L4级无人驾驶的大规模普及面临诸多挑战，其中计算平台是一个关键瓶颈。即使乐观估计，L4级无人驾驶可能还需要5年以上的时间才能实现量产。

典型的L4级无人驾驶计算平台通常包含两套几乎相同的系统，每套系统都包括CPU、GPU以及多种加速器。为了连接多个加速器，需要使用昂贵的PCIe交换机。此外，为了与线控底盘对接，还需使用符合ASIL-D标准的MCU，常见的选择有英飞凌的TC297/397、瑞萨的RH850和NXP的MPC574X系列。

以太网交换机是计算平台的核心组件。例如，Marvell的88E6321通过其以太网物理层88E1512与两个CPU（如英伟达的Tegra Parker）相连。Tegra Parker配备了一个外置GPU加速器，并通过以太网交换机连接到次要传感器和底盘控制MCU（如英飞凌的TC297T），这些都是关键部件。Marvell的88Q5050作为88E6321的升级版本，被应用于英伟达最新的旗舰Pegasus平台，这标志着车载以太网标准TSN的首次实际应用。

CPU主要用于标量计算，例如路径规划和决策算法。某些激光雷达采用ICP点云配准算法，而CPU在这方面比GPU更具优势。常见的传感器融合算法如卡尔曼滤波也多为标量运算。GPU则擅长矢量或向量计算，包括高精度地图制作和传统视觉算法。矩阵运算是卷积运算的核心，也是人工智能运算的基础。简单来说，标量可以视为零阶张量，矢量是一阶张量，而矩阵则是二阶张量。FPGA因其固有的并行结构，在处理矢量和矩阵运算方面表现出色，尤其适合高阶张量的运算。

对于CPU，建议选用算力超过200K DMIPS的产品。ARM设计的Cortex-A76AE适合L4级应用，推荐配置为16核设计，但由于车规级要求，运行频率不宜过高，预计最高不超过2.2GHz，甚至可能是1.8GHz。这样算力可达到250K DMIPS左右，保守估计为200K DMIPS。AI部分主要负责推理任务，通常使用INT8精度。如果重视摄像头，则需要至少20TOPS的算力；若更关注激光雷达，则4TOPS的算力已足够。

以下是几种常见或有潜力成为无人驾驶计算平台的芯片对比：

EyeQ5的CPU性能较弱，只有52K DMIPS，但在英特尔的支持下，其Atom 3900系列SoC能够提供约50K DMIPS的算力。然而，该系列已有6年未更新，预计2020年会有新版本。

Xavier的表现较为全面，CPU算力为137K DMIPS，但仍不及格。高通的SA8155P是基于骁龙855的车规版，采用7纳米工艺，包含4个A76和4个A55内核。即使A76全速运行，算力也难以超过130K DMIPS。特斯拉的AI性能强劲，但其12个A72内核最多也只能提供150K DMIPS的算力，且成本较高。

相比之下，Xilinx的Versal AI Core在AI算力方面具有明显优势，最低可达49TOPS。这款全球首款7纳米FPGA，被称为Adaptive Compute Acceleration Platform (ACAP)，结合了CPU和GPU（DSP）的高效应用场景，可以适应多种计算需求。

ACAP集成了两个A72内核用于标量计算，每个内核有48KB/32KB的一级缓存和1MB的二级缓存，远高于传统ASIC。此外，还有Cortex-R5双核保证实时任务的可靠执行，以及AI和DSP引擎。AI引擎的数量从128到400不等，DSP引擎则从928到1968不等。ACAP还包括完整的片上网络，包含两个以太网接口、一个USB 2.0、两个UART、两个SPI、两个I2C以及两个专门为汽车行业设计的CAN-FD接口。其逻辑单元最高可达200万个，足以媲美服务器级CPU。

Xilinx Versal AI Core旗舰型号VC1902使用了370亿个晶体管，即使是最低级别的VC1352也含有50亿个晶体管。相比之下，英伟达的Tesla V100和Xavier分别使用了212亿和90亿个晶体管。考虑到7纳米产能紧张且FPGA裸晶面积较大，价格可能高达1500美元起。尽管如此，ACAP的主要市场仍集中在数据中心、5G基站和航天航空雷达领域，但在汽车领域，单片ACAP即可满足L4级无人驾驶的计算需求。

综上所述，虽然FPGA在灵活性和算力方面具有显著优势，但对于初创公司而言，直接开发AI芯片并非明智之举。初创公司应优先考虑算法研发，待企业发展壮大后再考虑芯片制造。