| 众所周知，现在汽车行业正从“软件定义”转向“AI定义”，但车企和芯片厂商都面临三大难题：系统越来越复杂、开发周期太长、算力和安全难兼顾。 对此，Arm推出的Zena计算子系统（CSS），通过“预先验证核心+灵活扩展”的设计、“硬件加速+提前开发软件”的模式，再加上“全行业合作”的思路，帮整个行业解决这些痛点。 下面，我们从技术原理、效率提升、行业合作三个方面，把ZenaCSS讲清楚。 
一、技术内涵：既稳定又灵活的“计算底座” ZenaCSS的核心突破，在于打破了是打破了“要标准化就没灵活性，要定制化就成本高”的行业悖论。 其以“核心计算组件预验证+差异化模块可扩展”为设计理念，把核心的计算部分提前做好验证，再用灵活的形式——通过RTL（寄存器传输级）交付形式，交给合作伙伴，让大家既能省时间，又能保留自己创新的空间。 1.核心组件：撑起AI汽车的“算力和安全” ZenaCSS的预集成模块并非简单堆砌，而是针对AI定义汽车的核心需求做了深度优化，其架构可拆解为三大关键层： 算力层：里面有16个Cortex-A720AECPU核心（基于最新的Armv9架构）。如果还不够用，还能扩展到32个（把两个ZenaCSS拼起来），满足从智能座舱（IVI）到L2+ADAS的多场景算力需求。 它还第一次把数据中心级的NeoverseCPU改造成汽车能用的版本，专门应对自动驾驶模型这种高负载AI任务；再加上CMNS3AE互连技术，能让芯片内部、芯片之间的数据快速流转，解决多工作负载并行的瓶颈。 安全层：有两个关键的创新设计保障安全。一个是由Cortex-R82AE驱动的“安全岛”，能实时处理安全相关的任务（比如检测故障、控制系统启动），达到最高的ASILD安全级别，这是辅助驾驶和自动驾驶的“安全底线”； 另一个是“安全飞地”，集成了硬件信任根和ArmTrustZone技术，如果客户有特别的安全需求，还能把这个飞地换成自己的，既安全又灵活。 基础控制层：包含调试、电源管理、基础I/O接口这些“必须有但不用重复开发”的模块。Arm提前把这些做好，合作伙伴就不用再花时间做基础工作，能直接聚焦更有价值的创新。 2、为什么用RTL交付，而不是GDS？ 当被问到为什么ZenaCSS用RTL（寄存器传输级）的形式交付，而不是直接给GDS（版图数据库）？ Arm汽车事业部产品和解决方案副总裁SurajGajendra告诉我们，答案是为了“灵活”！ 工艺更自由：GDS会绑定特定的芯片工艺（比如只能用7nm），但不同客户需求不一样——入门级座舱芯片可能用成熟的28nm工艺省钱，高端辅助驾驶芯片就需要7nm工艺提性能。RTL形式能让客户自己选代工厂（比如台积电、中芯国际）和工艺，不用被限制。 设计能自己调：GDS会把芯片内部的模块位置固定死，但芯片的散热、功耗优化需要调整模块布局。比如把AI加速器靠近内存接口，能减少数据传输延迟，让AI反应更快。RTL交付能让客户自己决定这些模块的位置，优化性能。 给差异化预留空间：RTL可以修改，客户能在核心模块外加自己的定制功能。比如有的芯片厂商想加自研的NPU（专门优化自己的AI算法），有的车企想加激光雷达的专用接口，这些都能通过RTL实现，这也是大家做出差异化产品的关键。 3、支持芯粒（Chiplet）适配：为未来多芯片设计留足空间 现在汽车芯片越来越倾向于“多芯片组合”（比如用不同芯片分别处理感知、决策），而ZenaCSS从设计时就考虑到了这一点。 预留标准接口：它的核心模块里已经包含了连接UCIe（通用芯粒互连协议）的必要接口，客户不用改核心部分，只要加个UCIe物理层，就能把ZenaCSS做成一个独立的“芯粒”；如果暂时不用多芯片，也能直接当单芯片用，现在和未来的需求都能满足。 多芯片协同工作：多个ZenaCSS能通过UCIe连起来，形成“算力池”。比如一颗负责辅助驾驶的感知，另一颗负责决策，数据能快速传递，解决单芯片算力不够的问题，为未来更高级的自动驾驶（比如L4级）铺路。 二、效率提升：从“排队开发”到“同步干活”，周期大减 以前开发汽车芯片，要按“IP交付→硬件设计→软件开发→系统集成”的串行流程，周期长达5-6年，完全无法跟上AI应用的迭代速度。 SurajGajendra表示，ZenaCSS通过“硬件开发加速+软件左移”的双重策略，实现了开发周期的“量级突破”——芯片开发缩短12个月，软件开发提前2年，直接帮助车企将AI车型上市时间至少提前1年。 1、硬件开发：工程减负20% ZenaCSS能压缩硬件周期，核心是Arm提前帮大家做了“最复杂、最重复的工作”： 提前验证覆盖多场景：Arm在推出ZenaCSS前，已经针对辅助驾驶（比如环视、驾驶员监控）、智能座舱（多屏交互）、车辆控制（比如预测故障）等场景，做好了功能测试、性能优化和功耗调整。比如辅助驾驶需要的实时性，安全岛和CPU的配合已经通过了ASILD认证，客户不用再自己测一遍。 核心模块能复用：以前芯片厂商要为每款车型重新设计CPU和安全模块，现在ZenaCSS的核心模块能跨车型用。比如某车企的SUV和轿车，能共用ZenaCSS的CPU和安全层，只需要改改AI加速器和接口，效率一下子就上来了。 工程资源“减负”20%：根据Arm和合作伙伴的实际数据，用ZenaCSS后，芯片厂商做SoC（系统级芯片）设计时，能少投入20%的工程师。这是因为核心计算模块的开发、验证工作已由Arm完成，客户可将资源聚焦于差异化模块（如自研NPU、定制传感器接口），而非“重复造轮子”。 2、提前开发：没有硬件也能干活 SurajGajendra认为，AI汽车的软件比硬件复杂多了，但以前必须等硬件做好才能开发软件，这是最大的瓶颈。ZenaCSS用“虚拟平台”解决了这个问题： 云端虚拟原型同步上线：Arm联合AWS、Cadence、西门子等，为ZenaCSS打造了“指令集架构（ISA）对等”的虚拟平台（技术分享P14）——在物理芯片流片前，软件开发者即可在云端基于虚拟CSS开发、测试AI算法（如ADAS感知模型、座舱语音交互），实现“硬件设计与软件开发并行”。 软件周期缩短两年：以前要等IP发布两年后，有了硬件才能开发软件；现在ZenaCSS的虚拟平台和硬件设计文件一起发布，软件工程师当天就能开始干活，一下子省了2年时间。比如某芯片厂商在ZenaCSS的硬件还没流片（生产）时，就通过虚拟平台完成了车载大模型的适配，硬件做好后3个月就实现软件量产。 生态工具链协同：Arm还联合GitHub、InfoMagnus等伙伴，为虚拟平台配了全套工具。比如GitHub提供专门的开发流程管理工具，InfoMagnus能实时检查软件是否符合安全标准（比如ISO26262），避免开发到后期才发现问题要返工。 三、行业合作：以SOAFEE为核心，大家一起干 ZenaCSS的核心竞争力并非仅来自硬件，更在于Arm构建的“全栈生态协同体系”——以SOAFEE（面向嵌入式边缘的可扩展开放架构）为纽带，连接从虚拟平台、软件标准到应用场景的所有参与者，解决了汽车行业“各自为战、标准不统一”的老问题。 1、SOAFEE：连接云与汽车的“标准桥梁” SurajGajendra介绍，SOAFEE是一个有150多家成员（包括通用、CARIAD、大陆集团）的行业组织，核心是把云原生技术（比如容器、微服务）用到汽车上，而ZenaCSS就是这个标准的“硬件载体”。 
标准化开发框架：SOAFEE定义了云原生汽车的软件架构（如服务编排、资源调度），而ZenaCSS的硬件设计（如CPU调度、内存管理）已提前适配这些标准——例如，SOAFEE要求的“安全关键型工作负载与非安全工作负载隔离”，可通过ZenaCSS的TrustZone技术与安全岛实现，无需额外开发。 蓝图计划加速落地：SOAFEE有个“蓝图计划”，成员可以一起开发标准化方案，ZenaCSS就是这些方案的“硬件底座”。比如松下基于VirtIO标准做的“统一座舱界面”（多屏能同步显示）、电装做的“安全任务同步”方案（保障辅助驾驶任务的准确性），都已经在ZenaCSS上验证通过，客户能直接用，不用自己从头做。 2、生态分层：从“底层硬件”到“上层应用”的全链路覆盖 SurajGajendra介绍，Arm围绕ZenaCSS构建了四层生态协作网络，确保每个环节都有专业伙伴支撑： 底层支撑层：AWS提供云端虚拟平台，Cadence、西门子这些公司提供芯片设计工具，解决“没有硬件怎么开发”的问题； 
标准协议层：红帽（车载OS）、eSync联盟（OTA标准）、Autoware基金会（自动驾驶框架）制定软件交互标准，确保不同厂商的产品可互操作——例如，红帽的车载OS已适配ZenaCSS的安全机制，可直接支持OTA更新的安全加密； 应用技术层：赛轮思AI（语音交互）、Mapbox（导航SDK）、StradVision（ADAS感知）提供场景化技术方案，这些方案已在ZenaCSS上完成优化——例如，StradVision的轻量化感知AI可充分利用ZenaCSS的16核CPU，实现实时目标检测； 开发工具层：GitHub（代码管理）、InfoMagnus（合规工具）、ELISA（开源安全）提供软件开发的全流程工具，确保AI应用开发符合行业标准。 3、赋能中国AI汽车生态，帮本土企业快速创新 SurajGajendra认为，中国是全球AI汽车创新最活跃的市场，而ZenaCSS对中国车企与芯片厂商的价值，在于“降低门槛+保留创新空间”： 缩短技术差距：中国芯片厂商在高端汽车芯片的核心模块（比如CPU集群、安全机制）上还有短板，ZenaCSS的核心模块能帮大家快速补上，把精力放在自研NPU、优化AI算法这些差异化领域。比如某本土Tier1厂商用ZenaCSS，18个月就做出了支持L2+辅助驾驶的芯片，比以前快了2年； 适配中国市场需求：Arm支持ZenaCSS根据中国区域法规（如数据安全、OTA合规）进行定制——例如，针对中国新能源汽车的电池管理需求，客户可在ZenaCSS的基础上添加定制化的电池健康监测模块，而无需修改核心计算部分； 协同本土生态伙伴：Arm已与四维图新、广汽研究院等中国企业深度合作——四维图新基于ZenaCSS优化了高精度地图与智驾算法的协同效率，广汽则通过ZenaCSS实现了多车型的座舱软件复用，降低了开发成本。 四、行业影响与未来挑战：重构AI汽车的开发范式 ZenaCSS的推出，本质上是Arm从“汽车IP供应商”（卖芯片）向“AI汽车计算平台服务商”（卖全套服务）的战略转型，其对行业的影响将远超单一产品： 1、推动中央计算架构：从“一堆小芯片”到“一个大算力池” 以前汽车里有很多小ECU（电子控制单元），座椅、车窗、辅助驾驶各用一个，很零散。 AI汽车需要集中算力做决策，ZenaCSS的高算力和可扩展性，正好能当中央计算架构的核心。比如一颗基于ZenaCSS的芯片，能同时管辅助驾驶、智能座舱、车辆控制，替代以前几十个小ECU，既降低成本又减少功耗。 2、平衡标准化和定制化：解决行业老难题 汽车行业一直面临“标准化不够就重复劳动多，定制化太多就成本高”的问题。ZenaCSS的“核心标准化+外围定制化”模式，正好解决了这个矛盾： 首先是核心标准化：CPU、安全模块这些“大家都需要且复杂”的部分标准化，软件能复用（比如不同车型共用座舱基础软件），还能减少认证成本； 其次是外围定制化：加速器、I/O接口这些“能体现差异”的部分开放给客户。比如特斯拉能加自己的FSD芯片加速器，蔚来能加换电相关的控制接口，保证产品有竞争力。SurajGajendra表示。 3、未来还要解决的问题 虽然ZenaCSS现在能解决很多问题，但面对未来的AI汽车，还有两个挑战要应对： 首先，算力还要再提升：以后自动驾驶模型、车载大模型会更复杂，需要的算力会从几百TOPS（万亿次每秒）涨到几千TOPS。 Arm需要在后续版本里提升CPU性能，比如加更多核，还要优化和AI加速器的配合。SurajGajendra透露，目前Arm已经通过KleidiAI软件库优化了CPU运行大模型的性能，未来还要进一步打通硬件和软件； 其次，合作要更深入：现在SOAFEE的合作还停留在技术验证阶段，还没形成“硬件-软件-算法”的闭环。比如某车企用ZenaCSS做的辅助驾驶算法，要重新适配不同厂商的操作系统，还是会增加成本。未来Arm需要推动SOAFEE制定更统一的接口标准，实现“一次开发，多平台能用”。 总结来说，ArmZenaCSS的价值，不只是让开发变快、算力变强，更重要的是它提供了一套“能规模化、能创新”的AI汽车开发方法，解决了行业最核心的矛盾——怎么在AI快速变化的情况下，既保证开发效率和安全，又能做出有差异的产品。 对车企来说，它意味着能更快推出AI汽车，抢占市场；而对芯片厂商来说，它意味着能更低成本做出高端芯片。
|
