--关注、星标、回复“40429”--

↓↓领取：《汽车驾驶自动化分级》（GB/T 40429-2021）↓↓

芯片的成本可以分为裸晶制造、封装、流片、研发（包括外购IP）四个主要部分。其中：

裸晶制造主要是在晶圆代工厂生产芯片并做KGD测试；

封装是指裸晶生产完毕送到封装厂进行测试后封装；

流片是芯片设计公司第一次验证性质的生产，把电路转刻到光罩（又叫掩膜），从RTL网表到芯片，芯片流片过程至少持续三个月（包括原料准备、光刻、掺杂、电镀、封装测试），一般要经过1000多道工艺，生产周期较长，因此也是芯片制造中最重要最耗钱的环节，并且这个费用是一次性的，如果流片失败，还需要重新来过，费用翻倍；

研发成本中很大一项是外购IP，一般是ARM的架构IP，大公司是彻底买断，小公司则是买一个License，每做一个芯片就要买一个License。

封测包括封装和测试，车载芯片为了通过AEC-Q100，封装成本较其他芯片要高，功率越高，封装成本越高，大概能占到芯片制造成本的40%，再加上大约10%的测试以及物流，合计封装成本占到芯片制造成本的一半。顺便说一下，全球最大的汽车芯片封装厂家是AMKOR，2022年其汽车领域收入达29亿美元。

数据来源：台积电

上表是台积电的晶圆代工到芯片的成本分析，三星的代工价格会比这个低得多。对芯片来说，芯片面积即Die Size是与成本关联度最高的指标。

Die Size越大，每片12英寸晶圆切割的数量就越少，而每片12英寸晶圆的成本是固定的，同时Die Size超过800平方毫米后，良率会迅速下降，成本会大幅度增加。

Die Size主要取决于制造工艺，制造工艺越先进，晶体管密度就越高，同样晶体管数量成本就低，但是进入5纳米后晶圆成本的上涨抵消了密度提高带来的红利，成本不仅没有降低，反而略有上涨，另一方面也取决于芯片厂家的设计，比如GPU和FPGA，因为单元（cell）规整程度很高，很难做线路优化，同样密度下Die Size会远比传统SoC要大。

目前，自动驾驶芯片主要有高通的SA8540P+SA9000B，英伟达的Xavier、Orin和Thor，特斯拉的一代和二代FSD。

高通的SA8540P+SA9000B，即高通Ride 3.0平台。

图片来源：高通

高通Ride 3.0版，内部代号Cetus。图上可以看出开发平台有16路摄像头输入，12路车载百兆以太网输入，4路车载千兆以太网输入。高通Ride3.0参考硬件包括Cetus V1主板，MCU为英飞凌TC397，MakenaAU SIP承载卡即SA8540P的承载卡，Qranium卡即SA9000P。GMSL的摄像头输入板，对应安森美AR231摄像头，带散热器的PCIe交换器板，基于英特尔芯片的视频卡，千兆以太网卡。基础软件包括Ubuntu 20.04，QNX的SDP 7.1.0，QNX PCIe交换库，高通英飞凌AURIX 2.0.8，高通CDT即QDrive 3.0，还有高通QDrive ES4.3。高通平台使用CDT（Configure Data Table）来存储平台信息和内存参数，CDT默认以数组方式存放在boot_images的源文件中，并最终编译到sbl1中；CDT也可以保存到UFS或eMMC中，在启动过程中加载。

根据https://www.volza.com/p/hsn-code-90304000/export/中进出口代码的判断10 PW172 011S DTP TOP ASSEMBLY ADP STAR KIRKWOOD MAIN CARD V2 SA8295P-SA8540P MAKENAAU V1 PMM8295AU V1 RCM DESIGNING TE，基本上可以确定高通的SA8540P与SA8295P相差无几，两者的ADP即汽车开发平台属同一个名称下，MakenaAU也对应了高通Ride 3.0板中的MakenaAU。两者又都是5纳米工艺。

图片来源：毫末智行

单颗SA8295P的CPU算力也是200k DMIPS，不难推断，SA8295P与SA8540P基本相差无几。

根据https://www.phoronix.com/news/Qualcomm-QAIC-Cloud-Accelerator，AI100和SA9000P的Linux驱动完全一致，不难推断两者差别很小，高通也仅有这一款加速器，于2021年下半年量产。谷歌搜索qranium qualcomm，头条也是高通的AI100。

图片来源：高通

高通AI100有多个版本，主要差别是内核数量和SRAM。顶配采用16核设计，每核配备9MB的SRAM，SA9000P也是144MB的SRAM，可能为了降低功率，频率有所降低，AI100频率是2.1GHz，SA9000P可能降低至1.9或2.0GHz，算力也略微降低至360TOPS。在高通开发平台介绍中，参考硬件的算力只有200TOPS，可能是8核设计。SA9000P实际也有两个版本，高配版为SA9000P-B，低配版为SA9000P-A，算力就是200TOPS。

高通开发硬件平台的PCIe连接，两片SA8540P的载板（与SA8195P/SA8295P载板一致）与SA9000连接，同时还有M.2 SSD接口（就是实际上车的UFS）和万兆车载以太网。核心元件是Microchip的PCIe交换机，型号为PM43028B1-F3EI，价格比较高，约100美元一片，比SA8155P还贵。

SA8295的公开信息是有的。

SA8295P的车载开发平台，图片来源：高通

根据SA8295P的公开介绍，可以发现SA8295P与高通笔记本电脑用的8cx Gen3代完全一致，仅在NPU上算力略高1TOPS，是30TOPS。

下图是有关高通8cx Gen3的介绍。

图片来源：推特

这个与高通手机用的骁龙888比较接近，骁龙888采用5nm制程，1 * 2.84GHz Cortex X1，3 * 2.4GHz Cortex A78，4 * 1.8GHz Cortex A55，8cx Gen3、SA8295、SA8540P是4个2.84GHz Cortex X1，4个1.8GHz Cortex A55，SA8295少了5G Modem，但它是4个X1超大核，NPU和GPU也略强，因此Die Size与骁龙888应该没差别，甚至可能更大。

根据SA9000P-B的算力以及高达144MB的SRAM缓存，估计其成本大约在250-300美元。

图片来源：特斯拉

上图是特斯拉第一代FSD芯片，采用三星14纳米工艺，流片成本估计不高，1000万美元左右，有60亿晶体管，260平方毫米，这在当时算是很大的芯片了。假设FSD生命周期内出货量为100万片，每片分摊流片成本大约10美元，估计FSD一代芯片包括购买IP的开发成本2亿美元，每片分摊成本为200美元。晶圆制造成本大约20美元每片，车载封测成本比较高，大概占晶圆制造的一半，也就是10美元，合计240美元，如果出货量为50万片，那成本就大幅增至440美元，所以特斯拉不急着推HW4.0。

图片来源：特斯拉

7纳米芯片一次性流片成本大约3000万美元，也就是大约2亿人民币。如果二代FSD出货量达到10万片，每片分摊的成本大约300美元；出货量30万片的话，每片分摊成本100美元；出货量100万片，每片分摊的成本大约30美元。其die尺寸看起来与英伟达Orin差不多，估计晶圆制造成本和封装成本为150美元。特斯拉2022年销量131万辆，按FSD选装率20%计算，按30万套计算，研发成本按900万美元，每片分摊30美元，成本大约为280美元；如果15万片的出货量，那么成本大概是410美元；如果10万片的话，那么成本是540美元。

二代FSD代工应该还是三星，三星的报价只有台积电的1/3甚至1/4，这也是台积电的营业利润率是三星5倍的主要原因。选择三星就不大可能选择不成熟的5纳米工艺，应该还是成熟的7纳米工艺，2023年中期，在特斯拉家门口的三星德州仪器奥斯汀厂就能量产7纳米芯片了。

英伟达芯片Die Size一向很大，即将在2025年量产的Thor有770亿个晶体管，面积估计有800平方毫米。英伟达的A100，有540亿个晶体管，面积有826平方毫米，不过是台积电7纳米工艺制造的，GH100是台积电4纳米工艺，有800亿个晶体管，面积有814平方毫米。

图片来源：英伟达

高通和英伟达都有分摊研发成本的办法，高通有庞大的手机芯片出货量，可以共用很多IP，按骁龙888出货量2500万片计算，流片成本就几乎可以忽略不计算，研发成本也可以分摊到很低。英伟达的Thor与英伟达GH100共用大部分IP，研发成本可以大幅度降低，GH100主打服务器领域，ChatGPT让30万美元一台的DGX-H100供不应求，里面主要的芯片就是GH100。

图片来源：中航证券

先进制程对应的开发成本，这里只是大概估计，软件的成本非常难以估计，各种芯片之间差异巨大，上图主要是说明先进工艺很贵，这里的Verification可能指的是流片，因为IC设计公司用EDA工具做验证几乎不花什么成本。5纳米流片的成本大概5000万美元，3纳米估计1亿美元。

主要自动驾驶芯片成本分析，数据来源：各公司资料及作者估算

英伟达和高通的芯片毛利率都很高，英伟达毛利率达65%，而高通整体毛利率为58%，不过专利授权部门的毛利率是超过70%的，估计芯片的毛利率大概是50%，这个成本未计入分摊流片的成本。当然价格和采购量也关系很密切，这里价格仅供参考。除此之外，都按100万片的生命周期出货量分摊成本。

转载自佐思汽车研究，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。

-- END --