美光：未来汽车将需要300GB的内存|dram|gpu|内存价格|汽车|美光科技|闪存

我是芯片超人花姐，入行20年，有50W+芯片行业粉丝。有很多不方便公开发公众号的，关于芯片买卖、关于资源链接等，我会分享在朋友圈。

扫码加我本人微信

美光 CEO Sanjay Mehrotra 表示，随着车企推出具备 L4 级自动驾驶能力的车型，汽车最终将需要超过300GB的RAM。据 The Register 报道，梅赫罗特拉是在美光发布季度财报后作出上述表态的。

财报显示，美光今年第二季度营收达到 238.6 亿美元，较 2025 财年第二季度的 80.3 亿美元大增 200%。这轮大幅增长，仍主要由 AI 超大规模云厂商对高端 HBM 芯片的强劲需求推动，同时也受益于“结构性供应约束，以及美光在各业务层面的强劲执行力”。

随着公司从人工智能基础设施建设中赚取巨额利润，它还计划在日本、新加坡以及纽约建设多家晶圆厂，以扩大产能。这些项目预计将于2028年至2029年间投产，美光CEO表示，公司计划在2026年将产能提升20%，这有望缓解部分供应侧压力。然而，即便这些新工厂开始投产，CEO预测，未来还会出现一个需要大量高速内存的新市场——自动驾驶汽车。

车辆自动驾驶共分为六个等级。其中，L0 指完全没有任何驾驶自动化功能的汽车；仅配备单一自动化系统（例如定速巡航）的车辆属于 L1；而那些搭载高级驾驶辅助系统（ADAS）、能够同时控制转向和加减速的车辆，例如特斯拉 Autopilot 和凯迪拉克 Super Cruise，则被归类为 L2。另一方面，具备 L4 级自动驾驶能力的车辆，基本上在诸如超车、判断何时通过繁忙路口等任务中不需要人工干预。不过，这类车辆仍然会给驾驶者保留接管车辆并手动驾驶的选项。

新型汽车架构正在颠覆处理器和内存的选择

来自辅助驾驶和自动驾驶传感器的数据激增，以及基于这些数据实时做出决策的需求，正在对车载内存和存储子系统提出前所未有的要求。

随着越来越多的机械功能被电子系统所取代，以及车辆智能化水平不断提高，汽车领域面临的一些挑战正在与大型数据中心中的挑战相呼应。为了让自动刹车、车道居中、倒车摄像头图像处理以及悬架调节等关键功能得到优先保障，数据在处理单元和存储器内部及之间的传输必须达到极快的速度。

与此同时，这些车辆还包含一系列关键性不同的功能。比如，信息娱乐系统中的某些功能对提醒驾驶员至关重要，而另一些则不是。这里的挑战在于，既要把整车作为一个单一系统来管理，又要把它看作一个“系统中的系统”，其中某些功能比其他功能拥有更高优先级。而解决这一问题的最佳方式，就是提高带宽、降低延迟，并且更细致地划分：哪些部件需要部署在哪些位置、采用哪种制造工艺，以及对应的成本是多少。

西门子 EDA 汽车与军工航天领域混合物理与虚拟系统副总裁 David Fritz 表示：“当我们谈到像具备服务质量保障的 10Gb 车载以太网这类东西时，传统汽车工程师会说，‘我怎么保证这个信号真的能在 100 毫秒内到达制动系统？’ 我的回答是，‘你看到两个街区外那栋楼了吗？如果你拿一根双绞线以太网线，绕着那栋楼跑一圈，然后再一路拉回这里，那可能也就几微秒的延迟，而你担心的却是毫秒。’ 这是因为传输速率太高了。即便中间发生某种仲裁，你也有足够的时间来解决。所以，当系统很忙的时候，我的数据是否还能足够快地从 A 点到 B 点，这种担忧基本已经不存在了。而那种关于如何划分 1.5Mb/s 的 CAN 总线、以确保数据能够按时到达的顾虑，也就随之消失了。这就是兆比特和千兆比特之间的差别。”

这会对整车设计产生很大影响。Fritz 说：“如果你要把一个高优先级数据包从网络中的 A 点发到 B 点，而网络又非常繁忙，因为它正在传输一个视频帧——而如今有些 OEM 在车外装了 16 个、20 个摄像头——你就会希望尽可能在车辆边缘附近处理这些数据。这样可以降低带宽需求。

中国 OEM 明白，如果他们一次性发送来自 20 个高分辨率摄像头的数据，即便发生碰撞，系统仍能处理数据、存储帧图像，并通过AI进行分析。他们能够快速把数据喂给 AI 算法，因为现在他们拥有大量 SoC，延迟是纳秒级甚至皮秒级；而竞争对手只有几个 ECU，如果运气好，这些独立 ECU 之间也不过只有几兆比特的通信通道。归根到底，就是要像设计 SoC 一样去设计一辆车。”

这也使汽车制造商能够使用多种处理单元和存储器，把重点放在真正需要最高性能的地方，同时考虑哪些地方可以降配、不同功能需要多少能耗，以及整体成本会是多少。

Imagination Technologies 高级产品经理 Amir Kia 表示：“传统上，这些功能依赖 MPU 或 DSP，但现在人们越来越有兴趣在其中一些任务中利用 GPU。比如，在座舱信息娱乐和车载显示的场景下，很多公司已经在使用 GPU。开发者意识到，GPU 的灵活性使其能够高效处理计算和图形任务。他们并不想再集成额外的加速器，而是看到通过扩展现有 GPU 的能力来管理信息娱乐并增强计算性能的价值，从而减少系统开销。这种转变也为在这些系统中使用更小的 MPU、或尽量减少对 DSP 的依赖，创造了机会。”

迈向软件定义的汽车

对于汽车制造商来说，这些变化中的许多都是基础性的，而它们直到过去十年才开始把重心从 ECU（电子控制单元）转向软件定义的方法。这样做的好处是，不同系统和子系统可以像 SoC 中的模块一样被设计出来，然后在任何合理的位置、以任何合理的方式进行融合。反过来，这也使得确定哪里需要多少带宽、需要多大内存容量、哪种内存更适合哪一处，以及哪些数据优先级最高，变得更加容易。

Kia 表示：“所有人都在努力转向更加集中式的架构。我们现在使用了很多分布式 ECU，而我们希望转向更集中的基础设施。一些客户的平台计算量非常大，因此会有很多来自传感器和显示系统的实时数据。有的客户有 6 个摄像头，另一些有 8 到 12 个摄像头，而且都在同时传输。所以系统内部会有大量高速的数据交换，他们正试图把这一切整合到一颗 SoC 中来处理。”

软件定义汽车与一组功能专用的 ECU 完全不同。虽然不同系统必须按要求完成各自的功能，但这类车辆中的中央逻辑还能够实时做出涉及多个系统的决策。不过，要做到这一点，必须让正确的数据可被获取，这样系统才能据此采取行动。

Rambus 硅 IP 业务发展总监 Adiel Bahrouch 表示：“高分辨率传感器、AI 加速器以及安全关键型负载都会汇聚到共享内存和存储子系统上，如果没有足够的带宽，这些子系统很快就会成为性能瓶颈。如果内存不能足够快地为计算引擎提供数据，芯片利用率就会下降，延迟会上升，这会直接影响安全性和用户体验。一个分层的内存和存储体系——从超高速片上存储到大容量持久化存储——能够确保每一种工作负载都在带宽、延迟、容量和成本之间获得恰当平衡，最终实现安全、响应迅速且功能丰富的车辆。”

随着这些架构变化重塑汽车行业，内存技术的选择变得越来越重要。美光科技产品与系统副总裁 Michael Basca 指出：“当你从 L3 进展到 L4 以及更高等级时，模型的复杂性、精细程度和效率仍然是 OEM 关注的重点。我们都见过一些无人出租车在某些交通场景中卡住，所以很显然，我们还没有达到模型能够处理各种极端边际情况的程度。至少从存储侧来看，在未来一段时间里，这些模型很可能还会继续变大，而要变得更高效，则是更远期的事情。”

从更细的层面看，电动车采用哪种内存，取决于响应时间有多关键、目标市场细分，以及车辆的动力来源。在纯电动汽车中，跑得更远就是一种竞争优势，而把更少的电花在数据搬运上可以延长续航。因此，尽管 GDDR 容量更大，但对某些功能来说，LPDDR6 或许已经足够。

Cadence 硅解决方案事业群总监 Frank Ferro 表示：“LPDDR 内存最初流行起来，是因为它提供了比 DDR 更高的带宽。最初的 LPDDR4 大约是 4Gb/s。但到了 LPDDR6，我们已经一路提升到了 14.4Gb/s 的内存带宽。

这是第一点——你获得了很大的带宽，低功耗当然也同样重要。另一点是，它还能提供更大的内存容量。LPDDR6 的容量不像 DDR 那么大，但在汽车应用中，随着我们进入 ADAS （高级驾驶辅助系统）和 AI 推理阶段，容量正在变得非常重要。LPDDR6 在内存容量和内存带宽之间提供了一种平衡，看起来在汽车领域满足了很多需求。”

不过，L4 和 L5 级自动驾驶会让这个等式多出一些新的变量。Synopsys 嵌入式存储 IP 首席产品经理 Daryl Seitzer 表示：“为了支持高级功能而提高片上内存容量和带宽，主要权衡在于芯片面积和功耗的增加，这会影响热管理和可靠性。设计人员必须在性能要求与能耗、面积约束之间取得平衡，通常会借助低电压运行和架构优化。”

图 1：ADAS 带宽需求。来源：Micron Technology

此外，随着车内语言模型变得越来越复杂，厂商会发现自己需要更大的内存容量和更高的带宽，同时还要努力在这与成本之间找到平衡。Ferro 表示：“以特斯拉为例，你可能会发现 4 颗 LPDDR 内存。他们原本想的是，‘我们可以少用一点 GDDR，’ 但现在他们在容量上使用的量其实是一样的，所以很多客户都在考虑转向 LPDDR6，因为他们现在需要这种容量，以及 LPDDR 的其他好处。”

高带宽内存，也就是通过硅通孔连接的堆叠式 DRAM，由于涉及 TSV 和振动方面的可靠性问题，目前尚无法应用于汽车领域。但由于对高性能内存的需求日益增长，在某些情况下甚至会以牺牲低成本内存选项为代价，因此它肯定已经进入了一些公司的视野。

Yole Group 汽车半导体首席分析师 Yu Yang 表示：“存储行业高度集中，少数领先厂商占据着垄断地位，而产能还要与所有其他行业共享。因此，对于那些有志于转型的 OEM 来说，理解存储行业相当关键。一个相对较新的例子是，过去几个月 DDR4 内存价格大幅飙升，原因在于 AI 需求、产能转移，或者分销渠道中的投机行为。”

根据 Yole Group，目前汽车应用中的内存类型及用途包括：

● DRAM（LPDDR4/5、GDDR6）：用于 ADAS 域控制器、中央计算、智能传感器和数字座舱 SoC；

● NAND 闪存；

● eMMC/UFS：用于信息娱乐、车联网和 ADAS 软件存储；

● NVMe SSD：用于新兴的 L3+ 自动驾驶计算，以及 EDR/DSSAD 存储；

● SLC NAND：用于车联网、射频模块和高耐久日志；

● NOR 闪存：用于 ADAS 传感器、网关、区域控制器和 MCU 中的启动及安全代码；

● 其他非易失性存储器（EEPROM、FRAM、nvSRAM）：用于校准数据、配置参数以及低密度事件日志。

一个通用经验法则是：DRAM 用于计算，NAND 用于数据，NOR 用于代码。

其他内存类型

DRAM 正变得越来越快，而 SRAM 仍然是追求最高性能时的首选内存。不过，其他类型的内存也开始逐步进入汽车应用。

Synopsys 的 Seitzer 表示：“SRAM 支持实时计算任务，而 MRAM 和 RRAM 提供高密度、低功耗和持久化存储，因此非常适合 OTA 更新、数据记录和配置保持。这些内存选择满足了汽车行业在最佳功耗效率、性能和可靠性方面的需求。”

此外，一些数据可以先在车内进行预处理并本地存储，然后再发送到云端，用于那些对时间不那么敏感的任务，例如分析车辆行为，或在车队中更新地图变化。

Cadence Tensilica 产品组汽车业务产品市场与管理总监 Amit Kumar 表示：“这些数据不会立刻上传到云端，而是会先存储数小时甚至一天，具体取决于使用的是哪家云服务商（AWS、Microsoft Azure、Google Cloud）。这类数据流通常会先在车内累积，然后在数据仓库中进行结构化分析。”

闪存对此尤其有用。Seitzer 说：“闪存（非易失、长期）仍然广泛用于 ECU 和中央控制器中。非易失性存储在车辆整个寿命周期内都能保留数据，为固件、日志和安全资产提供持久化存储。访问片外数据时，会利用 eMMC、UFS 以及面向高带宽应用的 PCIe 等接口。安全性则通过加密、认证以及符合汽车安全标准来确保。”

每家 OEM 都会根据各种可选方案和目标市场，来决定自己的内存和存储架构。

Keysight EDA 软件定义汽车业务线产品经理 Carrie Browen 表示：“来自车外摄像头、以及在启用时来自车内摄像头的录像，可用于‘车队学习’，以改进自动驾驶辅助和完全自动驾驶功能。这些通常是与安全事件相关的短视频片段，例如碰撞或安全气囊弹出。比如特斯拉就描述了不同的数据类别，例如用于训练和优化驾驶辅助与导航功能的 ‘Autopilot Analytics & Improvements’ 和 ‘Road Segment Data Analytics’。有些数据，比如行车记录仪画面和哨兵模式存储（用于监控停放车辆周围是否有威胁），除非你明确启用共享，否则是在车内本地处理的。实际中，数据一部分存储在车辆上，一部分则存储在特斯拉控制的数据中心及其合作伙伴设施中，用于 AI 训练、服务和支持运营。”

如今，高速 DRAM 通常被用作近计算内存，而闪存和其他非易失性存储选项则提供数据备份和冗余。但这些界线开始变得模糊。

Browen 表示：“未来的架构将通过使用更多混合内存层级来获得更大的灵活性，在单个模块或封装中整合传统 DRAM 和闪存。对于用于 AI 改进的摄像头和传感器数据，标注和审查工具允许授权员工和承包商查看短片和图像，以标注物体和驾驶场景。过去关于标注操作的媒体报道描述了此类界面，但并没有披露其确切的技术架构。”

结论

汽车正在变成复杂的“系统中的系统”，其中集成了越来越多的内存与处理单元，以及越来越新的数据传输和存储方式。

Keysight EDA 内存解决方案项目经理 Randy White 表示：“车内计算需求，包括信息娱乐和 ADAS，正越来越需要更高的内存带宽和更大的容量。与基于云的处理相比，车内本地推理所带来的低延迟，能够确保实时处理以及关键任务时序。”

这些都只是通向完全自动驾驶路上的垫脚石。考虑到这项技术的发展轨迹，那一天很可能不会太遥远。

我是芯片超人花姐，入行20年，经手10亿+RMB芯片采购。

原创写了9年文章，有50W+芯片行业粉丝。

有很多不方便公开发公众号的

关于芯片买卖、关于资源链接等

我会分享在朋友圈

扫码加我本人微信

来源：内容由芯世相（ID：xinpianlaosiji）编译自「 semiengineering 」，作者： Ann Mutschler