AI范式演进：利用机器替代人做更多的事情

随着汽车智能化演进，未来软件在汽车上占的比重会越来越大，“软件定义汽车”正愈发成为人们关注的时代趋势。

近日，量子位以“重启 | 重塑 | 重构”为主题，发起第一届 MEET 2021 智能未来大会。地平线联合创始人兼技术副总裁黄畅应邀参加活动并发表主题演讲，分享了在软件 2.0 时代 AI 芯片企业将面临的挑战以及相关解决方案。

地平线联合创始人兼技术副总裁 黄畅

AI 范式演进：

利用机器替代人做更多的事情

人工智能从上世纪 60 年代诞生至今，经历了基于规则、人工设计特征、浅层学习、深度学习等范式的演进，未来范式还可能继续革新。黄畅指出，范式持续推进，但核心理念都是用机器替代人实现更多事情，包括学习本身。

以机器视觉的一个经典课题——识别图片中的猫狗为例，传统计算机视觉先驱提出的框架是：首先对图像边缘进行提取，基于图像边缘构造二维物体得到 2.5D 信息，之后进一步构造三维模型。从输入图像到场景理解，这是一个完整的、理想的计算机视觉链路。

但黄畅指出，该方案的每个步骤都有大量不确定性，因此系统可用性并不高。因为现实生活中，每个物体的高度、被遮挡情况不一，即便是同一个物体也存有许多差异。更重要的是，计算机视觉对光照条件有很强的依赖性，而现实世界是一个非线性变化的构成，极其复杂。 后来，机器视觉摒弃了基于规则的方案，进入人工设计阶段。专家们通过简单的特征设计，让机器进行浅层学习。这条路径从低维走向高维，在高维的稀疏空间中试图用线性方法来解决问题。但遗憾的是，这仍是一个浅层的框架应用，提升空间非常有限。从 2012 年开始，机器视觉领域进入深度学习阶段。发展至今，基于深度学习的图像识别精度一直在提升，同时配合特定的硬件设计，机器运算效率越来越高。通过 AI 进行自动化搜索，自动进行关键特征的提取最终得到识别结果，由此大大降低人工参与度。

黄畅指出，当下只需用约几百分之一的计算量就能达到 8 年前图像识别的精度。算法的进化速度甚至超过了半导体的摩尔定律，因为深度学习的优势在于，尽可能地利用了大数据、大模型和大计算。 目前，深度学习也被广泛应用在自动驾驶领域。由于现实世界非常复杂，通过单纯的端到端算法在模拟器里进行感知、决策、控制训练，然后部署在自动驾驶车辆的方法是不可行的。因此必须将 AI 系统建立在真实物理世界之中，并持续迭代演进，这就是软件 2.0 时代。

黄畅表示，这是目前最可行的一个大规模、持续迭代的人工智能系统。在这个自动化平台上，通过构造数据闭环，将物理世界数据进行提取，送入后端训练迭代模型，提升整个系统的精度与效率，再返回到前端，通过 OTA 更新前端模型，从而打造一个完整的数据闭环。这个过程需要一套非常完整的体系，包含数据系统和计算系统。

以数据系统为例，以往的训练模型里数据都是停滞的。但真正的大数据闭环依赖于训练模型通过 OTA 服务器部署到车辆，采集更多数据，通过数据挖掘送到闭环数据系统中进行快速迭代，一个小闭环+大闭环才构成完整的软件 2.0 开发系统。

软件 2.0 时代：

算力并非芯片唯一评估标准黄畅指出，尽管近年来软件算法的演进非常快，每 10-14 个月，相同的计算精度计算量可以下降一半。但这种提升是以算法设计的越发巧妙作为前提的，而算法的巧妙设计会对计算架构提出巨大的挑战，尤其是对传统通用的并行架构而言。 这也意味着，自动驾驶领域的专门处理器架构设计变得尤为重要，如果继续沿用通用计算架构，会使得更先进的自动驾驶算法无法高效运行。对此，地平线认为，基于软硬结合芯片设计理念的计算架构优化对于提升芯片效能有重要作用。

因此，地平线自主研发了 AI 专用处理器架构 BPU，并规划了高斯、伯努利和贝叶斯三代 BPU 架构。 黄畅认为，芯片处理器的设计有三个指标：Performance、Power、Area。其中 Power、Area定义了芯片的使用成本和制造成本，但最重要的是 Performance。如果没有 Performance，芯片无论功耗再低、面积再小、成本再低，也是无用的。 但同时，单纯依赖这三个指标容易衍生“算力至上”的性能评估方法。但事实上，算力并非芯片唯一的评估标准。

为此，地平线提出了一个 MAPS（Mean Accuracy-guaranteed ProcessingSpeed）概念和评估方法，以此作为检验 AI 性能的真正标准。通俗来说，就是在特定的 AI 应用领域，看芯片处理 AI 任务的速度和精度，即“多快”和“多准”。以知名的 ImageNet 图像分类任务为例，通过地平线征程 3、征程 5 和基于 GPU 的芯片相比，可以发现地平线征程 3 用 8% 的功耗能就能达到 50% 的 MAPS 处理器性能，而征程 5 可以用 50% 功耗达到 500% 的 MAPS 性能。

然而，自动驾驶领域中的物体检测是比图像分类更复杂的任务。不仅要识别物体，还要识别位置和大小，此外路面上还有车辆、行人、车道线等各种障碍物。在这个任务中，地平线征程 5 和友商芯片同样是 50% 的功耗，但地平线的性能提升了 13 倍。这也反映了，地平线将先进算法和先进处理器架构设计结合在一起，最终实现功耗、性能（包含速度和精度）等方面的最优解。

征程 5 即将到来：

为软件 2.0 时代强势赋能

在地平线看来，汽车终将成为四个轮子上的超级计算机，车载 AI 芯片是智能汽车的数字发动机，也是整个 AI 行业的珠穆朗玛峰。 为攀上这座高峰，在今年北京车展上，地平线除了推出了新一代车规级 AI 芯片征程 3，明年年初，面向下一代智能驾驶场景的征程 5 芯片也将会发布，届时 AI 性能将比肩特斯拉 FSD。

从 MAPS 的跑分结果来看，征程 5 的 MAPS 跑分可高达 3026FPS，征程 5P 的 MAPS 性能为 6391FPS，可满足车厂高级别自动驾驶的量产需求。目前征程 5 已经斩获车型定点。面对智能驾驶的时代浪潮，地平线将始终定位为 Tier2 供应商, 坚持以“芯片+算法+开发平台”为基础平台，更结合整套数据闭环的能力进行底层技术开放赋能。

在实际落地层面，地平线征程 2 赋能长安 UNI-T 实现了中国车规级 AI 芯片的首次上车量产，在今年开启了车规级 AI 芯片的前装量产元年。 未来，地平线将同长安、上汽、广汽、一汽、理想汽车、奇瑞汽车、长城汽车等国内主机厂以及奥迪、大陆集团，佛吉亚等国际知名主机厂及 Tier1 持续深度合作、加速智能汽车芯生态搭建，通过发挥自身的核心技术优势，携手合作伙伴共赢产业变革转型之战。

责任编辑：xj

原文标题：软件 2.0 时代，AI 芯片如何应对自动驾驶系统大规模、持续迭代挑战？

文章出处：【微信公众号：地平线HorizonRobotics】欢迎添加关注！文章转载请注明出处。