隨著電子的不斷發展，FPGA在汽車中的應用越來越廣泛，在汽車的更多系統中扮演著越來越重要的角色。

        FPGA在汽車相機和傳感器中的應用已經很成熟，同時也在一系列新技術中贏得了一席之地，包括將成為自動駕駛汽車中心邏輯的人工智能系統，以及新型傳感和通信技術。

        西門子事業部Mentor的Catapult HLS綜合與驗證高級產品營銷經理Stuart Clubb表示：“駕駛輔助應用的自動處理有很多概念，」「各種文章都在討論怎樣去做，但首先要考慮的是它昂貴的價格。你不能在一輛價值2萬美元的車里裝一個12000美元的液冷英偉達 GPU盒子”，就算是福特無法投入足夠的資金來做到這一點。他強調。

        汽車業是一個相對利潤率低、業務量大的企業。雖然數量肯定不能與過去十年一直保持摩爾定律的智能手機相比，但汽車制造商過去的數十年一直努力從供應鏈中擠出成本。隨著越來越多的電子產品被應用到汽車中，芯片和電子子系統也有了價格壓力。

        但汽車領域為芯片制造商增加了一些主要障礙。除了盡可能降低成本外，它們還必須符合嚴格的標準，如ISO 26262和ASIL A、B、C和D，并滿足十年或更長時間內的彈性、老化和可靠性要求。這就是問題的源頭，因為技術和標準幾乎一直在發展，這也是汽車公司開始依賴FPGA作為首選處理器架構的原因。

        Clubb說：「這不僅是「我們運行了30分鐘，看起來不錯，發貨吧。」這是完全不同的一個方面。」「如果看一下人工智能目前的進展，那人們正討論的卷積神經網絡（CNN）是機器學習中最重要的事情。傳統的高級駕駛輔助系統（ADAS）指行人檢測、雷達處理等，但CNN是一個巨大的實驗領域，因為沒有人真正了解它們的工作原理。沒有數學依據證明它們為什么工作以及如何工作，它們只是那樣做了。它包括卷積池和訓練網絡。當訓練一件事的網絡時，它看起來很好，但當你訓練幾件事時，它就不工作了。大家一度認為解決方案有很多并且有很多浮點，這可能是英特爾推出Stratix 10器件上所有浮點單元的原因，因為這將是機器學習[平臺]。它要么推斷，要么訓練，這是非常棒的。」

        那是在GPU贏得算法訓練市場之前。現在已經證明GPU是一種低價的訓練架構，因為它們很容易并行化，并且大多數算法開發人員都很熟悉。這使得它們成為開發訓練算法的數據中心的理想選擇。但它并不是推理的最佳架構，其功耗、性能和面積比訓練更重要。

        Clubb說，現在的挑戰是量化。 「哪種網絡？我如何建立該網絡？什么是內存架構？通過網絡，雖然只有幾層，開始時輸入大量數據和一些系數，它很快就會轉向百萬個系數，它的內存帶寬變得非常可怕，沒有人知道真正的架構是什么。」

        這些問題與用戶強烈地共鳴，因為EDA領域的許多工具提供商都提出了強烈的需求，并參加了有關AI/機器學習/深度學習相關的研討會和活動。當答案尚不明確時，設計定制ASIC的成本太高。