2013年初，高通开始进军车载处理器市场，首款产品是2013年底的602A，在2014年初正式推出，不过推出后反应平平。车载系统开发周期远比手机开发周期长，芯片至少要考虑5年后的市场，高通在2016年初推出820A（两款芯片，一款为820A，不带Modem，另一款为820Am，带Modem），超前性能立刻获得好评。
捷豹路虎第一个使用820A做座舱域控制器，在2017年下半年就有路虎星脉和捷豹I-PACE两款量产车使用820A，随后大众、本田、吉利、PSA、比亚迪、玛莎拉蒂也纷纷采用820A做座舱域控制器。本田的10代雅阁美版也采用820A，已正式上市，国内则因为1.5T发动机机油增多问题，10代雅阁推迟上市。
上图为路虎揽胜星脉的座舱，采用4块屏幕，其中全液晶仪表为12.3英寸，Infotainment为10英寸，车载信息显示也为10英寸，屏上有两个硕大的铝合金旋钮，还有一块HUD使用的3.1英寸显示屏。可能由日本松下或哈曼打造。Infotainment屏幕在启动后会自动前倾，方便驾驶者观看。Infotainment屏下方的车载信息显示屏可以对车辆的空调、座椅和车辆设定进行控制，除了空调温度旋钮和音量旋钮，其余都用触控操作。仪表系统采用QNX，Infotainment用Linux+安卓界面。未来可能用Android Auto。
捷豹的第一款纯电动车I-Pace采用了类似星脉的设计，只是把车载信息显示屏换成了5.5英寸。这套系统中规中矩，唯一的出彩之处是激光HUD。捷豹路虎是第一个使用激光HUD的车厂，激光HUD显示对比度极高，色彩艳丽。
虽然不能算严格意义上的AR HUD，但是已经很不错了，能与ADAS和导航地图系统通信。
820A相比NXP的i.mx8或者瑞萨的R-CAR H3，亦或者德州仪器的Jacinto EX，优势有几点：
•820A的绝大部分开发成本已经由手机厂家分摊完毕，有充足的降价空间
•820本来就是针对移动设备的，低功耗不言而喻
•CPU和GPU性能强大，同时也是特别为安卓系统设计的
•820A最大优势，内含了4G Modem，无需再添加通讯模块
820A的劣势在于它最初不是针对车载市场的，不是按照ISO26262标准的开发流程得来的，安全等级连ASIL A级都达不到，只有AEC-Q100 3级。R-CAR H3是达到了ASIL B级，i.mx8暂时还未申请ASIL级别，但以NXP的能力，也能达到ASIL B级。当然可以通过添加其他元件让整体系统达到ISO 26262标准，但毕竟是个麻烦。
和奔驰MBUX相比，820Am做域控制器的座舱并未给人带来多少惊喜，820Am又多了一个强劲的对手，那就是英伟达的Parker。Parker一开始就是瞄准车载市场的，采用ASIL B级安全架构，内含锁步的R5内核，有内存纠正功能。Parker的另一优势是深度学习能力。820A的硬件也具备深度学习能力，但是高通的起步稍微晚了点，高通在2017年7月才发布了NPE的SDK。所以这方面应用还未看到，估计要等到下一代820座舱系统了。未来820域控制器可能接管部分ADAS功能，如360环视，车道线与行人识别，前撞报警，车道线偏离报警，不过应该只用于报警系统，不会用于主动执行系统，毕竟它没有考虑功能安全，用起来还是让人略微不放心。
此外深度学习这东西，没有太多理论依据，更多的像蛮力的搜索——非常深的层数，几千万甚至上亿参数，然后调整参数拟合输入与输出。这是一个不可解释的黑盒子，用在汽车以外的手机上没什么问题，但汽车领域要有充足的可解释性，这样才能评估安全风险。不过要想实现语义级的识别，深度学习几乎是最好的方法，尽管汽车行业不喜欢这种黑盒子，但还是不得不高度重视深度学习。
高通的NPE主要在Caffe2和Tensor Flow上运行，Caffe2主要是图形类，Tensor Flow还可以处理语音类。820内部采用异构架构，有三个运算单元，包括CPU、GPU、DSP分别针对不同类型的应用。
820内部的Hexagon 680 DSP内置了一个1024bit的SMID矢量数据寄存器，高通称之为Hexagon Vector Extensions—Hexagon矢量扩展，简写为HVX。HVX每次可以处理四条VLIW向量指令，每个循环可以处理多达4096bit数据，需要注意的是，一般实际应用中的指令比DSP支持的最大指令宽度要小很多，不过借助于SIMD和系统的特性，单个指令可以一次操作多个数据，因此在计算中很多数据可以被一次性填充进入处理过程，实现效能的最大化。
另外，HVX为了实现上下文切换功能，还设计了32个向量寄存器。规格方面，HVX支持32位的定点十进制数的操作，一般为INT8位，但不支持浮点计算，毕竟成本还是要考虑的。VX内部拥有L1数据和指令缓存，4个并行的VLIW标量处理单元，单元的运行频率为500MHz，还有共享的L2缓存。
此外，HVX中还有两组独立的矢量单元，这样设计实际上是为了执行多线程任务，比如同时处理音频和图像处理，矢量单元可以独立进行计算。ADAS中的视觉处理如360度环视，车道线识别，也就是量化的8比特数据交给DSP比较合适。DSP的能耗比差不多是最优秀的。非量化的32比特数据交给CPU或GPU处理。
上图为NPE工作流程
座舱领域的深度学习可能会以语音识别或NLP自然语音处理为主要任务，并且是本地化离线与云端结合的NLP。离线NLP对目前高端CPU或者GPU来说处理能力问题不大，关键是存储语音库模型，消耗成本较高，存储器价格持续上涨令人头痛。再有可能就是知识产权的问题，离线的数据包有可能被人破解。
上图为完整的深度学习平台，可以说深度学习就是靠英伟达的GPU发展起来的，没有英伟达的GPU，深度学习不会走到今天这等地步，今天大部分深度学习的训练部分加速都是GPU完成的。而英伟达在一开始就布局长远，早在2007年推出CUDA的时候，就想到用CUDA建立了类似英特尔的生态圈。虽然官方发布的 CUDA Toolkit 并不总是最高效的实现，而是存在一定认知“黑洞”，一般用户无论如何优化CUDA C程序都无法逾越性能瓶颈。
而官方发布的库，从早期的CUBLAS，CUFFT到后来面向深度学习的CUDNN，都不是用CUDA C写的，而是NVIDIA内部的编译器完成的（这个是没有公开的版本），这样对NVIDIA好处显而易见，既能卖硬件，又能在软件上保持领先，增加用户粘度。从用户角度而言，使用高度封装的库可以降低开发、调试的门槛，直接调用C API就可以实现自己的算法，无需了解CUDA C的设计细节。即使是谷歌，也是选择CUDA而不是OpenCL作为TensorFlow的后端。
问题来了，高通的GPU自然不可能用CUDA，只能用OpenCL。CUDA则有强大的生态体系，尤其是深度学习训练领域，远比OpenCL易用。OpenCL虽然句法上与CUDA接近，但是它更加强调底层操作，因此难度较高，但正因为如此，OpenCL才能跨平台运行。基于C语言的CUDA被包装成一种容易编写的代码，因此即使是不熟悉芯片构造的科研人员，也可能利用CUDA工具编写出实用的程序，程序员更喜欢CUDA。
当然OpenCL与CUDA不是严格意义上的竞争关系，CUDA是一个并行计算的架构，包含有一个指令集架构和相应的硬件引擎。OpenCL是一个并行计算的应用程序编程接口（API）。CUDA C是一种高级语言，那些对硬件了解不多的非专业人士也能轻松上手；而OpenCL则是针对硬件的应用程序开发接口，它能给程序员更多对硬件的控制权，相应的上手及开发会比较难一些。所以用高通的GPU做深度学习，难度颇高，好在高通还有个DSP，虽然这个DSP只能做定点运算，但是还是有点用处的，比如语音处理时消除背景噪音。
英伟达的Parker在性能方面优势比较明显，在深度学习领域优势更明显，但是在功耗方面很可能不如高通820Am，虽然高通未给出准确的TDP数字，英伟达也未给出准确数值，有说7.5瓦，也有说最高21瓦。TDP这个指标已经有点过时了，很难准确评价芯片的功耗，但手机对功耗要求肯定比车载更加苛刻，尤其是高通810被人投诉发热严重，820肯定不会掉以轻心，车载的估计也适当降低CPU性能来降低功耗。
中美贸易争端的大背景下，高通收购NXP很有可能得不到批准。未来高通的820A，英伟达的Paker会对老牌厂家NXP的i.mx8 （i.mx8QM、 i.mx8QP要到2018年3季度才有量产样片，且还是28纳米的FD-SOI工艺），瑞萨的R-CAR H3、德州仪器的Jacinto 6 Plus构成强大的威胁。820A可能会挤占i.mx8的中端市场，Parker则可能会主打高端市场，挤压R-CAR H3的市场。