聊聊自動駕駛的軀體與靈魂

特斯拉可付費線上啟用後排座椅加熱功能曾多次進入熱搜，許多人都稱之為軟體定義汽車的又一次科普。軟體定義汽車這個論斷已經開始深入人心！

那麼未來汽車真的會由軟體來定義嗎？或者說未來汽車真的只由軟體來定義就夠了麼？

硬體與軟體——-皮之不存毛將焉附？

軟體與硬體從來都是唇齒相依的共生關係，硬體是軟體的載體，軟體是硬體的表達，軟體決定了硬體的操控水平，硬體決定了軟體的功能邊界。

以消費電子的頭部網紅美國蘋果公司為例，這家以手機作業系統為核心競爭力的軟體生態公司，卻出人意外地在每場新品釋出會上用大篇幅時間介紹其產品在硬體方面的黑科技。其實在我們的生活中也有這種感受，用一臺老電腦玩最新的大型遊戲完全帶不動，用老手機裝新系統卡頓得讓人懷疑人生。所以軟體在前面大放異彩，少不了硬體在背後默默地支援。

自動駕駛落地需要硬體（AI晶片）的算力支援

自動駕駛的實現，需要依賴感知感測器對道路環境的資訊進行採集，包括超聲波、攝像頭、毫米波雷達、鐳射雷達等，採集的資料需要傳送到汽車中央處理器進行處理，用來識別障礙物、可行道路等，最後依據識別的結果，規劃路徑、制定速度，自動驅使汽車行駛。整個過程需要在瞬時完成，延時必須要控制在毫秒甚至微秒級別，才能保證自動駕駛的行駛安全。要完成瞬時處理、反饋、決策規劃、執行的效果，對中央處理器的算力要求非常高。最直觀的體現，便是用於感知道路環境的攝像頭，通常密佈車身，數量在12個左右，為了識別障礙物，處理器需要對多路攝像頭實時拍攝的資料進行解析，而單顆1080P的高畫質攝像頭每秒可以產生超過1G的資料，資料量不可謂不大。而為了準確識別影象、影片中的有效資訊，業內多采用深度學習神經網路。

深度學習由訓練和推理兩個部分組成

深度學習的根本思想就是把任何事物轉化成高維空間的向量，而強大無比的神經網路則是無數的矩陣運算和簡單的非線性變換的結合。深度學習神經網路的實質就是將分析過程抽象成乘法的乘積結果和累加器的值相加，再存入累加器的乘法累積計算。深度學習的關鍵理論是線性代數和機率論，剩下的就是蠻力計算，因此深度學習神經網路尤其是幾百上千層的神經網路對高效能計算要求非常高！因為算力越高在一定時間內就可以處理更多的資訊，決策的準確性就會越高！研究表明自動駕駛等級每提高一級，算力就得增加一個數量級，L2 級別只需2TOPS（TOPS：萬億次浮點指令每秒）算力，但L5則需4000多TOPS算力。

如果說傳統燃油車的效能好壞很大一部分由發動機功來決定，那麼未來自動駕駛汽車的好壞很大一部分由AI晶片這個數字引擎的來決定！

自動駕駛硬體（AI晶片）的架構分類

由於自動駕駛高算力和低功耗的強烈需求，傳統單獨依靠CPU控制晶片已不能滿足該領域的應用需求。CPU最大的優勢是靈活性。透過馮諾依曼架構，我們可以為數百萬的不同應用載入任何軟體。但是由於CPU非常靈活，硬體無法一直了解下一個計算是什麼，直到它讀取了軟體的下一個指令。CPU必須在內部將每次計算的結果儲存到記憶體中（也被稱為暫存器或 L1 快取）。記憶體訪問成為CPU架構的短板，被稱為馮諾依曼瓶頸。雖然神經網路的大規模運算中的每一步都是完全可預測的，每一個CPU的算術邏輯單元（ALU，控制乘法器和加法器的元件）都只能一個接一個地執行它們，每一次都需要訪問記憶體，限制了總體吞吐量，並需要大量的能耗。總而言之CPU雖然能夠非常高效地處理各種計算任務，但CPU的侷限是一次只能處理相對來說很少量的任務，因此其計算速度要求無法滿足深度學習這種需要出色的並行矩陣計算能力的應用場景需求！

CPU已經不能滿足未來自動駕駛晶片的要求

目前，應用於L3 以上自動駕駛領域的主控制晶片按照技術架構主要分為三大類：

一、以英偉達公司的DRIVE PX平臺為代表的影象處理單元GPU（Graphics Processing Unit）。GPU在執行單個任務時效率較低，而且所能處理的任務範圍更小。不過GPU 的強大之處在於它們能夠同時執行許多工，因此GPU對處理複雜運算擁有天然的優勢。例如，如果你需要乘3個浮點數，CPU會強過GPU；但如果你需要做100萬次3個浮點數的乘法，那麼GPU會碾壓CPU。實踐證明GPU對於神經網路的訓練和分類都可以提供顯著的加速效果。

但是GPU在應用於深度學習演算法時仍然有四個方面的侷限性：

1，應用過程中無法充分發揮平行計算優勢。深度學習包含訓練和推斷兩個計算環節，GPU 在深度學習演算法訓練上非常高效，但對於單一輸入進行推斷的場合，並行度的優勢不能完全發揮；

2，無法靈活配置硬體結構。GPU 採用 SIMT 計算模式，硬體結構相對固定。目前深度學習演算法還未完全穩定，若深度學習演算法發生大的變化，GPU 無法靈活的配置硬體結構；

3，GPU仍然是一種通用的處理器，這又把我們帶回到了基礎的問題-馮諾依曼瓶頸。在每次幾千個ALU的計算中，GPU 都需要訪問暫存器或共享記憶體來讀取和儲存中間計算結果。因此GPU若想在其 ALU上執行更多的平行計算，它也會成比例地耗費更多的能量來訪問記憶體，同時也因為複雜的線路而增加 GPU 的物理空間佔用。因此為了提升執行速度，GPU選擇堆砌核心，導致尺寸不具有優勢；

4，GPU功耗巨大。NVIDIA 的 Drive PX 以及 Xavier 效能雖強，但整體功耗達到了250w，這會對汽車的電力系統造成一定壓力。一般狀態下的汽油車是隻有引擎發動時才能發電帶動功耗較大的裝置功能，比如說冷氣，如果自動駕駛的控制核心就必須消耗上百瓦的功耗，雖然理論上可以在怠速時關閉大部分針對自動駕駛的計算功能來節省功耗，但對於燃油汽車的傳統電池仍會造成相當大的壓力。就算是電動車，如果非馬達部件需要消耗這麼大的電力，那對於行駛里程也將有一定的減損。且如果開啟自動駕駛，這些控制核心為了對外圍環境進行計算、掌握變化，並隨時針對駕駛情境進行反應，理論上都是要不間斷、滿負荷工作，根本沒有機會進入可以降低功耗的休息模式。

自動駕駛的晶片需要實時統合龐大的資料，從而判斷出駕駛環境並決定駕駛策略

二、以地平線公司的征程系列為代表專用整合電ASIC（Application Specific Integrated Circuit）。ASIC晶片的計算能力和計算效率都直接根據特定的演算法的需要進行定製的，所以其可以實現體積小、功耗低、高可靠性、保密性強、計算效能高、計算效率高等優勢。所以，在其所針對的特定的應用領域，ASIC晶片的能效表現要遠超CPU、GPU等通用型晶片以及半定製的FPGA。

地平線征程3晶片算力達到5TOPS，功耗僅有2。5W

以蔚來ES8上使用的Mobileye EyeQ4晶片為例，其最高運算速率為2。5TOPS，功耗僅為3W。奧迪A8、沃爾沃XC90、特斯拉Model S等自動駕駛車型上搭載了Mobileye EyeQ3晶片，最高運算速率為0。256TOPS，功耗為2。5W，也可滿足自動駕駛L2~L3級所需的計算能力。

除了地平線征程系列、Mobileye的EyeQ系列以外，谷歌的TPU系列、寒武紀的Cambricon1M系列也都屬於ASIC晶片。

當然，ASIC晶片的缺點也很明顯，因為其是針對特定演算法設計的，一旦晶片設計完畢，其所適應的演算法就是固定的，所以一旦演算法發生變化就可能將會無法使用。但是，隨著自動駕駛軟體、演算法越來越成熟和穩定，車企們都將會選擇自主開發匹配自己技術方案的自動駕駛專用晶片ASIC。

不同體系結構效能和靈活性的比較

三、以Xilinx公司的ZYNQ 系列為代表的現場可程式設計門陣列FPGA（Field-Pro grammable Gate Array）。FPGA 是在 PAL、GAL、CPLD 等可程式設計器件基礎上進一步發展的產物，可以透過燒入 FPGA 配置檔案來定義這些閘電路以及儲存器之間的連線從而實現功能。FPGA可同時進行資料並行和任務平行計算，可以實現比 GPU 更高的併發處理。在密集處理和高併發上能力上佔優，而且功耗比 CPU、GPU低。儘管FPGA備受看好，但其畢竟不是專門為了深度學習演算法而研發，在實際應用中也存在諸多侷限：

1、基本單元的計算能力有限。為了實現可重構特性，FPGA 內部有大量極細粒度的基本單元，但是每個單元的計算能力（主要依靠 LUT 查詢表）都遠遠低於 CPU 和 GPU 中的 ALU模組；

2、計算資源佔比相對較低。為實現可重構特性，FPGA 內部大量資源被用於可配置的片上路由與連線；

3、速度和功耗相對專用定製晶片（ASIC）仍然存在不小差距；

4、FPGA 價格比起 ASIC 較為昂貴，在規模放量的情況下單塊 FPGA 的成本要遠高於專用定製晶片ASIC。

硬體與軟體---軀體與靈魂

如果把軟體比作未來汽車的靈魂，那麼搭載軟體的硬體則是靈魂所依靠的軀體。

靈魂與軀體之間是是密不可分，軟體與硬體同樣是一種融合共生的關係。

沒有高效能的硬體，軟體無法發揮自己的優勢，軟體不夠最佳化，再強大的硬體也無處施展自己的效能，聰明的軟體配合強大的硬體才能讓自動駕駛技術最終落地為人類服務。

而未來汽車必將是一個擁有強健體魄和聰明大腦的有機體！