拜人工智慧(AI)的持續發展，影像辨識應用大幅成長，亦助力繪圖晶片廠商成為AI發展的重點，過去在行動裝置繪圖應用發展相當成功的Imagination，隨著更多應用導入AI技術，未來幾年將持續擴展GPU、神經網路加速器NNA與高效能乙太網路EPP等矽智財(SIP)，在消費性(Consumer)、汽車(Automotive)、資料中心(Datacenter)等領域的應用與發展，汽車便是該公司這兩年布局的重點。
目前繪圖處理器的繪製架構大致可分為兩種。一種稱為立即式渲染架構(Immediate Mode Render, IMR)，另一種則是區塊式渲染架構(Tile Based Render, TBR)。Imagination台灣區業務總監林奐祥指出，該公司採用區塊式渲染架構，好處是在算圖時可以先比較前後圖像的內容，如果是類似的內容就可以跳過不算，並以8×8畫素(Pixel)為單位，透過Deeper Rendering技術，重疊的圖像不計算，可以加快圖形處理速度並省電。
Imagination的GPU架構具有多工處理及獨立切割兩大特色。林奐祥說明，多工處理時，最多可以一次執行8個工作，將一個GPU切割成最多8個獨立的處理單元，在個別作業系統中完成工作。例如，記憶體的容量可以切割給不同的處理單元使用，彼此之間不會相互占用，確保安全性及使用彈性。
Imagination台灣區業務總監林奐祥指出，該公司的GPU架構具有多工處理及獨立切割兩大特色
以車用圖形運算為例，隨著自駕程度提升的需求，在目前Level 2階段，每一台車大約搭載6個感測器，到2022年，車輛將具備Level 3自駕能力，需要搭載約13個感測器；到2028年，車輛發展Level 4自駕，使用感測器將高達29個；2040年，發展完整Level 5自駕能力時，約需要32個感測器，而這些感測器所蒐集的訊息，大多都需要透過GPU或神經網路加速器加以運算處理，再給出決策建議。
從影像處理與AI運算能力等面相來觀察，林奐祥表示，汽車電氣化的發展將大量導入圖形運算，在數位人機介面的應用上，解析度將從1K畫素提升到8K畫素需求，先進駕駛輔助系統(ADAS)浮點運算能力也將從10GFLOPS提升到500GFLOPS以上，自動駕駛的資料處理，更需要將AI的算力從10TOPS提升到500TOPS以上，以滿足Level 5的資料運算需求。
而車用的需求除了運算能力之外，可靠性也是很重要的一環，Imagination分塊區域保護(Tile Region Protection)功能和安全機制，可以確保重要的顯示區域不失效，強化行車安全。林奐祥解釋，Imagination的車用IP 4NX-MC1擁有12.5TOPS算力，透過多叢集(Multi-Cluster)的架構，可以提供100TOPS算力，並可彈性架構具500TOPS算力的處理單元。
Imagination分塊區域保護(Tile Region Protection)功能和安全機制，可以確保重要的顯示區域不失效，強化行車安全