无人车或者说自动驾驶是人类科技发展的集大成者，它不是凭空出现的。无人车的理论依据已经非常完备，这就是机器人理论，无人车可以看作轮式机器人。
过去近50年，机器人的理论体系已经非常完备，也就是说无人车的理论体系也很完备。经过这50年的验证，尤其是自2007年的DARPA大赛后，轮式机器人理论在无人车上也经过了近10年的验证。实践证明，轮式机器人的理论体系非常适合无人车，也是无人车最合适采用的理论体系，重新再设计一套理论体系至少需要数十年的历程。
无人车的框架并不复杂，包括环境感知、定位、状态与轨迹估算、路径规划、轨迹规划、执行控制。
视觉感知部分的软件层主要是OpenCV、还有CUDA，激光雷达则需要PCL，规划方面与控制执行主要是ROS系统，操作系统则是以Linux为基础，底层则是Autosar。
上图是英特尔对未来无人车架构的设计，运算量惊人，感知、路径规划（主要是全局路径规划和避障规划）、行为分析与决策(Behavior Planning)三部分都需要10TFLOPS的运算能力。实际上单用路径规划已经可以保证无人车的安全，但这时无人车只能像刚拿驾照的驾驶员，应变能力比较差。目前阶段无人车能做到新手上路的水平就已经不错了。
上图为几种行为规划的对比。Behavior Planning的算法体系如下。
目前浮点运算能力最强的处理器是英伟达的Tesla P100，拥有3840个FP32单精度、1920个FP64双精度CUDA核心，单、双精度浮点性能分别高达10.6TFlops、5.3TFlops。与之配合的内存也是非常顶级的4096-bit 16GB HBM2高带宽显存。一套Tesla P100大约1.1万美元。低端一点的有双芯的Tesla K80单精度性能8.74TFLOPS，双精度性能2.91TFLOPS，单芯的Tesla K40单精度性能5TFLOPS，双精度性能也有1.66TFLOPS。K80要价5000美元。
除了英伟达还有英特尔的Knights Landing Xeon Phi。14nm工艺，最多72核288线程，TDP功耗245W，集成16GB eDRAM缓存，，单精度浮点性能3TFLOPS，双精度浮点性能超过1TFLOPS，并可选配Fabric芯片，售价6254美元。
上图为英伟达的Drive PX2，无人车时代同样也是CPUs+GPU的配置，GPU负责并行计算的加速。其框架图如下：
英伟达这一代的Tegra代号为Parker，是一款SoC。
整体电路图如下：
Driver PX2的主要ASIC有Avago的PEX8724(24-lane，6-port，第三代 PCIe Gen交换机）用于两块Parker之间的互联。英伟达还有大杀器Nv-Link，不过美国政府禁止出口Nv-Link给中国，威力太大了，凑合用PCIe吧。以太网的收发交换用Marvell的88E6321。还有一片英特尔收购的Altera提供的FPGA，用于执行实时操作系统。FPGA的型号为Cyclone V 5SCXC6，是Altera的顶级产品，逻辑运算为110K，注册器达166036。最后还有一款英飞凌的AURIX TC 297 MCU做安全控制，据说可以让PX2达到ASIL C级水平，这就远比高通领先了。 还有博通的BCM89811低功耗物理层收发器（PHY），使用BroadR-Reach车载以太网技术，在单对非屏蔽双绞线上的传输速率可达100Mbps。外围芯片还有FT4232H，做USB转4路UART。还有Parker的PMIC，由德州仪器提供。美信的MAX9291 GMSL串行器将HDMI输入转换为吉比特多媒体串行链路(GMSL)输出。
英特尔对未来无人车运算能力的预测更加惊人，英特尔预测到2025年无人车的运算能力高达100TFLOPS，听起来相当夸张。
英特尔预测的根据是未来无人车将采用4个8K级的摄像头，这将导致数据流量高达215Gbps。
这显然不大可能，如果是16：9画幅的话，8K级摄像头的像素达3300万，而目前汽车上130万像素都相当少见，主流还是30万像素，如此高的像素对深度学习之类的应用并无加分，但会导致成本大增，运算量大增以致于整体成本超过5年后的激光雷达。并且摄像头这种被动型传感器受环境影响太大，且改进的空间非常有限，改进的成本太高。激光雷达属于主动型传感器，受环境影响小，改进空间巨大，特别是针对雨雪这样的噪音分布比较均匀且单一的环境，在算法上做改进可以基本解决问题，未来无人车将以激光雷达为核心，摄像头为冗余的传感器配置。
无人车的功能安全鲜有人提及，无人车这套驾驶脑系统自然要达到ASIL D级水准，因为这是和安全密切相关的。
要达到ASIL D级可是相当困难的，要做到1亿小时只有10次失效，也就是1141.5年失效1次。芯片要做到ASIL D通常是建置较大的Cortex-A CPU，包括其高速缓存作为锁步双核心设计，用一种以较小CPU为ASIL-D应用设计安全MCU。显然这会增加成本，而对于GPU则无法实现冗余。最简便的方法就是多提供一个备用的ECU，并在主路径处于安全模式时使用第二个运算路径。由于重复进行操作，使得这样的系统成本较大，而且，除了需要更大的空间外，还会导致更高的功耗。由于控制ECU通常也对于冷却带来限制，可用的功率预算通常低于20瓦。
如何在失效时迅速转换到另一个系统这种思路是不正确的，因为失效的瞬间可能就没命了，要尽量避免失效而不是失效后怎么应对，或者说尽量在系统可能失效前换到另外一个系统，这就牵涉到统计学的马尔科夫链Markov Chain。
目前这块的研究比较少，特别是软件领域的失效机制。
无人车相比ADAS时代，在整体电子架构上也有比较大的变化。
将全面采用域控制器和中央网关的设计，一来是提高运算资源效率，降低成本。二是保证网络安全，不受外来威胁。这种设计和高带宽传感器（未来无人车很有可能用4个64线激光雷达）要求使用新的总线体系，也就是TSN（Time-Sensitive Networking)，目前车内以太网的EAVB标准将在无人车时代演变为TSN，TSN已经在2015年8月启动标准化进程，由原EAVB标准小组IEEE802.1负责。
为了应对网络威胁，如黑客干扰无人车，Autosar 4.2.1版本将特别增加Secure On-Board Communication ( “SecOC” )，“SecOC” 采用MAC(Message Authentication Code)验证，验证信息是否为真正的通讯双方所传送，并验证信息在传送过程中是否遗失、掺入或篡改，确保信息的完整性。目前电子金融交易也常用MAC验证，大家完全不用担心无人车被黑客袭击。当然这在ADAS时代也完全适用。
再来说说深度学习芯片，目前深度学习运算大多采用CPU翻译指令，GPU加速的方法来完成，也有用FPGA加速的。GPU处于绝对优势地位，可以说没有GPU，就没有深度学习。为了打破GPU也就是英伟达的垄断，而FPGA通常是ASIC流片前的试验品，于是不少人都在设计针对深度学习的ASIC，试图打破垄断。
不过人类科技已经进入寡头统治时代，用户的黏性（惯性）和寡头构筑的生态圈为后来者树立了高不可攀的门槛。最典型的就是PowerPC架构的消亡，如今x86架构处于绝对垄断地位已经超过10年，x86与Windows构筑的ISA生态圈让x86大者恒大。ARM依靠安卓和苹果则在移动领域构筑了绝对垄断的生态圈，你可以不用ARM的内核，但是ARM的ISA已经成为业内的标准，用户不得不支持，不支持就寸步难行，卖不出去。做一个ISA不是难事，难的是让全球几十亿用户几百亿的设备都支持。这就是当年RISC的出现，很多人都认为CISC要退位了，然而用户的黏性（惯性）还是CISC，一直延续到今天。虽然今天英特尔的CISC和RISC的界限不那么明显，但这个过程足以说明，科技产业更依赖商业模式和市场推广，而不是某项看起来很牛的技术。
而英伟达也在重复英特尔当年做的事，那就是构建自己的生态圈，这就是CUDA。CUDA即Compute Unified Device Architecture，是NVidia利用GPU平台进行通用并行计算的一种架构，它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。开发人员可以利用C言、OpenCL、Fortran、c++等为CUDA架构编写程序。
包括CUDA自家编译器所采用的C语言扩展、OpenCL应用程序接口、Fortran甚至C++等都可以运行在CUDA架构之上，自从2006年发布CUDA，英伟达已经构筑了超级强大的生态圈，CUDA无处不在。
在合作伙伴上，英伟达全面开花。谷歌的TENSORFLOW黏性十足，说不定类似当年的Windows。
汽车领域，英伟达也是最先发力，现在无论嵌入式，还是汽车还是HPC，英伟达的CUDA无处不在，这对后来者是一个很难突破的障碍，尤其是编程难度较高的FPGA。毫无疑问，未来5-10年内GPU都是加速器主流。