我们之前提到了深度学习和智能驾驶AI芯片门当户对，他的目的是获得一个鲁棒性好、泛化能力强的深度学习模型。而这个深度学习模型是一个充满参数的数学模型，这些参数决定了模型的高矮胖瘦。
在没有学习之前，这个模型犹如不识字的孩童，只知道哭，但是当我们把一个巨大的数据集喂给模型时，模型的参数就开始基于这些数据集开始进化，直到找到最优的那组参数。这个时候的模型就是象牙塔毕业的有为青年。
基于训练好的模型结合实时获得的传感器数据，准确的，快速的输出感知，识别，预测结果被称为推理。伴随决策也在AI化，博弈网络的引入，推理所需的算力自然也要高。训练一般在云端或本地端，推理在车端。这样一来，谁的硬件资源可以更好地匹配深度学习算法在训练，推理过程的基本运算，谁就有座金龟婿的潜质。
GPU就是将一些深度学习用的基本运算进行硬件化，比如MAC，通过大量硬件逻辑电路完成计算，因此可以大幅提升计算速度。但是对于智能驾驶领域，各种深度学习算法在进化，每天都有可能产生新的更高效的深度学习模型，二不同模型在训练，推理过程对基本运算的依赖程度不同。整形，混合精度都可以排列组合。同时还可以在推理的时候切换不同的模型。使用GPU，可以起到加速作用，但是无法发挥最大的潜质。
FPGA
FPGA具有极低的延迟，无需依赖OS，涉及到三大技术：（1）结构布局，内部布局细腻。（2）接口支持，决定了与外围设备兼容性。（3）EDA能力，EDA工具是FPGA可编程的关键。
FPGA的编程灵活性，特别适合算法不断更新的领域，可以节省好几个月的流片时间，还能避免一次性工程费用。但是灵活性的代价就是牺牲了一定程度的处理效率，峰值和性能低于GPU。而且门槛也很高。
ASIC
ASIC（Application Specific Integrated Circuit，应用型专用集成电路），是针对某种特定功能需求，设计，开发d额专用类型芯片。这种针对估计算法的专用芯片，可以实现最佳计算能力，最优计算效率。
DSP
数字信号处理器，是一种采用程序存储器和数据存储器分开的哈佛架构微处理器。DSP从模数转换器获得数字信号，通过内部算法处理后输出给模数转换器生成模拟信号。通过硬件上专门的乘数累加器，基于单指令多数据流操作的特殊指令集，可以实现数字信号快速的并行处理。目前管用用于音视频压缩，编解码，语音识别和处理还有数字图像处理，雷达应用。
以美国为代表的一些芯片公司如Nvidia， Intel， Qualcomm，AMD，总是可以在芯片上领先国内，但是我们也有很多企业家，学成归来，消化吸收国外的技术，自己去研发创业，最终希望取而代之。但是这是一条漫长的道路，路漫漫其修远兮，要打造完善的生态，契合客户的需求，真的不容易。
如果算力是智能驾驶芯片企业冰面上的比拼参数，那么软件生态就是冰面下的竞争壁垒。华丽的参数，如果没有全栈易用的工具链，很容易将焦躁的开发团队拒之门外。而生态建设有需要产业链上下游沉住气，通力合作，不断打磨。
最后，智能驾驶公司对算力的追逐也可能是内功不足的表现，前期测试，Demo可以在消费级桌面X86 CPU和显卡上。而真正落地切到以ARM CPU为主的SOC时，研发团队不知道系统可以优化多少，不知道我对运算能力的需求，保守的做法可能就只能选用市面上最强的SOC，预埋最强的硬件，毕竟智能驾驶还是一个没有完全断奶，需要持续喂养的娃娃！
我们希望这个娃娃快快长大！
网友评论