9月18日，在盖世汽车第四届AI定义汽车论坛上，恩智浦半导体大中华区汽车边缘AI产品市场经理刘昱炜发表了主题演讲，系统介绍了恩智浦在车端边缘AI领域的产品布局、落地场景与工具链能力。
刘昱炜指出，车端AI正从座舱与ADAS领域的大模型，向区域控制器及MCU上的小模型延伸，预计2028年至2030年将进入落地高峰期。恩智浦的全产品线均搭载统一的自研嵌入式NPU IP，配套全自研工具链，这一全栈模式在行业内较为独特。该NPU IP架构统一覆盖从中央计算平台到S32K5 MCU的全系列产品，在同主频下，其AI加速效率是传统M7内核的10至30倍。
在产品矩阵方面，恩智浦端侧AI产品按制程从低到高排布，覆盖带AI能力的MCU、专用Audio DSP以及UWB产品等。其中，面向中央计算的AI Box方案专为12万至15万级存量经济型座舱平台设计，旨在服务改款车型的智能化升级。该方案单芯片AI算力为40TOPS，可扩展至160TOPS，单芯片功耗为6.4W。方案支持两种连接模式：一是通过独立千兆以太网连接域控制器，二是作为算力卡外挂于座舱芯片。在模型生态上，该方案在国内已完成千问、面壁模型的适配，海外已完成Llama、Gemini等模型的适配。
在区域控制器的AI应用方面，刘昱炜透露，国内销量排名前14的主机厂中，有10家计划在2028年至2030年的下一代架构中搭载具备高实时性的小AI模型。恩智浦S32K5芯片的NPU算力覆盖51TOPS至400TOPS范围，其配套的R52核心支持浮点模型直接部署，无需进行量化即可避免精度损失。
刘昱炜将当前最具落地价值的三大场景归纳为BMS电池管理、智能底盘控制与虚拟传感器。在BMS领域，AI方案将直接替代传统的等效电路加卡尔曼滤波算法，使SOC与SOH估算精度从3%至5%优化至1%以内，恩智浦已为此提供开源预训练模型供客户评估。智能底盘方面，已开发出路面分类轻量模型，参数量为186K，单次推理耗时2.2毫秒，能够满足底盘控制对10毫秒闭环周期的严苛要求，如同给底盘装上了一双能快速感知路面特征的“眼睛”。虚拟传感器方案以降低物料成本与开发新的可测量维度为核心目标，目前针对胎压及自动大灯传感器进行软件替代的合作项目已接近量产。
为支撑从服务器端训练模型到车端部署的迁移，恩智浦自研工具链可完成模型转换与压缩工作。通过混合精度量化等专属策略，将32位浮点模型转换为8位整型模型的精度损失控制在0.1%以内。