美光：未來汽車將需要300GB的內存

我是芯片超人花姐，入行20年，有50W+芯片行業粉絲。有很多不方便公開發公眾號的，關于芯片買賣、關于資源鏈接等，我會分享在朋友圈。

掃碼加我本人微信

美光 CEO Sanjay Mehrotra 表示，隨著車企推出具備 L4 級自動駕駛能力的車型，汽車最終將需要超過300GB的RAM。據 The Register 報道，梅赫羅特拉是在美光發布季度財報后作出上述表態的。

財報顯示，美光今年第二季度營收達到 238.6 億美元，較 2025 財年第二季度的 80.3 億美元大增 200%。這輪大幅增長，仍主要由 AI 超大規模云廠商對高端 HBM 芯片的強勁需求推動，同時也受益于“結構性供應約束，以及美光在各業務層面的強勁執行力”。

隨著公司從人工智能基礎設施建設中賺取巨額利潤，它還計劃在日本、新加坡以及紐約建設多家晶圓廠，以擴大產能。這些項目預計將于2028年至2029年間投產，美光CEO表示，公司計劃在2026年將產能提升20%，這有望緩解部分供應側壓力。然而，即便這些新工廠開始投產，CEO預測，未來還會出現一個需要大量高速內存的新市場——自動駕駛汽車。

車輛自動駕駛共分為六個等級。其中，L0 指完全沒有任何駕駛自動化功能的汽車；僅配備單一自動化系統（例如定速巡航）的車輛屬于 L1；而那些搭載高級駕駛輔助系統（ADAS）、能夠同時控制轉向和加減速的車輛，例如特斯拉 Autopilot 和凱迪拉克 Super Cruise，則被歸類為 L2。另一方面，具備 L4 級自動駕駛能力的車輛，基本上在諸如超車、判斷何時通過繁忙路口等任務中不需要人工干預。不過，這類車輛仍然會給駕駛者保留接管車輛并手動駕駛的選項。

01

新型汽車架構正在顛覆處理器和內存的選擇

來自輔助駕駛和自動駕駛傳感器的數據激增，以及基于這些數據實時做出決策的需求，正在對車載內存和存儲子系統提出前所未有的要求。

隨著越來越多的機械功能被電子系統所取代，以及車輛智能化水平不斷提高，汽車領域面臨的一些挑戰正在與大型數據中心中的挑戰相呼應。為了讓自動剎車、車道居中、倒車攝像頭圖像處理以及懸架調節等關鍵功能得到優先保障，數據在處理單元和存儲器內部及之間的傳輸必須達到極快的速度。

與此同時，這些車輛還包含一系列關鍵性不同的功能。比如，信息娛樂系統中的某些功能對提醒駕駛員至關重要，而另一些則不是。這里的挑戰在于，既要把整車作為一個單一系統來管理，又要把它看作一個“系統中的系統”，其中某些功能比其他功能擁有更高優先級。而解決這一問題的最佳方式，就是提高帶寬、降低延遲，并且更細致地劃分：哪些部件需要部署在哪些位置、采用哪種制造工藝，以及對應的成本是多少。

西門子 EDA 汽車與軍工航天領域混合物理與虛擬系統副總裁 David Fritz 表示：“當我們談到像具備服務質量保障的 10Gb 車載以太網這類東西時，傳統汽車工程師會說，‘我怎么保證這個信號真的能在 100 毫秒內到達制動系統？’ 我的回答是，‘你看到兩個街區外那棟樓了嗎？如果你拿一根雙絞線以太網線，繞著那棟樓跑一圈，然后再一路拉回這里，那可能也就幾微秒的延遲，而你擔心的卻是毫秒?！?這是因為傳輸速率太高了。即便中間發生某種仲裁，你也有足夠的時間來解決。所以，當系統很忙的時候，我的數據是否還能足夠快地從 A 點到 B 點，這種擔憂基本已經不存在了。而那種關于如何劃分 1.5Mb/s 的 CAN 總線、以確保數據能夠按時到達的顧慮，也就隨之消失了。這就是兆比特和千兆比特之間的差別?！?/p>

這會對整車設計產生很大影響。Fritz 說：“如果你要把一個高優先級數據包從網絡中的 A 點發到 B 點，而網絡又非常繁忙，因為它正在傳輸一個視頻幀——而如今有些 OEM 在車外裝了 16 個、20 個攝像頭——你就會希望盡可能在車輛邊緣附近處理這些數據。這樣可以降低帶寬需求。

中國 OEM 明白，如果他們一次性發送來自 20 個高分辨率攝像頭的數據，即便發生碰撞，系統仍能處理數據、存儲幀圖像，并通過AI進行分析。他們能夠快速把數據喂給 AI 算法，因為現在他們擁有大量 SoC，延遲是納秒級甚至皮秒級；而競爭對手只有幾個 ECU，如果運氣好，這些獨立 ECU 之間也不過只有幾兆比特的通信通道。歸根到底，就是要像設計 SoC 一樣去設計一輛車。”

這也使汽車制造商能夠使用多種處理單元和存儲器，把重點放在真正需要最高性能的地方，同時考慮哪些地方可以降配、不同功能需要多少能耗，以及整體成本會是多少。

Imagination Technologies 高級產品經理 Amir Kia 表示：“傳統上，這些功能依賴 MPU 或 DSP，但現在人們越來越有興趣在其中一些任務中利用 GPU。比如，在座艙信息娛樂和車載顯示的場景下，很多公司已經在使用 GPU。開發者意識到，GPU 的靈活性使其能夠高效處理計算和圖形任務。他們并不想再集成額外的加速器，而是看到通過擴展現有 GPU 的能力來管理信息娛樂并增強計算性能的價值，從而減少系統開銷。這種轉變也為在這些系統中使用更小的 MPU、或盡量減少對 DSP 的依賴，創造了機會?！?/p>

02

邁向軟件定義的汽車

對于汽車制造商來說，這些變化中的許多都是基礎性的，而它們直到過去十年才開始把重心從 ECU（電子控制單元） 轉向軟件定義的方法。這樣做的好處是，不同系統和子系統可以像 SoC 中的模塊一樣被設計出來，然后在任何合理的位置、以任何合理的方式進行融合。反過來，這也使得確定哪里需要多少帶寬、需要多大內存容量、哪種內存更適合哪一處，以及哪些數據優先級最高，變得更加容易。

Kia 表示：“所有人都在努力轉向更加集中式的架構。我們現在使用了很多分布式 ECU，而我們希望轉向更集中的基礎設施。一些客戶的平臺計算量非常大，因此會有很多來自傳感器和顯示系統的實時數據。有的客戶有 6 個攝像頭，另一些有 8 到 12 個攝像頭，而且都在同時傳輸。所以系統內部會有大量高速的數據交換，他們正試圖把這一切整合到一顆 SoC 中來處理?！?/p>

軟件定義汽車與一組功能專用的 ECU 完全不同。雖然不同系統必須按要求完成各自的功能，但這類車輛中的中央邏輯還能夠實時做出涉及多個系統的決策。不過，要做到這一點，必須讓正確的數據可被獲取，這樣系統才能據此采取行動。

Rambus 硅 IP 業務發展總監 Adiel Bahrouch 表示：“高分辨率傳感器、AI 加速器以及安全關鍵型負載都會匯聚到共享內存和存儲子系統上，如果沒有足夠的帶寬，這些子系統很快就會成為性能瓶頸。如果內存不能足夠快地為計算引擎提供數據，芯片利用率就會下降，延遲會上升，這會直接影響安全性和用戶體驗。一個分層的內存和存儲體系——從超高速片上存儲到大容量持久化存儲——能夠確保每一種工作負載都在帶寬、延遲、容量和成本之間獲得恰當平衡，最終實現安全、響應迅速且功能豐富的車輛。”

隨著這些架構變化重塑汽車行業，內存技術的選擇變得越來越重要。美光科技產品與系統副總裁 Michael Basca 指出：“當你從 L3 進展到 L4 以及更高等級時，模型的復雜性、精細程度和效率仍然是 OEM 關注的重點。我們都見過一些無人出租車在某些交通場景中卡住，所以很顯然，我們還沒有達到模型能夠處理各種極端邊際情況的程度。至少從存儲側來看，在未來一段時間里，這些模型很可能還會繼續變大，而要變得更高效，則是更遠期的事情。”

從更細的層面看，電動車采用哪種內存，取決于響應時間有多關鍵、目標市場細分，以及車輛的動力來源。在純電動汽車中，跑得更遠就是一種競爭優勢，而把更少的電花在數據搬運上可以延長續航。因此，盡管 GDDR 容量更大，但對某些功能來說，LPDDR6 或許已經足夠。

Cadence 硅解決方案事業群總監 Frank Ferro 表示：“LPDDR 內存最初流行起來，是因為它提供了比 DDR 更高的帶寬。最初的 LPDDR4 大約是 4Gb/s。但到了 LPDDR6，我們已經一路提升到了 14.4Gb/s 的內存帶寬。

這是第一點——你獲得了很大的帶寬，低功耗當然也同樣重要。另一點是，它還能提供更大的內存容量。LPDDR6 的容量不像 DDR 那么大，但在汽車應用中，隨著我們進入 ADAS （高級駕駛輔助系統）和 AI 推理階段，容量正在變得非常重要。LPDDR6 在內存容量和內存帶寬之間提供了一種平衡，看起來在汽車領域滿足了很多需求。”

不過，L4 和 L5 級自動駕駛會讓這個等式多出一些新的變量。Synopsys 嵌入式存儲 IP 首席產品經理 Daryl Seitzer 表示：“為了支持高級功能而提高片上內存容量和帶寬，主要權衡在于芯片面積和功耗的增加，這會影響熱管理和可靠性。設計人員必須在性能要求與能耗、面積約束之間取得平衡，通常會借助低電壓運行和架構優化?！?/p>

圖 1：ADAS 帶寬需求。來源：Micron Technology

此外，隨著車內語言模型變得越來越復雜，廠商會發現自己需要更大的內存容量和更高的帶寬，同時還要努力在這與成本之間找到平衡。Ferro 表示：“以特斯拉為例，你可能會發現 4 顆 LPDDR 內存。他們原本想的是，‘我們可以少用一點 GDDR，’ 但現在他們在容量上使用的量其實是一樣的，所以很多客戶都在考慮轉向 LPDDR6，因為他們現在需要這種容量，以及 LPDDR 的其他好處?！?/p>

高帶寬內存，也就是通過硅通孔連接的堆疊式 DRAM，由于涉及 TSV 和振動方面的可靠性問題，目前尚無法應用于汽車領域。但由于對高性能內存的需求日益增長，在某些情況下甚至會以犧牲低成本內存選項為代價，因此它肯定已經進入了一些公司的視野。

Yole Group 汽車半導體首席分析師 Yu Yang 表示：“存儲行業高度集中，少數領先廠商占據著壟斷地位，而產能還要與所有其他行業共享。因此，對于那些有志于轉型的 OEM 來說，理解存儲行業相當關鍵。一個相對較新的例子是，過去幾個月 DDR4 內存價格大幅飆升，原因在于 AI 需求、產能轉移，或者分銷渠道中的投機行為。”

根據 Yole Group，目前汽車應用中的內存類型及用途包括：

● DRAM（LPDDR4/5、GDDR6）：用于 ADAS 域控制器、中央計算、智能傳感器和數字座艙 SoC；

● NAND 閃存；

● eMMC/UFS：用于信息娛樂、車聯網和 ADAS 軟件存儲；

● NVMe SSD：用于新興的 L3+ 自動駕駛計算，以及 EDR/DSSAD 存儲；

● SLC NAND：用于車聯網、射頻模塊和高耐久日志；

● NOR 閃存：用于 ADAS 傳感器、網關、區域控制器和 MCU 中的啟動及安全代碼；

● 其他非易失性存儲器（EEPROM、FRAM、nvSRAM）：用于校準數據、配置參數以及低密度事件日志。

一個通用經驗法則是：DRAM 用于計算，NAND 用于數據，NOR 用于代碼。

03

其他內存類型

DRAM 正變得越來越快，而 SRAM 仍然是追求最高性能時的首選內存。不過，其他類型的內存也開始逐步進入汽車應用。

Synopsys 的 Seitzer 表示：“SRAM 支持實時計算任務，而 MRAM 和 RRAM 提供高密度、低功耗和持久化存儲，因此非常適合 OTA 更新、數據記錄和配置保持。這些內存選擇滿足了汽車行業在最佳功耗效率、性能和可靠性方面的需求?！?/p>

此外，一些數據可以先在車內進行預處理并本地存儲，然后再發送到云端，用于那些對時間不那么敏感的任務，例如分析車輛行為，或在車隊中更新地圖變化。

Cadence Tensilica 產品組汽車業務產品市場與管理總監 Amit Kumar 表示：“這些數據不會立刻上傳到云端，而是會先存儲數小時甚至一天，具體取決于使用的是哪家云服務商（AWS、Microsoft Azure、Google Cloud）。這類數據流通常會先在車內累積，然后在數據倉庫中進行結構化分析?！?/p>

閃存對此尤其有用。Seitzer 說：“閃存（非易失、長期）仍然廣泛用于 ECU 和中央控制器中。非易失性存儲在車輛整個壽命周期內都能保留數據，為固件、日志和安全資產提供持久化存儲。訪問片外數據時，會利用 eMMC、UFS 以及面向高帶寬應用的 PCIe 等接口。安全性則通過加密、認證以及符合汽車安全標準來確保?！?/p>

每家 OEM 都會根據各種可選方案和目標市場，來決定自己的內存和存儲架構。

Keysight EDA 軟件定義汽車業務線產品經理 Carrie Browen 表示：“來自車外攝像頭、以及在啟用時來自車內攝像頭的錄像，可用于‘車隊學習’，以改進自動駕駛輔助和完全自動駕駛功能。這些通常是與安全事件相關的短視頻片段，例如碰撞或安全氣囊彈出。比如特斯拉就描述了不同的數據類別，例如用于訓練和優化駕駛輔助與導航功能的 ‘Autopilot Analytics & Improvements’ 和 ‘Road Segment Data Analytics’。有些數據，比如行車記錄儀畫面和哨兵模式存儲（用于監控停放車輛周圍是否有威脅），除非你明確啟用共享，否則是在車內本地處理的。實際中，數據一部分存儲在車輛上，一部分則存儲在特斯拉控制的數據中心及其合作伙伴設施中，用于 AI 訓練、服務和支持運營?！?/p>

如今，高速 DRAM 通常被用作近計算內存，而閃存和其他非易失性存儲選項則提供數據備份和冗余。但這些界線開始變得模糊。

Browen 表示：“未來的架構將通過使用更多混合內存層級來獲得更大的靈活性，在單個模塊或封裝中整合傳統 DRAM 和閃存。對于用于 AI 改進的攝像頭和傳感器數據，標注和審查工具允許授權員工和承包商查看短片和圖像，以標注物體和駕駛場景。過去關于標注操作的媒體報道描述了此類界面，但并沒有披露其確切的技術架構。”

04

結論

汽車正在變成復雜的“系統中的系統”，其中集成了越來越多的內存與處理單元，以及越來越新的數據傳輸和存儲方式。

Keysight EDA 內存解決方案項目經理 Randy White 表示：“車內計算需求，包括信息娛樂和 ADAS，正越來越需要更高的內存帶寬和更大的容量。與基于云的處理相比，車內本地推理所帶來的低延遲，能夠確保實時處理以及關鍵任務時序?！?/p>

這些都只是通向完全自動駕駛路上的墊腳石。考慮到這項技術的發展軌跡，那一天很可能不會太遙遠。

我是芯片超人花姐，入行20年，經手10億+RMB芯片采購。

原創寫了9年文章，有50W+芯片行業粉絲。

有很多不方便公開發公眾號的

關于芯片買賣、關于資源鏈接等

我會分享在朋友圈

掃碼加我本人微信

來源：內容由芯世相（ID：xinpianlaosiji）編譯自「 semiengineering 」，作者： Ann Mutschler

點擊查看往期內容

將芯世相設為“星標”，第一時間收獲最新推送

求喜歡