力瓶颈：通用芯片难以满足AI算法的算力需求
功耗挑战：边缘设备对功耗极其敏感
成本压力：汽车行业对BOM成本控制严格
实时性要求：自动驾驶需要确定性低延迟

25.1.2 创始团队技术基因

2015年7月，余凯离开百度创立地平线，汇聚了一批顶尖的AI和芯片人才：

核心创始团队背景： | 成员 | 背景 | 专长领域 |

成员	背景	专长领域
余凯	百度IDL创始人、NEC美国研究院	深度学习、计算机视觉
黄畅	Facebook人工智能研究院	计算机视觉、深度学习
杨铭	Facebook	深度学习系统架构
吴强	华为海思	芯片架构设计

团队的独特优势：

算法基因：核心成员来自顶级AI研究机构
系统思维：深度理解软硬件协同优化
工程能力：具备将研究成果产品化的经验
行业认知：对自动驾驶场景有深刻理解

25.1.3 从AI芯片到自动驾驶定位转变

地平线的发展经历了清晰的战略演进：

第一阶段（2015-2016）：通用AI芯片探索

最初定位：边缘AI芯片平台公司
目标市场：智能家居、安防、机器人
技术路线：BPU（Brain Processing Unit）架构

第二阶段（2017-2019）：聚焦自动驾驶

战略转型：All in自动驾驶
关键决策：放弃其他垂直领域，专注车载AI
原因分析：
汽车市场规模巨大（万亿级）
技术门槛高，竞争壁垒强
中国汽车产业转型机遇

第三阶段（2020-至今）：平台化发展

定位升级：车载AI计算平台供应商
产品策略：芯片+算法+工具链
生态建设：开放平台，赋能主机厂

25.2 芯片产品演进路线

25.2.1 Journey系列芯片发展历程

地平线的征程（Journey）系列芯片展现了清晰的技术演进脉络：

征程系列芯片演进时间线
│
├─ 2017.12 ─ 征程1.0 (Journey 1)
│  ├─ 工艺：40nm
│  ├─ 算力：1 TOPS
│  └─ 应用：后装ADAS
│
├─ 2019.08 ─ 征程2 (Journey 2)
│  ├─ 工艺：28nm
│  ├─ 算力：4 TOPS
│  └─ 应用：L2级ADAS
│
├─ 2020.09 ─ 征程3 (Journey 3)
│  ├─ 工艺：16nm
│  ├─ 算力：5 TOPS
│  └─ 应用：智能座舱+ADAS
│
├─ 2021.11 ─ 征程5 (Journey 5)
│  ├─ 工艺：16nm
│  ├─ 算力：128 TOPS
│  └─ 应用：L2+/L3自动驾驶
│
└─ 2024.04 ─ 征程6 (Journey 6)
   ├─ 工艺：7nm
   ├─ 算力：560 TOPS
   └─ 应用：L2++/L4自动驾驶

25.2.2 征程2/3：ADAS市场突破

征程2（J2）技术特点：

BPU架构：第二代贝叶斯架构
算力效率：4 TOPS @ 2W功耗
关键创新：
稀疏化计算优化
INT8量化native支持
多级存储层次优化

量产应用案例：

长安UNI-T：首款搭载J2的量产车
功能实现：AEB、LKA、ACC等L2功能
成本优势：相比Mobileye EyeQ4降低30%

征程3（J3）定位差异化：

双域融合：智能座舱+ADAS
算力分配：2.5 TOPS(ADAS) + 2.5 TOPS(座舱)
典型应用：
360环视
DMS/OMS驾驶员监控
AR-HUD渲染

25.2.3 征程5：规模化量产里程碑

征程5是地平线真正打开市场的标志性产品：

核心技术指标： | 参数 | 数值 | 对标竞品 |

参数	数值	对标竞品
AI算力	128 TOPS	Orin-X: 254 TOPS
功耗	30W	Orin-X: 60W
能效比	4.3 TOPS/W	Orin-X: 4.2 TOPS/W
制程	16nm FinFET	Orin: 7nm

架构创新：

双核BPU-Nash架构 - 2个BPU核心，每个64 TOPS - 支持Transformer native加速 - 动态稀疏化技术
存储系统优化

Memory Hierarchy
├─ L1 Cache: 512KB per core
├─ L2 Cache: 4MB shared
├─ LPDDR4: 32GB/s bandwidth
└─ 片上SRAM: 8MB

异构计算单元 - ARM Cortex-A55 四核CPU - 双核lock-step R5安全岛 - ISP处理单元（8路camera） - 视频编解码单元

量产落地成果：

理想L8/L9：AD Max智能驾驶系统
一汽红旗：高阶自动驾驶平台
长城汽车：毫末智驾HPilot 3.0
2023年出货量：超100万片

25.2.4 征程6：大模型时代的新旗舰

2024年4月发布的征程6代表地平线最新技术成就：

关键突破：

超高算力：560 TOPS @ 7nm工艺
大模型支持： - Transformer专用加速单元 - 支持BF16/FP16混合精度 - FlashAttention硬件实现
先进特性：

J6 Architecture
┌─────────────────────────────┐
│  4x BPU-Nash Pro (140T each)│
├─────────────────────────────┤
│  ARM Cortex-A78AE (8 cores) │
├─────────────────────────────┤
│  GPU Mail-G78AE (4 cores)   │
├─────────────────────────────┤
│  CV Engine + ISP (12 cam)   │
├─────────────────────────────┤
│  Safety Island (ASIL-D)     │
└─────────────────────────────┘

目标应用场景：

城市NOA/NOA+
端到端自动驾驶
跨域融合（座舱+驾驶）

25.3 算法架构与优化策略

25.3.1 BEV感知算法优化

地平线在BEV感知算法优化上形成了独特的技术路线：

轻量化BEV架构设计

针对车载芯片算力限制，地平线提出了Sparse BEV架构：

传统BEV Pipeline (>100 TOPS)
Camera → Backbone → FPN → BEV Transform → Detection
  6x       ResNet50   256ch    Dense        Heavy Head

地平线Sparse BEV (<50 TOPS)  
Camera → MobileNet → Sparse FPN → Efficient BEV → Light Head
  6x      Optimized    128ch        Sparse Trans    Anchor-free

关键优化技术：

稀疏化View Transformation：只在关键位置计算BEV特征
多尺度特征复用：减少冗余计算
动态分辨率：近处高分辨率，远处低分辨率

BEV时序融合优化

时序融合策略
T-3 ──┐
T-2 ──┼─→ Temporal Fusion ─→ Current BEV
T-1 ──┤   (Deformable Align)
T   ──┘

优化点：
• 选择性历史帧：基于运动估计选择关键帧
• 轻量化对齐：使用光流替代3D投影
• 增量式更新：只更新变化区域

实测性能对比

| 方案 | mAP | FPS@J5 | 算力需求 |

方案	mAP	FPS@J5	算力需求
BEVFormer	41.6%	8	>200 TOPS
BEVDet4D	39.2%	15	>150 TOPS
地平线SparseBEV	38.5%	30	<50 TOPS

25.3.2 模型压缩与量化技术

地平线在模型压缩领域积累了深厚的技术：

自适应混合精度量化

量化策略分层设计
┌────────────────────────────┐
│   Backbone: INT8 为主       │
│   关键层保持 FP16           │
├────────────────────────────┤
│   Neck: INT8/INT4 混合     │
│   通道级别精度分配          │
├────────────────────────────┤
│   Head: INT8               │
│   偏置项 FP16              │
└────────────────────────────┘

结构化剪枝技术

地平线开发了硬件友好的结构化剪枝方法：

通道剪枝：移除整个通道，保持硬件效率
块稀疏：4x4或8x8块为单位的稀疏化
层融合：将多个小算子融合减少访存

知识蒸馏框架

地平线AutoML蒸馏流程
┌─────────────┐      ┌─────────────┐
│Teacher Model│      │Student Model│
│  (Large)    │─────>│  (Small)    │
└─────────────┘      └─────────────┘
     ↓                      ↑
   Soft Label          Hard Label
     ↓                      ↑
┌─────────────────────────────┐
│   Joint Training Pipeline    │
│   • Feature Alignment        │
│   • Attention Transfer       │
│   • Gradient Matching        │
└─────────────────────────────┘

实际压缩效果： | 模型 | 原始大小 | 压缩后 | 精度损失 | 加速比 |

模型	原始大小	压缩后	精度损失	加速比
ResNet50-BEV	23.5M	3.2M	<1%	5.2x
PointPillar	4.8M	1.1M	<2%	3.8x
CenterPoint	8.3M	2.1M	<1.5%	4.1x

25.3.3 边缘计算架构设计

分布式推理架构

地平线设计了适合车载环境的分布式推理系统：

车载分布式计算拓扑
┌──────────────────────────────────┐
│         中央计算单元(J5/J6)        │
│  ┌────────┐  ┌────────┐         │
│  │ BEV感知 │  │轨迹规划│         │
│  └────────┘  └────────┘         │
└──────────────────────────────────┘
         ↑            ↑
         │            │
    ┌────┴────┐  ┌────┴────┐
    │前视觉ECU │  │环视ECU   │
    │  (J2)   │  │  (J3)    │
    └─────────┘  └──────────┘

流水线并行优化

Pipeline Parallelism
Stage 1: Image Preprocessing (ISP)
  ↓ (Stream 1)
Stage 2: Feature Extraction (BPU Core 1)
  ↓ (Stream 2)  
Stage 3: BEV Transform (BPU Core 2)
  ↓ (Stream 3)
Stage 4: Detection & Tracking (CPU+BPU)

延迟优化：从120ms降至35ms

动态算力调度

地平线开发了QoS感知的算力调度系统：

# 伪代码示例
class DynamicScheduler:
    def schedule(self, tasks):
        # 根据场景动态分配算力
        if scenario == "Highway":
            # 高速场景：重点远距离检测
            allocate_resource(long_range_det, 60%)
            allocate_resource(lane_det, 30%)
        elif scenario == "Urban":
            # 城市场景：360度感知优先
            allocate_resource(surround_det, 50%)
            allocate_resource(vru_det, 40%)

25.4 芯片算法协同设计理念

25.4.1 软硬件协同优化方法论

地平线的核心竞争力在于软硬件深度协同：

算法驱动的芯片设计

传统芯片设计流程
芯片设计 → 指令集 → 编译器 → 算法适配
  (硬)                            (软)

地平线协同设计流程
算法需求 ←→ 架构设计 ←→ 编译优化 ←→ 算法优化
        协同迭代优化

关键协同设计案例

案例1：BEV Transform加速单元

算法需求：LSS变换计算密集
硬件设计：专用3D投影单元
性能提升：10x加速，功耗降低70%

案例2：Sparse Convolution支持

算法趋势：稀疏化网络兴起
硬件适配：动态稀疏索引机制
实测效果：稀疏网络效率提升3x

案例3：Multi-head Attention加速

算法演进：Transformer成为主流
硬件响应：Matrix Unit升级
J6表现：ViT推理速度超越GPU

25.4.2 定制化加速单元设计

BPU (Brain Processing Unit) 架构演进

BPU核心架构
┌─────────────────────────────────┐
│         BPU Core                 │
├─────────────────────────────────┤
│  ┌─────────┐  ┌─────────┐      │
│  │ Vector  │  │ Matrix  │      │
│  │  Unit   │  │  Unit   │      │
│  └─────────┘  └─────────┘      │
│  ┌─────────┐  ┌─────────┐      │
│  │ Sparse  │  │ Special │      │
│  │ Engine  │  │Function │      │
│  └─────────┘  └─────────┘      │
├─────────────────────────────────┤
│      Local Memory (SRAM)         │
└─────────────────────────────────┘

专用加速单元详解

| 加速单元 | 功能 | 典型操作 | 加速比 |

加速单元	功能	典型操作	加速比
Vector Unit	SIMD运算	BatchNorm, ReLU	8x
Matrix Unit	矩阵乘法	Conv, FC, Attention	16x
Sparse Engine	稀疏运算	Sparse Conv, Pruned Net	4x
ROI Engine	区域处理	ROI Pooling, Crop	6x
Warp Engine	图像变换	IPM, Undistortion	10x

内存层级优化

Memory Hierarchy Design
┌────────────────────────┐
│ Register File (1KB)     │ < 1 cycle
├────────────────────────┤
│ L1 Cache (512KB)       │ 2-3 cycles
├────────────────────────┤
│ L2 Cache (4MB)         │ 10-20 cycles
├────────────────────────┤
│ On-chip SRAM (8MB)     │ 20-30 cycles
├────────────────────────┤
│ DRAM (4GB LPDDR4)      │ 100+ cycles
└────────────────────────┘

优化策略：
• Tiling：分块计算适应cache
• Prefetch：预取降低延迟
• Fusion：算子融合减少访存

25.4.3 工具链与开发生态

天工开物（Horizon OpenExplorer）平台

地平线的AI开发平台提供完整工具链：

开发流程
┌──────────┐     ┌──────────┐     ┌──────────┐
│模型训练   │────>│模型转换   │────>│模型部署   │
│PyTorch   │     │ONNX→HBM  │     │Runtime   │
└──────────┘     └──────────┘     └──────────┘
     ↓                ↓                 ↓
  训练工具        量化工具          推理引擎
  • HAT         • Calibration    • HRT
  • AutoML      • QAT            • Profiler

模型转换与优化工具

关键功能：

自动量化：PTQ/QAT自动化
图优化：算子融合、常量折叠
性能分析：逐层profiling
精度分析：量化敏感度分析

开发者生态建设

地平线开发者生态
├── 官方Model Zoo
│   ├── 检测模型 (YOLO, CenterNet)
│   ├── 分割模型 (PSPNet, DeepLab)
│   └── BEV模型 (BEVDet, BEVFormer适配版)
├── 开发者社区
│   ├── 技术论坛
│   ├── 开源项目
│   └── 案例分享
└── 培训认证
    ├── 在线课程
    ├── 技术workshop
    └── 认证体系

25.5 商业化落地与客户案例

25.5.1 理想汽车合作深度剖析

理想汽车是地平线最重要的战略客户，双方合作展现了深度绑定：

合作历程

2021.09 - 战略合作协议
2022.02 - 理想L9搭载双J5方案
2022.09 - AD Max量产交付
2023.06 - 理想全系标配地平线方案
2024.01 - 基于J6的下一代平台启动

AD Max技术方案

理想AD Max硬件架构
┌────────────────────────────────┐
│      双征程5计算平台             │
├────────────────────────────────┤
│  J5-A (主芯片)  │  J5-B (冗余)  │
│   128 TOPS     │   128 TOPS    │
├────────────────────────────────┤
│         传感器配置               │
│  • 11个摄像头 (8M像素)          │
│  • 1个前向毫米波雷达             │
│  • 12个超声波雷达               │
└────────────────────────────────┘

算法方案定制

地平线为理想定制的算法栈：

BEV感知网络：
6个环视 + 5个感知相机
200m×100m BEV范围
30FPS实时运行
功能实现：
高速NOA
城市NOA（OTA升级）
AEB Pro（130km/h）
智能泊车

联合优化成果

| 指标 | 业界平均 | 理想AD Max |

指标	业界平均	理想AD Max
感知延迟	150ms	80ms
规控延迟	100ms	60ms
系统功耗	80W	45W
BOM成本	$800	$500

25.5.2 其他主要客户案例

长城汽车 - 毫末智驾合作

合作模式：
地平线J5 + 毫末DriveGPT算法

部署车型：
• 魏牌摩卡
• 魏牌拿铁
• 坦克500

技术特点：
• 城市记忆领航
• 智能躲避
• 拥堵跟车

比亚迪 - 新平台合作

2023年，比亚迪选择地平线J6作为下一代高阶智驾平台：

合作规模：预计年需求>100万片
技术方向：端到端自动驾驶
首发车型：2025年旗舰轿车

大众汽车 - 全球合作

2023.10 大众集团战略投资地平线24亿美元
合作内容：
• 为大众中国提供全栈式解决方案
• 2025年起在ID系列搭载
• 覆盖大众、奥迪、保时捷品牌

25.5.3 量产数据与市场地位

出货量增长曲线

地平线芯片出货量（万片）
      │
  150 ├─────────────────────● 2024E
      │                    ╱
  100 ├──────────────────●─╱ 2023
      │                ╱
   50 ├────────────●─╱ 2022
      │         ╱
   20 ├─────●─╱ 2021
      │   ╱
    5 ├●╱ 2020
      └────────────────────────
       2020  2021  2022  2023  2024E

市场份额分析

2023年中国车载AI芯片市场份额： | 厂商 | 市场份额 | 主要客户 |

厂商	市场份额	主要客户
地平线	28%	理想、长城、比亚迪
英伟达	25%	蔚来、小鹏、奔驰
Mobileye	20%	宝马、福特、吉利
高通	15%	通用、长安、奇瑞
华为	12%	问界、极狐、阿维塔

定点项目统计

截至2024年Q1，地平线累计获得定点项目：

定点项目数：150+
定点车型：覆盖20+品牌，100+车型
预计搭载量：2025年超300万辆

25.6 技术挑战与未来规划

25.6.1 大模型时代的机遇与挑战

端侧大模型部署挑战

随着GPT/LLaMA等大模型在自动驾驶的应用，地平线面临新挑战：

大模型算力需求分析
┌──────────────────────────────┐
│  模型类型    参数量   算力需求  │
├──────────────────────────────┤
│  ViT-L      300M    50 TOPS   │
│  CLIP       400M    80 TOPS   │
│  DriveGPT   1B     200 TOPS   │
│  端到端     2B     400 TOPS   │
└──────────────────────────────┘

挑战：
• 内存墙：带宽成为瓶颈
• 功耗墙：散热设计极限
• 成本墙：先进工艺成本高

地平线的应对策略

技术路线：

模型压缩：8bit/4bit量化，保持精度
稀疏化计算：利用激活稀疏性
KV Cache优化：降低Attention开销
模型分片：多芯片并行推理

J6架构优化：

Transformer加速设计
├─ FlashAttention硬件实现
│  └─ 减少HBM访问90%
├─ Group Query Attention支持
│  └─ 降低KV cache 8x
├─ Mixture of Experts支持
│  └─ 动态激活专家网络
└─ Ring Attention支持
    └─ 多芯片序列并行

世界模型与生成式架构

地平线正在探索下一代生成式自动驾驶架构：

生成式自动驾驶Pipeline
                     ┌──────────┐
Sensors ──────────> │ Encoder  │
                     └──────────┘
                           ↓
                     ┌──────────┐
                     │World Model│
                     │(Diffusion)│
                     └──────────┘
                           ↓
                     ┌──────────┐
                     │ Planner  │
                     └──────────┘
                           ↓
                       Actions

挑战：扩散模型推理开销巨大
方案：定制化扩散加速单元

25.6.2 国产替代战略地位

产业链安全意义

地平线在国产化替代中的战略价值：

自动驾驶芯片依赖度分析
├─ 2020年：>95%依赖进口
│  (Mobileye, NVIDIA, Qualcomm)
├─ 2023年：60%依赖进口
│  (地平线、华为崛起)
└─ 2025目标：<30%依赖进口
   (国产方案成熟)

技术自主可控

地平线的自主创新能力：

芯片架构：BPU完全自主设计
工具链：不依赖国外框架
IP核：关键IP自研或国产
制造：支持国内代工厂

生态系统建设

国产自动驾驶生态圈
      地平线芯片平台
           ↓
    ┌──────┼──────┐
    ↓      ↓      ↓
算法厂商  主机厂  Tier1
• Momenta • 比亚迪 • 德赛西威
• 毫末   • 长城   • 均胜电子
• 元戎   • 理想   • 华域汽车

25.6.3 技术路线图展望

短期规划（2024-2025）

产品迭代：

J5P：J5增强版，150 TOPS
J6量产：支持城市NOA全场景
J6E：经济版，面向15-20万车型

技术重点：

端到端算法适配优化
Transformer专项加速
多模态融合处理

中期规划（2026-2027）

下一代架构 Journey 7
├─ 工艺：5nm/3nm
├─ 算力：>1000 TOPS
├─ 特性：
│  ├─ 原生Transformer架构
│  ├─ 存内计算单元
│  ├─ 光子互连
│  └─ Chiplet设计
└─ 应用：L3+/L4自动驾驶

长期愿景（2028+）

技术方向：

类脑计算：探索脉冲神经网络
量子加速：量子-经典混合计算
3D集成：垂直堆叠架构
软件定义芯片：可重构计算

商业目标：

全球市占率>20%
年出货>1000万片
赋能1亿辆智能汽车

25.6.4 竞争格局与差异化

主要竞争对手分析

| 竞争维度 | 地平线 | 英伟达 | 高通 | 华为 |

竞争维度	地平线	英伟达	高通	华为
算力密度	★★★★	★★★★★	★★★	★★★★
能效比	★★★★★	★★★	★★★★	★★★★
成本控制	★★★★★	★★	★★★	★★★
生态完整	★★★	★★★★★	★★★★	★★★★
本土服务	★★★★★	★★	★★★	★★★★★

核心差异化优势

地平线独特价值主张
┌────────────────────────────┐
│   软硬件协同设计能力         │
│   • 算法团队基因            │
│   • 芯片定制优化            │
│   • 快速迭代响应            │
├────────────────────────────┤
│   成本效率优势              │
│   • BOM成本降低40%         │
│   • 功耗降低50%            │
│   • 开发周期缩短30%        │
├────────────────────────────┤
│   本土化服务能力            │
│   • 深度定制支持            │
│   • 快速问题响应            │
│   • 联合开发模式            │
└────────────────────────────┘

风险与应对

主要风险：

技术风险：大模型架构变革
市场风险：国际巨头价格战
供应链风险：先进工艺产能

应对措施：

持续研发投入（>30%营收）
深度绑定战略客户
多元化供应链布局

25.7 总结与展望

25.7.1 地平线模式的启示

地平线的成功路径为中国自动驾驶产业提供了重要启示：

技术定位精准：聚焦车载边缘计算，不盲目追求通用
软硬协同创新：算法理解深刻，硬件设计精准
商业模式清晰：Tier2定位，赋能而非竞争
本土化优势：快速响应，深度服务

25.7.2 对产业的影响

地平线正在深刻影响中国自动驾驶产业格局：

产业链重构：

打破国外芯片垄断
降低自动驾驶门槛
加速技术普及

技术范式影响：

推动软硬协同设计理念
引领边缘AI计算趋势
定义车载AI芯片标准

25.7.3 未来展望

站在2024年的时间节点，地平线面临历史性机遇：

机遇：

中国汽车智能化浪潮
自主可控需求强烈
端到端技术变革窗口

使命：

成为全球车载AI计算领导者
推动自动驾驶技术民主化
实现中国汽车产业弯道超车

地平线的故事，是中国自动驾驶产业从跟随到引领的缩影。通过芯片算法协同设计的独特路径，地平线不仅实现了技术突破，更重要的是建立了可持续的商业模式。在自动驾驶进入大模型和端到端时代的关键时刻，地平线有望凭借其独特的技术积累和产业理解，在全球竞争中占据一席之地。

注：本章内容基于公开信息整理，部分技术细节可能与实际情况有所出入。