随着电子的不断发展，FPGA在汽车中的应用越来越广泛，在汽车的更多系统中扮演着越来越重要的角色。

        FPGA在汽车相机和传感器中的应用已经很成熟，同时也在一系列新技术中赢得了一席之地，包括将成为自动驾驶汽车中心逻辑的人工智能系统，以及新型传感和通信技术。

        西门子事业部Mentor的Catapult HLS综合与验证高级产品营销经理Stuart Clubb表示：“驾驶辅助应用的自动处理有很多概念，」「各种文章都在讨论怎样去做，但首先要考虑的是它昂贵的价格。你不能在一辆价值2万美元的车里装一个12000美元的液冷英伟达 GPU盒子”，就算是福特无法投入足够的资金来做到这一点。他强调。

        汽车业是一个相对利润率低、业务量大的企业。虽然数量肯定不能与过去十年一直保持摩尔定律的智能手机相比，但汽车制造商过去的数十年一直努力从供应链中挤出成本。随着越来越多的电子产品被应用到汽车中，芯片和电子子系统也有了价格压力。

        但汽车领域为芯片制造商增加了一些主要障碍。除了尽可能降低成本外，它们还必须符合严格的标准，如ISO 26262和ASIL A、B、C和D，并满足十年或更长时间内的弹性、老化和可靠性要求。这就是问题的源头，因为技术和标准几乎一直在发展，这也是汽车公司开始依赖FPGA作为首选处理器架构的原因。

        Clubb说：「这不仅是「我们运行了30分钟，看起来不错，发货吧。」这是完全不同的一个方面。」「如果看一下人工智能目前的进展，那人们正讨论的卷积神经网络（CNN）是机器学习中最重要的事情。传统的高级驾驶辅助系统（ADAS）指行人检测、雷达处理等，但CNN是一个巨大的实验领域，因为没有人真正了解它们的工作原理。没有数学依据证明它们为什么工作以及如何工作，它们只是那样做了。它包括卷积池和训练网络。当训练一件事的网络时，它看起来很好，但当你训练几件事时，它就不工作了。大家一度认为解决方案有很多并且有很多浮点，这可能是英特尔推出Stratix 10器件上所有浮点单元的原因，因为这将是机器学习[平台]。它要么推断，要么训练，这是非常棒的。」

        那是在GPU赢得算法训练市场之前。现在已经证明GPU是一种低价的训练架构，因为它们很容易并行化，并且大多数算法开发人员都很熟悉。这使得它们成为开发训练算法的数据中心的理想选择。但它并不是推理的最佳架构，其功耗、性能和面积比训练更重要。

        Clubb说，现在的挑战是量化。 「哪种网络？我如何建立该网络？什么是内存架构？通过网络，虽然只有几层，开始时输入大量数据和一些系数，它很快就会转向百万个系数，它的内存带宽变得非常可怕，没有人知道真正的架构是什么。」

        这些问题与用户强烈地共鸣，因为EDA领域的许多工具提供商都提出了强烈的需求，并参加了有关AI/机器学习/深度学习相关的研讨会和活动。当答案尚不明确时，设计定制ASIC的成本太高。