隨著汽車智能化演進，未來軟件在汽車上占的比重會越來越大，“軟件定義汽車”正愈發(fā)成為人們關(guān)注的時代趨勢。

近日，量子位以“重啟 | 重塑 | 重構(gòu)”為主題，發(fā)起第一屆 MEET 2021 智能未來大會。地平線聯(lián)合創(chuàng)始人兼技術(shù)副總裁黃暢應(yīng)邀參加活動并發(fā)表主題演講，分享了在軟件 2.0 時代 AI 芯片企業(yè)將面臨的挑戰(zhàn)以及相關(guān)解決方案。

地平線聯(lián)合創(chuàng)始人兼技術(shù)副總裁 黃暢

AI 范式演進：

利用機器替代人做更多的事情

人工智能從上世紀 60 年代誕生至今，經(jīng)歷了基于規(guī)則、人工設(shè)計特征、淺層學(xué)習(xí)、深度學(xué)習(xí)等范式的演進，未來范式還可能繼續(xù)革新。黃暢指出，范式持續(xù)推進，但核心理念都是用機器替代人實現(xiàn)更多事情，包括學(xué)習(xí)本身。

以機器視覺的一個經(jīng)典課題——識別圖片中的貓狗為例，傳統(tǒng)計算機視覺先驅(qū)提出的框架是：首先對圖像邊緣進行提取，基于圖像邊緣構(gòu)造二維物體得到 2.5D 信息，之后進一步構(gòu)造三維模型。從輸入圖像到場景理解，這是一個完整的、理想的計算機視覺鏈路。

但黃暢指出，該方案的每個步驟都有大量不確定性，因此系統(tǒng)可用性并不高。因為現(xiàn)實生活中，每個物體的高度、被遮擋情況不一，即便是同一個物體也存有許多差異。更重要的是，計算機視覺對光照條件有很強的依賴性，而現(xiàn)實世界是一個非線性變化的構(gòu)成，極其復(fù)雜。 后來，機器視覺摒棄了基于規(guī)則的方案，進入人工設(shè)計階段。專家們通過簡單的特征設(shè)計，讓機器進行淺層學(xué)習(xí)。這條路徑從低維走向高維，在高維的稀疏空間中試圖用線性方法來解決問題。但遺憾的是，這仍是一個淺層的框架應(yīng)用，提升空間非常有限。從 2012 年開始，機器視覺領(lǐng)域進入深度學(xué)習(xí)階段。發(fā)展至今，基于深度學(xué)習(xí)的圖像識別精度一直在提升，同時配合特定的硬件設(shè)計，機器運算效率越來越高。通過 AI 進行自動化搜索，自動進行關(guān)鍵特征的提取最終得到識別結(jié)果，由此大大降低人工參與度。

黃暢指出，當(dāng)下只需用約幾百分之一的計算量就能達到 8 年前圖像識別的精度。算法的進化速度甚至超過了半導(dǎo)體的摩爾定律，因為深度學(xué)習(xí)的優(yōu)勢在于，盡可能地利用了大數(shù)據(jù)、大模型和大計算。 目前，深度學(xué)習(xí)也被廣泛應(yīng)用在自動駕駛領(lǐng)域。由于現(xiàn)實世界非常復(fù)雜，通過單純的端到端算法在模擬器里進行感知、決策、控制訓(xùn)練，然后部署在自動駕駛車輛的方法是不可行的。因此必須將 AI 系統(tǒng)建立在真實物理世界之中，并持續(xù)迭代演進，這就是軟件 2.0 時代。

黃暢表示，這是目前最可行的一個大規(guī)模、持續(xù)迭代的人工智能系統(tǒng)。在這個自動化平臺上，通過構(gòu)造數(shù)據(jù)閉環(huán)，將物理世界數(shù)據(jù)進行提取，送入后端訓(xùn)練迭代模型，提升整個系統(tǒng)的精度與效率，再返回到前端，通過 OTA 更新前端模型，從而打造一個完整的數(shù)據(jù)閉環(huán)。這個過程需要一套非常完整的體系，包含數(shù)據(jù)系統(tǒng)和計算系統(tǒng)。

以數(shù)據(jù)系統(tǒng)為例，以往的訓(xùn)練模型里數(shù)據(jù)都是停滯的。但真正的大數(shù)據(jù)閉環(huán)依賴于訓(xùn)練模型通過 OTA 服務(wù)器部署到車輛，采集更多數(shù)據(jù)，通過數(shù)據(jù)挖掘送到閉環(huán)數(shù)據(jù)系統(tǒng)中進行快速迭代，一個小閉環(huán)+大閉環(huán)才構(gòu)成完整的軟件 2.0 開發(fā)系統(tǒng)。

軟件 2.0 時代：

算力并非芯片唯一評估標(biāo)準(zhǔn)黃暢指出，盡管近年來軟件算法的演進非常快，每 10-14 個月，相同的計算精度計算量可以下降一半。但這種提升是以算法設(shè)計的越發(fā)巧妙作為前提的，而算法的巧妙設(shè)計會對計算架構(gòu)提出巨大的挑戰(zhàn)，尤其是對傳統(tǒng)通用的并行架構(gòu)而言。 這也意味著，自動駕駛領(lǐng)域的專門處理器架構(gòu)設(shè)計變得尤為重要，如果繼續(xù)沿用通用計算架構(gòu)，會使得更先進的自動駕駛算法無法高效運行。對此，地平線認為，基于軟硬結(jié)合芯片設(shè)計理念的計算架構(gòu)優(yōu)化對于提升芯片效能有重要作用。

因此，地平線自主研發(fā)了 AI 專用處理器架構(gòu) BPU，并規(guī)劃了高斯、伯努利和貝葉斯三代 BPU 架構(gòu)。 黃暢認為，芯片處理器的設(shè)計有三個指標(biāo)：Performance、Power、Area。其中 Power、Area定義了芯片的使用成本和制造成本，但最重要的是 Performance。如果沒有 Performance，芯片無論功耗再低、面積再小、成本再低，也是無用的。 但同時，單純依賴這三個指標(biāo)容易衍生“算力至上”的性能評估方法。但事實上，算力并非芯片唯一的評估標(biāo)準(zhǔn)。

為此，地平線提出了一個 MAPS（Mean Accuracy-guaranteed ProcessingSpeed）概念和評估方法，以此作為檢驗 AI 性能的真正標(biāo)準(zhǔn)。通俗來說，就是在特定的 AI 應(yīng)用領(lǐng)域，看芯片處理 AI 任務(wù)的速度和精度，即“多快”和“多準(zhǔn)”。以知名的 ImageNet 圖像分類任務(wù)為例，通過地平線征程 3、征程 5 和基于 GPU 的芯片相比，可以發(fā)現(xiàn)地平線征程 3 用 8% 的功耗能就能達到 50% 的 MAPS 處理器性能，而征程 5 可以用 50% 功耗達到 500% 的 MAPS 性能。

然而，自動駕駛領(lǐng)域中的物體檢測是比圖像分類更復(fù)雜的任務(wù)。不僅要識別物體，還要識別位置和大小，此外路面上還有車輛、行人、車道線等各種障礙物。在這個任務(wù)中，地平線征程 5 和友商芯片同樣是 50% 的功耗，但地平線的性能提升了 13 倍。這也反映了，地平線將先進算法和先進處理器架構(gòu)設(shè)計結(jié)合在一起，最終實現(xiàn)功耗、性能（包含速度和精度）等方面的最優(yōu)解。

征程 5 即將到來：

為軟件 2.0 時代強勢賦能

在地平線看來，汽車終將成為四個輪子上的超級計算機，車載 AI 芯片是智能汽車的數(shù)字發(fā)動機，也是整個 AI 行業(yè)的珠穆朗瑪峰。 為攀上這座高峰，在今年北京車展上，地平線除了推出了新一代車規(guī)級 AI 芯片征程 3，明年年初，面向下一代智能駕駛場景的征程 5 芯片也將會發(fā)布，屆時 AI 性能將比肩特斯拉 FSD。

從 MAPS 的跑分結(jié)果來看，征程 5 的 MAPS 跑分可高達 3026FPS，征程 5P 的 MAPS 性能為 6391FPS，可滿足車廠高級別自動駕駛的量產(chǎn)需求。目前征程 5 已經(jīng)斬獲車型定點。面對智能駕駛的時代浪潮，地平線將始終定位為 Tier2 供應(yīng)商, 堅持以“芯片+算法+開發(fā)平臺”為基礎(chǔ)平臺，更結(jié)合整套數(shù)據(jù)閉環(huán)的能力進行底層技術(shù)開放賦能。

在實際落地層面，地平線征程 2 賦能長安 UNI-T 實現(xiàn)了中國車規(guī)級 AI 芯片的首次上車量產(chǎn)，在今年開啟了車規(guī)級 AI 芯片的前裝量產(chǎn)元年。 未來，地平線將同長安、上汽、廣汽、一汽、理想汽車、奇瑞汽車、長城汽車等國內(nèi)主機廠以及奧迪、大陸集團，佛吉亞等國際知名主機廠及 Tier1 持續(xù)深度合作、加速智能汽車芯生態(tài)搭建，通過發(fā)揮自身的核心技術(shù)優(yōu)勢，攜手合作伙伴共贏產(chǎn)業(yè)變革轉(zhuǎn)型之戰(zhàn)。

責(zé)任編輯：xj

原文標(biāo)題：軟件 2.0 時代，AI 芯片如何應(yīng)對自動駕駛系統(tǒng)大規(guī)模、持續(xù)迭代挑戰(zhàn)？

文章出處：【微信公眾號：地平線HorizonRobotics】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。