一村資本深度｜自動駕駛需求如何驅動AI芯片創新

雷彬擁有近20年的美國硅谷高科技行業經驗，曾在芯片、軟件、電子類公司擔任CEO、全球營銷及市場副總裁等職務，并多次榮獲行業創新獎、美國CES創新科技產品大獎，在專業技術的市場化和全球戰略合作方面成績卓著。

汽車技術正經歷翻天覆地的轉型，軟件不僅可以監控引擎、播放音樂、提醒司機前方的交通危險，還能支持許多其他功能。然而，隨著汽車自動化駕駛的發展，“軟件慢、芯片快”這句老話的意義愈發凸顯，汽車自動駕駛時不容許絲毫差錯，隨著全自動駕駛的普及，芯片將引領未來創新。

邊緣AI為何需要尖端芯片？

人工智能（AI）需要更適合AI應用程序處理的特殊架構。未來，人們將使用Tensor架構，而不是通常分別用于中央處理器（CPU）、數字處理器（DPU）或圖片處理器（GPU）中的線性或矢量處理。尖端芯片或專用協處理器正成為設備端AI、邊緣AI甚至云AI處理的主流。除了架構優勢外，邊緣AI在局部性、隱私性、延時、功耗限制和移動支持等方面同樣大有裨益。

在技術層面實現自動駕駛為何格外困難？

自動駕駛汽車不僅需要處理傳感器（如攝像頭、激光雷達、雷達和超聲波）捕獲的大量數據，還需要提供實時反饋，如交通狀況、突發事件、天氣狀況、路標、交通信號等。這要求處理器每秒鐘進行萬億次以上的操作（TOPS）來同時處理多項艱巨的任務，如目標提取、檢測、分割、跟蹤等，在這個過程中，操作運行會產生高功耗，高速處理、可靠性和精確度也都至關重要，并且要比人工處理做得更好。

L3級以上自動駕駛汽車的計算挑戰

當前，大部分自動駕駛汽車都是用GPU進行核心AI處理。GPU的處理速度不及定制芯片（ASIC，專用集成電路）快，成本也更高，因而我們更需要的是專用AI自動處理器，但功耗是最大的問題。要想讓L3級以上的自動駕駛汽車完美運行，需要100瓦至1000瓦的功率來處理多個攝像頭、雷達、激光雷達等傳來的實時高清內容，對功率的要求極高，從本質上來說，這意味著需要專用電池來進行處理。

（圖片源于GTI官網，一村資本整理）

對于自動AI而言，以下哪些芯片的應用范圍最廣？

圖形處理器（GPU）、現場可編程邏輯門陣列（FPGA）、專用集成電路（ASIC）或中央處理器（CPU）

CPU是具有線性結構的通用處理器。理想情況下，CPU更適合用于一般但重要的非AI任務。條件允許時，應避免因AI處理引起的CPU過載。GPU通常用于圖形和博弈，但由于其具有靈活性和相對較高的處理能力，它也可用于AI訓練和邊緣應用中。此外還有一些其他問題，比如GPU和CPU之間的數據傳輸最終會成為系統的一大限制。GPU的其他主要缺點在于功耗和成本。GPU多用于云AI及其靈活性和可配置屬性。ASICs更適合用于AI應用等計算處理量大、成本低且功耗要求高的特定應用任務。在AI應用中使用AI專用協處理器正成為主流，尤其是在邊緣應用中更是如此。我們相信，未來在自動駕駛領域方面，將會出現非基于GPU的專用處理器和系統來實現這一目的。

（圖片源于GTI官網，一村資本整理）

為何邊緣計算對未來如此重要？

邊緣計算的重要性體現在以下幾個方面：局部性、低延時性、隱私性/安全性、移動支持以及功耗限制。

自動AI出錯或將影響生命安全，制造商該如何確保零差錯？

回顧過往與自動駕駛相關的事故或問題，我們會發現，每個案例都是全新的，因為機器學習并不完全了解該如何應對，或是做出錯誤應對。這整個過程都需要時間，但不允許出現任何差錯。90%以上的車禍都是由于人為失誤導致的，人工出錯可以被原諒，但機器錯誤絕不容許。學習能力和算法的應用可以提高AI精確度。除了算法外，基礎設施和政府條例對于實現自動駕駛同樣非常重要。目前，多家頂級公司正在對公路條件下的L3級以上（L3+、L4和L5）場景進行評估。

傳感器（如攝像頭、激光雷達、超聲波和雷達）的作用何在？

攝像頭通常用于視覺處理，通過對周圍環境的感知，進行目標檢測、識別、分割、（車道）跟蹤、盲點監測、停車輔助、交通標志識別和顏色信息提供。攝像頭通常不提供距離信息。激光雷達多用于360°檢測，具有高精確度和高分辨率的特點。它可用于交通堵塞、自動緊急制動（AEB）、公路駕駛等場景。激光雷達價格高昂，且不提供顏色信息。雷達用于目標檢測，分辨率高低各異，適用于遠程場景，但無法分辨出具體目標。超聲波常用于停車輔助、盲點監測以及在信號管制下的自動巡航控制（ACC），有助于巡航控制、防撞、距離傳感器和低分辨率耐候性。

融合是如何發揮作用的？

傳感器融合用于自動駕駛數據融合，目前采用分布式架構，但正在向集中式架構轉型。后期融合（現行）使用來自傳感器的目標清單（已完成的任務），目前用于L2和L3等級。而早期融合（未來趨勢）用的是來自傳感器的原始數據，這對L3+、L4和L5等級十分必要。

芯片對于啟動自動駕駛汽車的“大腦”和“眼睛”至關重要，AI如何讓這些傳感器發揮作用？

一共有三種方法。其一，通過內/外置攝像頭、激光雷達、雷達和超聲波感知周圍環境，然后通過AI計算處理、算法、訓練、推算和數據/傳感器融合進行理解，用于數據結構化、分割、目標檢測和視頻理解。其二，通過背景感知、路徑規劃和任務優先級進行規劃。其三，進行驅動/控制，包括駕駛、制動、加速以及引擎和傳輸控制。

未來三年，可能會出現哪些AI傳感器？

圖像傳感器的應用范圍十分廣泛，從智能手機到機器視覺和汽車，不一而足。CMOS圖像傳感器（CIS）市場將繼續在傳感和AI領域實現顛覆性創新和增長。除了實現自動駕駛汽車的基本功能外，原始設備制造商（OEMs）也開始將深度學習算法應用于目標識別和分割中，這些通常用于高級輔助駕駛系統（ADAS）級別。大型公司和初創公司繼續提供基于L3+的服務，包括機器人出租車和智能公共交通。這些新興應用和系統已迅速被豐富多樣的生態系統所包圍，在傳感器和計算方面尤為如此。用于高端AI應用的圖像信號處理器（ISP）將需要復雜的視覺處理器和加速器。硬件既可以是獨立的單片系統（SoC），也可以是SoC+AI組合處理器，這有助于提高集成電路的容量與收益。除了汽車領域外，AI攝像頭在智能城市、智能家居/零售、工業物聯網、智能交通和資源管理以及安全等方面也有應用，包括監控、檢測和識別。這些應用展現了強大的ISPs和視覺處理器的發展，可以通過深度學習來處理當前的分析算法和未來的AI。

關于 Gyrfalcon Technology Inc

Gyrfalcon Technology Inc.（GTI）是全球領先的高性能AI加速器開發商，采用低功耗封裝，低成本和小尺寸芯片。Gyrfalcon（海東青）是一種以飛行速度迅疾著稱的鳥。GTI由硅谷資深創業者和人工智能科學家創立，旨在推廣云人工智能應用于當地設備的能力，提供更高的性能和效率，為新設備提供功效最大化的AI定制服務，讓人工智能產業化成為可能。

GTI利用人工智能和深度學習的力量，為AI攝像頭和自動駕駛汽車提供突破性的解決方案，具備極強的性能、能效和可擴展性，在設備、邊緣和云級別加速人工智能推理。2017年,一村資本聯合華天科技(002185)完成了對GTI首輪領投投資。

標簽：