|
시장보고서
상품코드
2139019
물리 AI가 자율주행 업그레이드를 촉진 : 3가지 효율화 요인이 AI 액셀러레이터의 수요를 촉진Physical AI Drives Autonomous Driving Upgrade; Three Efficiency Factors Lift AI Accelerator Demand |
||||||
엔드투엔드 자율주행이 주류 기술로 자리 잡으면서, 자율주행 시스템에서 물리 AI가 창출하는 추론 수요가 자동차용 시스템 온 칩(SoC)의 설계를 재구성하고 있습니다.
요약
엔드투엔드 자율주행이 주류 기술 노선이 되면서, 자율주행 시스템 내에서 물리 AI가 창출하는 추론 수요가 결국 자동차용 시스템 온 칩(SoC)의 설계를 재구성하고 있습니다. DIGITIMES는 AI 시대의 주요 자동차용 SoC 지표를, 기반이 되는 하드웨어 사양, 중간 계층의 효율성 및 성능, 그리고 상위 계층의 솔루션 호환성을 축으로 정리한 3×3 매트릭스를 차세대 자동차용 SoC 솔루션의 평가 프레임워크로 제시하고 있습니다. DIGITIMES는 AI 가속기가 차세대 자동차용 SoC의 연산 코어가 되어, 자율주행 시스템에서 AI 추론에 요구되는 ‘저지연’, ‘저전력 소비’, ‘메모리 병목 현상 완화’라는 요건을 충족시킬 것으로 보고 있습니다.
AI 진화의 3가지 단계에 대해 전 세계 업계의 합의가 점차 형성됨에 따라 각 단계의 기반이 되는 엔지니어링, 핵심 태스크 및 주요 지표에도 관심이 쏠리고 있으며, 이에 따라 하드웨어 요구 사항도 달라집니다. ‘에이전트형 AI’ 단계에서는 AI 시스템이 추론뿐만 아니라 작업 스케줄링이나 툴 호출 등의 보조 작업도 처리해야 하므로 중앙처리장치(CPU)의 연산 능력에 의존하게 되며, 이것이 CPU 수요를 지원하고 있습니다. 향후 ‘물리 AI’를 전망해 보면, AI 시스템은 다양하고 변화하는 물리적 환경에서 실시간으로 정확한 추론을 수행해야 합니다. DIGITIMES는 신경망 처리 장치(NPU)가 물리 AI 개발의 주요 연산 코어가 될 것으로 보고 있습니다.
이 보고서에서는 물리 AI의 진화가 자동차용 SoC 설계에 어떤 영향을 미치고 있는지, 또한 Nvidia, Qualcomm, Mobileye와 같은 주요 벤더들이 제공하는 사양에 대해 해설하고 있습니다.
목차
서론
AI 컴퓨팅 아키텍처의 진화
- 그림 1 : 컴퓨터 코어 프로세서의 분류와 AI의 진화에서 3 단계의 개요
- 그림 2 : AI 개발의 각 단계에서 CPU, GPU, NPU의 역할 분담
- 그림 3 : NPU 연산 코어 구성식과 칩 설계 참조 아키텍처
AI 추론이 자동차용 SoC의 설계 변경을 촉진
- 그림 4 : 엔드 투 엔드 자율주행 아키텍처 설계와 기술의 진화
- 그림 5 : FSD 칩 아키텍처와 2.0 업그레이드 사양
- 그림 6 : FSD NPU 칩의 설계 아키텍처와 FSD 에너지 효율
AI 세대 자동차용 SoC에서 평가 지표와 솔루션 설계
- 그림 7 : AI 세대 자동차용 SoC에서 주요 평가 지표 리스트와 주요 벤더
- 그림 8 : Nvidia Drive Thor의 설계 레퍼런스 아키텍처와 사양
- 그림 9 : Qualcomm Snapdragon Ride Elite의 설계 레퍼런스 아키텍처 및 사양
- 그림 10 : Mobileye EyeQ 7 H의 설계 레퍼런스 아키텍처 및 사양
- 그림 11 : 이종 컴퓨팅 SoC의 설계 레퍼런스 및 연산 유닛 태스크 할당
요약
- 그림 12 : 자율주행 기술의 변천이 자동차용 SoC의 설계에 미치는 영향의 개요
End-to-end autonomous driving has become the mainstream technology path, and the inference demand created by Physical AI in autonomous driving systems is, in turn, reshaping automotive system-on-chip (SoC) design.
Abstract
End-to-end autonomous driving has become the mainstream technology path, and the inference demand created by Physical AI in autonomous driving systems is, in turn, reshaping automotive system-on-chip (SoC) design. DIGITIMES presents a 3x3 matrix of key automotive SoC indicators for the AI era, organized around underlying hardware specifications, mid-layer efficiency performance, and upper-layer solution compatibility, as an evaluation framework for next-generation automotive SoC solutions. DIGITIMES believes that the AI accelerator will become the compute core of next-generation automotive SoCs, meeting the low-latency, low-system-power, and low-memory-bottleneck requirements of AI inference in autonomous driving systems.
As global industry consensus gradually forms around the three stages of AI evolution, attention is also shifting to the underlying engineering, core tasks, and key metrics for each stage, with hardware requirements differing accordingly. In the Agentic AI stage, AI systems must handle not only inference but also auxiliary tasks such as task scheduling and tool calling, so they rely on the compute strengths of the central processing unit (CPU), which is supporting demand for CPUs. Looking ahead to Physical AI, AI systems will need to perform real-time, accurate inference in diverse and changing physical environments. DIGITIMES believes the neural processing unit (NPU) will become the main compute core for Physical AI development.
This report covers how physical AI evolution is impacting automotive SoC design and the specifications offered by major vendors such as Nvidia, Qualcomm, and Mobileye.
Table of Contents
Introduction
Evolution of AI compute architecture
- Chart 1: Overview of computer core processor categories and the three stages of AI evolution
- Chart 2: Role division among CPU, GPU, and NPU across AI development stages
- Chart 3: NPU compute core equations and chip design reference architecture
AI inference drives automotive SoC design changes
- Chart 4: End-to-end autonomous driving architecture design and technology evolution
- Chart 5: FSD chip architecture and 2.0 upgrade specifications
- Chart 6: FSD NPU chip design architecture and FSD energy efficiency
Evaluation metrics and solution design for AI-generation automotive SoC
- Chart 7: Key metrics grid and major vendors for AI-generation automotive SoC
- Chart 8: Nvidia Drive Thor design reference architecture and specifications
- Chart 9: Qualcomm Snapdragon Ride Elite design reference architecture and specifications
- Chart 10: Mobileye EyeQ 7H design reference architecture and specifications
- Chart 11: Heterogeneous computing SoC design reference and compute unit task allocation
Summary
- Chart 12: Overview of how autonomous driving technology transitions impact automotive SoC design
