一篇文章带你看懂自动驾驶的“战国时代”

本篇文章3445字，读完约9分钟

我们能否赢得自动驾驶的竞争将在很大程度上决定未来十年汽车制造商的命运。

如果说三年前传统汽车公司还对自动驾驶持怀疑态度的话，现在他们几乎完全注入了自动驾驶。谁能首先将自主驾驶付诸实践，谁就能赢得下一个时代，而竞争的关键取决于决策算法和计算平台。

自动驾驶仪进入了战国时代

首先，人群聚集在一起，自动驾驶

在新年的第一周，如果你想找一个地方和汽车行业的人交谈，最合适的地方一定是拉斯维加斯。今年的消费电子展，汽车制造商的参与程度堪比北美汽车展，而最热门的话题无疑是自动驾驶。在消费电子展开幕前夕发表的演讲一直被视为消费电子展的风向标。今年，主角从英特尔和微软变成了英伟达。首席执行官黄仁勋演讲的主题是人工智能和自动驾驶。

在这次消费电子展上，英国菲尼迪、梅赛德斯-奔驰、日产、现代、德尔福、大众、福特、丰田等公司竞相展示自己的自动驾驶汽车原型。与此同时，福特、沃尔沃、谷歌和宝马都宣布计划今年数次扩大自动驾驶测试团队的数量，从40个增加到100个。

如果谷歌五年前开始无人驾驶汽车测试，它就像春秋时代的一个孤独的传教士，追随者很少，怀疑者很多。所以现在是战国时期的自动驾驶，而传统的汽车公司几乎都已经进入了自动驾驶。

二、对自主驾驶和汽车商业模式的颠覆

一方面，谷歌(Google)、优步(uber)和特斯拉(Tesla)等公司不断用事实展示技术进步，但主要驱动力是，传统汽车制造商越来越意识到自主驾驶技术将给汽车商业模式带来颠覆性的变化，这可能是自内燃机发明以来汽车行业最重大的变化。

自动驾驶的商业潜力是什么？本质上，自动驾驶和互联网有一个共同点:它们都通过减少人力来降低传输成本。互联网降低了信息的传输成本，而自主驾驶降低了有形物品和人员的运输成本。与互联网的商业影响相比，我们可以想象自主驾驶的商业潜力。

在自动驾驶的帮助下，一箱德国啤酒离开工厂，去了中国的一家超市。它可以在整个过程中自动运输，无需任何人工干预。它将通过船只、海关、高速公路和中间的城市，任务调度可以在云中完成，这提供了一个端到端的运输解决方案。这将需要无缝的基础设施连接，但根本的变化是不需要使用人力运输。

借助自动驾驶，从首都机场到上海的淮海路可以提前预订，中间可能会有几个拼车，以最大限度地提高计算效率，就像手机基站切换一样，但整个过程仍然是无缝连接的。

第三，新的运输模式:taas2.0

基于这一应用，taas2.0(运输即服务)正成为业界的热门话题。在这里，taas1.0被定义为有人驾驶，而自动驾驶是taas 2.0的时代。摩根士丹利在最近的一份报告中称，完全无人驾驶汽车将大大降低拼车成本，每辆车将从目前的每英里1.5美元降至每英里20美分。

运输方式的这一变化对传统汽车制造商产生了巨大影响。一旦汽车从私有制转变为共享运输，传统汽车制造商的目标客户将从个人消费者转变为taas运营商，就像华为和中国移动之间的关系一样。因此，汽车的设计和销售将发生根本性的变化，汽车制造商很难保持原来的强势地位。

共享汽车的利用率将提高一个数量级(考虑到我们私家车的行驶时间和每次的乘客数量)。因此，汽车的整体销量很可能下降，自行车市场的历史可以作为参考。2000年以前，自行车是中国私人旅行的主要交通工具，相应地，自行车在中国的年销售量达到5000万辆。中国自行车等世界级品牌已经出现，但在自行车作为私人旅行工具被汽车取代后，中国自行车陷入破产。如今，自行车已经成为一种旅游服务工具，设计也发生了很大的变化，剩下的市场无法与当年的规模相比。如今，中国的自行车消费还不到高峰期的40%，而且仍在萎缩。

这意味着整个汽车工厂将遭遇残酷的淘汰。

福特采取了预防措施，高调宣布其为旅游服务提供商，并启动了福特帕斯项目。向消费者提供的服务包括:移动旅行服务、帮助消费者更有效旅行的在线导游服务等等。福特首席执行官马克·路菲尔德称这是自福特为世界发明汽车以来最具革命性的全新平台。Alphabet(谷歌的母公司)在作为独立公司waymo建立了自主驾驶项目后，也表示将在今年下半年开始提供拼车服务，这是基于与菲亚特(Fiat Chrysler)联合开发的半自动驾驶mpv。宝马和sixt se联合成立了拼车服务公司drivenow，并准备进入这个市场。紧随其后的是大众、奔驰和通用汽车。

第四，面向操作的自主驾驶技术难度较小

自主驾驶的目标市场可以分为两个部分:私人导向和操作导向。从技术上讲，如果汽车出售给私人时的自动驾驶水平为3级，面向运营时可以发挥4级的功能，因为运营车辆可以提前做好充分的规划，规定有限的驾驶区域，设置各种驾驶限制，包括速度、路线等。，并提前进行了全面测试。这意味着在相同的技术水平上，可以实现更高层次的操作功能。

可以说，商用自动驾驶汽车的实现时间将比个人自动驾驶汽车的实现时间要早。

虽然不同的汽车制造商对自动驾驶有不同的规划，但总体而言，面向个人消费者的生产汽车在2023年前可以实现高速三级自动驾驶和普通道路二级辅助驾驶，而面向运营商的自驾汽车将同时实现有限区域的四级自动驾驶。

我们能否赢得自动驾驶的竞争将在很大程度上决定未来十年汽车制造商的命运。

自主驾驶的产业化正在深入推进

在过去的一年里，自主驾驶的产业化在许多方面都取得了巨大的进步，包括行业整合、成本和汽车联网。

首先，合作和分享已经成为共识

？行业公司纷纷合作

我们希望到2021年能开发出一个人人都能使用的标准系统。因此，我们欢迎其他公司，如制造商、供应商或技术公司，共同参与无人平台并为其做出贡献。在最近的新闻发布会上，宝马、英特尔和mobileye披露了三方合作的更多细节，Folkenstein表示，宝马及其合作伙伴最终将在一份非独家协议中向包括其他汽车制造商在内的汽车行业提供自动驾驶系统。

R&D是一个平台级的产品，在技术上是开放的，在商业上不是排他性的。在R&D传统汽车制造商的历史上，这种开放的态度是罕见的。在激烈的自主驾驶竞争中，合作已经成为最主流的选择。

这三家公司之间的合作可能是业内最值得关注的，但回顾2016年，类似的合作可能会引出一长串，以下合作只是表面的一部分:

瓦伊莫和本田的合作，瓦伊莫是谷歌自主驾驶项目的子公司，双方计划在2020年左右实现自主驾驶在高速公路上的实际应用。

在英伟达和奥迪的深度合作下，奥迪已经推出了zfas系统，一款带有tegra k1的域控制器。

英伟达已经与adas行业的领导者博世达成了深入的合作，这表明传统的第一层正迅速赶上这一趋势，并将其积累的汽车法规层面的大规模生产经验带入自动驾驶领域。

关于特斯拉和三星在计算平台上的合作，三星是今年汽车领域最大的消费电子公司，包括马瑞利和哈曼，并成立了一个小部门来研究和开发自动驾驶处理器和传感器，并以其应用处理器切入奥迪供应商系统。可以预计，三星将成为高通的强劲竞争对手，而与特斯拉的深度合作为三星煽动自动驾驶市场提供了一个绝佳的支点。

通过德尔福和mobileye的合作，德尔福专门为观众提供了一辆测试车，让他们在消费电子展上体验。其首席技术官杰夫·欧文斯(Jeff Owens)表示，该自动驾驶系统将于2019年投入生产，预计批发价约为5000美元。

德国三驾马车:宝马、戴姆勒和奥迪联合收购了这里的地图供应商，英特尔最近也加入进来，收购了这里15%的股份。作为联盟的主要成员，mobileye还收集了道路数据并与HERE分享。

通过沃尔沃和奥托立夫的合作，双方共同开发的自动驾驶平台将被提供给整个行业。

Nexter和中国计划在密歇根成立一家合资公司，该公司将为自动驾驶制造电子控制系统和其他车载硬件。

？四个核心因素促进合作

以前的竞争对手已经走到一起，整个供应商关系已经重组。第一层、第二层和原始设备制造商从未如此紧密地联系在一起。在一百年的汽车历史中，从未有过如此规模和深度的合作。这源于四个核心驱动因素:降低技术风险、分担R&D成本、缩短R&D时间和锁定客户。

开发真正的自动驾驶汽车需要克服巨大的技术挑战，我认为这和载人登月一样困难。Mobileye首席执行官阿姆农卢沙舒阿(Amnon Lushashua)表示，这不是一个企业能够独自完成的任务，合作是必然的选择。

与此同时，所有重要的参与者都在尽一切努力扩大他们的R&D范围。英特尔今年频繁采取行动，收购了深度学习型初创公司nervana，以增强其在人工智能领域的实力。在今年的消费电子展上，英特尔展示了分别与Horizon Robot和aimotive合作的adas原型系统。在合作的同时，每个人也保持一只手，以确保他们不会被其他人卡住。

其次，传感器的成本迅速下降

传感器是自动车辆最大的成本。在这次消费电子展上，瓦伊莫首席执行官Krafsik宣布，瓦伊莫已经将激光雷达的成本降低了90%，单价约为7500美元。卡拉夫西克在最近的一次采访中说:“瓦伊莫可能会把硬件卖给其他公司。”受此消息影响，美孚国际公司股价下跌4.4%，至39.86美元，为去年11月中旬以来的最大单日跌幅。投资者普遍认为，这将有助于增强竞争，改变mobileye的垄断格局，并加速降低成本。

Quanergy、velodyne、麻省理工学院等。正在推动固态激光雷达的研发，其核心在于突破上游半导体技术，如大功率高光束质量辐射源、高灵敏度接收技术、产品产量等。如果这些关键指标被打破，固态激光雷达的实际应用将有机会把成本降低到100美元。激光雷达被认为是最精确的自主传感手段，其有效传感范围超过120米，精度可达厘米级。然而，由于其以前的高价格，它不能部署在生产车辆，但前景无疑是乐观的。

其他传感器的价格已经在可接受的范围内，同时性能继续提高。就cmos传感器而言，已经有每英寸4百万像素的汽车级产品；毫米波雷达正从点目标探测向成像雷达发展，例如，sar(相控阵)雷达正从军事领域向汽车领域发展。

毫米波雷达芯片也在从硅锗技术向廉价的cmos技术发展。预计到2020年左右，coms技术将达到现有硅锗技术的水平，具有三位一体发射、接收和信号处理器的产品也在开发中。到那时，毫米波雷达芯片可能会比当前价格低几倍。

第三，车辆互联网(v2x)迈出了坚实的一步

？国外v2x的发展

2016年12月14日，美国交通部发布了一项新的v2v(车对车通信)法规，该法规进入了90天的公示期。新生产的轻型车辆被要求安装v2v通信设备，这是一个里程碑式的进步。

美国交通部最近宣布成立一个自主驾驶委员会，以监督自主车辆和无人驾驶飞行器。委员会成员包括通用汽车公司首席执行官玛丽·卢巴拉、瓦伊莫公司首席执行官克拉夫西克、苹果公司副总裁丽莎等。目标是确保先进技术的安全部署。

安装在车辆上的v2v系统可以被视为一个超级传感器，它提供了比任何其他车载传感器更高的传感能力和可靠性。在自感知技术达到高可靠性之前，v2x可以决定性地提高其可靠性。

美国交通部的新规定要求v2v设备的通信距离应达到300米，覆盖范围为360度，远远超过摄像机的检测能力，其感知信息属于结构化信息，因此不存在误报的可能性。根据国家公路交通安全管理局(nhtsa)的研究，v2x技术可以减少80%的非伤亡事故。

然而，所有这些都是基于100%覆盖率的前提。在此之前，汽车公司已经尝试过，如凯迪拉克，但由于缺乏足够的覆盖面，很难发挥作用。在强制性法规的推动下，v2x普及的最大问题将得到有效解决。

最近，高通宣布将与奥迪、爱立信等公司合作测试Celluar-V2X，该产品符合德国政府组织的自动互联驾驶数字测试场的测试规范。在此之前，高通公司推出了基于其最新Snapdragon x16 lte调制解调器的新型联网汽车参考平台，支持专用短程通信(dsrc)和蜂窝v2x作为可选功能。

？v2x在中国的发展

2016年下半年，国家发展和改革委员会(NDRC)和交通部联合发布了《促进便捷交通促进互联网+智能交通发展实施方案》，明确提出结合技术研究和实验应用，推进v2x国家通信标准和设施设备接口规范的制定，开展专用无线频段配置标准的制定。从目前的情况来看，lte-v很有可能被确定为中国标准。

5g的推广对v2x非常有利，因为5g标准本身就包含v2x。可以说，5g的发展与自主驾驶的发展是不谋而合的。

为了满足商业应用中的高可靠性，越来越多的汽车公司认识到，在提高车辆容量的同时，他们需要将道路从对车辆友好转变为对车辆友好。自去年以来，中国所有的自主驾驶示范园区都计划部署路边系统(v2i)。随着5g的时间表越来越清晰，人们期待着更广泛的部署。

与主要面向个人消费者需求的3/4g时代不同，5g的核心驱动力来自物联网，汽车可能是最大的单一应用。一辆自动驾驶汽车每天可以产生超过1t的数据。目前，像这里这样的地图正在积极地为自主驾驶准备实时高精度地图，以克服静态高精度地图不能适应道路变化的问题。然而，由于无线带宽的限制，很难实现实际应用。5g可以提供高达10gbps以上的峰值速率，并且

？V2i商业化模式

v2i使商业化成为一个简单而直观的模式:投资v2i的人都可以从中受益，因为自动车辆可以在使用V2i的封闭路段上行驶，因此充电变得更加容易。

自动驾驶的决策算法应该更加合理

首先，决策算法已经成为竞争的焦点

从技术上讲，自主驾驶包括三项主要技术:感知、决策和控制。现在自主驾驶技术的真正门槛在哪里？

如果你在消费电子展上参观各种公司的自动驾驶原型机，你会发现一个趋势:各种公司的传感器配置越来越相似:前视多摄像头、77ghz远程/短程雷达、环视摄像头，加上十多部超声波雷达，再加上几部低带宽激光雷达，就更加奢华了。这些传感器的供应商很相似。在感知层面，随着adas的大规模部署和长期技术发展，它已经相当成熟，因此可以说感知技术不再是主要的瓶颈。控制是传统汽车制造商和tier1非常擅长的领域。他们做了很多年，积累了很多经验。

自主驾驶的技术竞赛主要集中在决策上。事实上，系统是adas还是自动驾驶主要取决于系统是否有决策部分。无论是谷歌还是特斯拉，他们的核心竞争力仍然体现在他们的决策算法上。

汽车行业的传统研发是基于功能安全设计方法，它渗透到开发过程的每一个环节。在过去的一个世纪里，汽车的安全性已经提高到了一个非常高的水平。现在，顶尖公司可以保证汽车发动机可以使用一百万公里！然而，面对机器学习的热潮，传统汽车行业突然发现自己严重缺乏技术储备，面对特斯拉和谷歌的激进策略，它似乎无能为力。这已经成为制约传统汽车制造商自主驾驶发展的最大缺点。目前，传统汽车制造商要么大肆收购机器学习公司，要么与之合作，他们需要尽快弥补这一缺陷。

出生在传统汽车工厂的卡拉·福西克显然很清楚这一点。在他成为瓦伊莫公司的首席执行官后，谷歌改变了其模棱两可的商业策略，明确表示将为汽车工厂提供解决方案，并迅速宣布与本田合作。事实上，它将自己定位为第1层。尽管谷歌之前在技术积累方面处于领先地位，但它从未确定过可行的商业模式。卡拉·福西克的到来使谷歌对商业化的态度更加坚定和精确。在这个解决方案中，硬件基本上是购买的，这显然不会成为谷歌的竞争壁垒。最有价值的是一套经过验证的软件，尤其是它的决策算法。可以想象，谷歌将向该行业提供软件许可证，就像它以前在安卓系统上所做的那样。

第二，理性决策是必然趋势

决策算法面临的最大挑战是如何实现自动驾驶所要求的高安全性和可靠性。自动驾驶决策的结果将输出到控制器。根据iso26262的现有功能安全法规，这反过来要求决策系统满足asil-d标准。目前，iso组织仍在制定自动驾驶的功能安全标准，该标准可能会被视为新标准，但功能安全的基本原则仍然有效。

？端到端人工智能方法存在隐患

这意味着我们必须认真思考如何满足功能安全的要求。对于谷歌、百度和许多初创企业来说，对于来自非传统汽车制造商的玩家来说，这是一个全新的命题。

目前，许多创新型公司正在利用深度学习和强化学习进行端到端的培训，也就是说，控制器的输出(刹车、油门、转向等)。)直接来自传感器的输入。然而，深度学习的问题在于，它失去了透明度，只依赖于概率推理，即相关性，而不是因果推理，这两者本质上是不同的。

相关性并不意味着因果关系。例如，统计数据显示手指越黄，肺癌的发病率越高。但事实上，手指的颜色和患肺癌的概率之间显然没有直接的因果关系。那么为什么统计数据会显示相关性呢？这是因为黄手指和肺癌都是由吸烟引起的，这导致了它们之间的错误关联。

深度学习就像一个黑匣子。这是无法分析的。如果出了问题，你不知道原因是什么，也无法预测下次会发生什么。有一个非常有趣的例子。使用深度学习来训练一个系统来区分爱斯基摩犬和爱斯基摩犬，最初的测试结果非常好，但是进一步的测试表明这个系统实际上是通过区分背景来判断它的种类，而不是狗本身，因为在训练中使用的样本中，爱斯基摩犬，

深度学习的实际性能基本上取决于您需要的训练样本和输出特征值。然而，如果样本相对简单，输出特征值相对简单，就很容易训练出不需要的结果。就自动驾驶而言，这是不可接受的，需要高度的理性决策。

如今，深度学习的热潮已经席卷了整个行业。许多人不再钻研基本算法，而是疯狂地增加数据和训练机器，以达到更快的结果。结果看起来不错，但这种非理性的态度实际上为自主驾驶埋下了隐患。我们需要的是对事实逻辑的深入分析，这种分析结合了不同的方法。从这个意义上说，如果我们使用小数据，我们可以取得好的结果，更好地展示我们对机器学习技术的理解。

？基于规则的专家系统是不灵活的

传统的原始设备制造商和第一层面临着另一个问题。如果你接触到第一层的adas产品，无论是aeb、acc还是lka，你会发现它们都是基于规则的专家系统。该系统可以准确分析，但专家系统的问题是当场景变化很大时，生成的规则不能保证足够的覆盖率。因此，当更多的新规则被添加时，旧规则必须被撤销或重写，这使得系统非常脆弱。此外，每个功能都有自己独立的规则，当组合在一起时，会有许多可能性甚至矛盾，这使得从adas到自动驾驶的过渡更加困难。我曾经通过与一家大型主机厂就他们的决策系统进行沟通的方式问过这个问题，答案是:这个基于专家系统的规则在被组合后可以产生10，000种可能性！你甚至很难完全测试这个系统。

？一种新的决策机制:因果推理

因此，我们需要在自主驾驶领域引入一种新的决策机制。自主驾驶决策技术路线的一个主要趋势是从相关推理到因果推理。这个人工智能框架是朱迪亚·珀尔在20世纪80年代建立的，他因此获得了图灵奖。

20世纪80年代初，以朱迪亚·珀尔为代表的学术界出现了一种新的观点:从基于规则的系统到贝叶斯网络。贝叶斯网络是一个概率推理系统。贝叶斯网络在数据处理、事件概率和事件可信度分析方面具有良好的分类效果。它有两个决定性的优势:模块化和透明性。

地平线自动驾驶的决策机制

模块化的优势非常重要。例如，如果任务是更新汽车的变速箱，当变速箱被更换时，你不需要重写整个传动系统，只需要修改对变速箱建模的子系统，其余部分可以保持不变。

因此，我们可以将深度学习系统集成为一个子模块，而专家系统可以是另一个子模块，这意味着我们有多个冗余路径选择。这种冗余构成了贝叶斯网络的一个子节点，有效地提高了输出结果的可靠性，避免了一些低级错误。

透明度是贝叶斯网络的另一个主要优势。这对自动驾驶尤其重要，因为你可以分析整个决策过程，知道哪一部分出错了。

可以说，贝叶斯网络是理性决策的一个很好的实现，它适合于设计整个决策的顶层框架。

因果推理的另一个典型例子是基于强化学习的决策框架，它将决策问题视为决策系统与其环境之间的博弈。这个系统需要不断地做出决定，就像开车一样。优化的是长期总收入，而不是眼前收入。这有点像巴菲特的价值投资。优化的目标不是明天的收入，而是明年或十年后的长期总收入。

谷歌利用这个框架玩围棋，并取得了革命性的成功。自动驾驶的场景也非常适合应用这样的决策系统。例如，建立一个价值网络，评估当前的驾驶环境风险，评估从现在到未来的总体风险；然后利用策略网络输出车辆的控制决策，选择最佳行驶路径和动力学输出。

同时，我们还可以建立基于模拟路况的仿真环境，通过强化学习进行虚拟操作，得到最优决策模型，并生成大量的仿真数据，这对决策算法的成熟非常重要。

可以说，向因果推理决策模型的转化是自动驾驶技术日趋成熟的重要标志。

自动驾驶需要一个新的计算平台

首先，目前的硬件性能不能满足实际要求

对于自动驾驶等复杂任务，在设计软件时，我们还必须考虑匹配的硬件效率，包括性能、功耗和功能安全性。

为了保证自动驾驶的实时性要求，我们需要保证软件响应的最大延迟在可接受的范围内，并且对计算资源的要求变得非常高。目前，自动驾驶软件的计算量已经达到10个顶点(每秒万亿次运算)，这使得我们不得不重新思考相应的计算架构。图灵奖获得者艾伦·凯，他有一句乔布斯一直坚信的话:如果你认真思考你的软件，你必须

事实上，整个数字半导体和计算行业的驱动力正在从手机转向自主驾驶，这需要比手机多两个数量级的计算。

如今，在任何一家主机厂打开无人驾驶汽车的后备箱都是一堆计算设备，它们不仅没有地方放行李，还解决了整个系统的稳定性问题。之前在乌镇举行的世界互联网大会上，当记者实际体验百度的无人驾驶汽车时，他提到了一个非常有趣的地方:无人驾驶汽车运行平稳，但是后备箱里的车载电脑很吵，可以听到风扇运转的声音。

为什么？因为它使用cpu+gpu+fpga的计算平台，计算能力非常大，而gpu尤其可怕。如果没有强大的风扇散热，在夏天很容易烧坏机器。坐在这样的车里不要注重体验。

功能安全性是另一个巨大的挑战，它实际上包括许多要求:处理器应该满足至少asil-b级的要求，并且可靠性应该能够保证在至少十年的使用中没有问题。

高通在手机领域拥有强大的实力，进军汽车电子领域的努力从未停止。然而，高通公司去年决定斥资370亿美元收购汽车电子行业的领军企业恩智浦，这从另一个方面反映了汽车电子行业的高门槛。

第二，人工智能处理器和自动驾驶计算平台

这让我们想起了计算机的发展史。20世纪50年代是大型机的时代。当时，一台主机可以占据整个实验楼，需要一个庞大的团队来操作，价格高达数百万美元。在20世纪70年代，小型计算机占主导地位，小型计算机可以安装在一个房间里，价格下降到几万美元；20世纪80年代是个人电脑时代，可以放在桌面上，价格已经降低了一个数量级。现在，它是一个可以放进口袋的手机；主要有三个改进:体积、功耗和成本。

自2012年以来，业界开始广泛关注人工智能所需的处理器，例如，从gpu到fpga再到tpu，业界也沿着以前的计算机的道路重建人工智能所需的处理器。

Nvidia在本次ces发布了最新的板载计算平台xavier。512 volta cuda内核最高可提供30倍的计算性能，但最引人注目的是其30w的功耗远低于之前需要水冷的px2驱动器。这是一个巨大的进步，但还不够。为了使自动驾驶流行起来，性能、功耗、成本和体积因素是必不可少的。

如今，许多汽车制造商已经为自动驾驶制定了非常激进的发展计划。然而，事实上，原型车的开发与将它们投入生产车的时间表有很大的不同，这与生产车的设计理念完全不同。生产汽车必须考虑成本因素，这不能等同于今天的图形处理器或其他计算的成本，这需要行业提供一个新的计算平台。

越来越多的公司开始关注fpga，其可编程特性可以满足专有计算架构的需求。微软、英特尔和其他公司正在部署大量基于fpga的系统。

adas中fpga的出货量也在快速增长，去年的出货量应该不少于300万。但是如果fpga增加，计算资源的扩张将使成本上升到不可接受的水平。半导体工业的无数历史表明，fpga通常是定制asic的前哨，一旦某个应用足够大，定制asic将变得更加经济。

Horizon Robotics处于整个行业研究的前沿，其目标是在高性能、低功耗的脑引擎(bpu)上实现原本运行在云中的人工智能。这是一种全新的计算架构ip，它将完全适应深度神经网络算法的要求，从而带来革命性的嵌入式人工智能。据估计，其成本和功耗将比现有的图形处理器低一个数量级。这种ip可以嵌入soc或单独用作协处理器。目前，Horizon正在推动名为Gauss的计算架构ip的开发，预计将于17月底推出。

地平线出版Bpu发展战略地图

第三，软硬件协同设计是一种新趋势

过去，处理器是作为标准平台提供给业界的，软件工程师尽力优化编译器、代码、任务调度等。来实现更高的性能，但是现在，这已经不能满足快速产品发布的要求。

Nvidia几乎已经成为人工智能行业的一个标准，它拥有高性能的gpu因素，但问题是，为什么其他gpu供应商没有赢得这场竞争？

Nvidia不仅提供了gpu硬件，还提供了高度优化的cuda平台，它封装了大量的数学运算库以供高频使用。英伟达还为自动驾驶提供了端到端的解决方案，这实际上是一个重要的产品概念:软硬件协同设计。

这揭示了英伟达在市场上成功竞争的秘诀:优化软硬件系统的性能，缩短客户的导入时间，通过软硬件协同设计赢得市场。

事实上，新的自动驾驶计算平台满足了算法和软件的需求。例如，为了更好地支持深度卷积神经网络的超大规模矩阵运算，需要考虑如何使用二值化来减少对硬件乘法器的需求，以及如何重新设计缓存机制来避免i/o带宽成为整个计算系统的瓶颈。为了满足功能安全性的要求，您需要硬件级的虚拟化，这要求处理器架构设计考虑多核、vmm、设备i/o请求管理等。

英特尔也在加强其人工智能算法的积累，这体现在收购了nervana和movidius。通过提供用于深度学习优化的至强处理器、fpga、nervana平台和数学函数库(mkl)，提供了完整的人工智能解决方案。

从原型车到量产车的转变是自主驾驶的关键因素之一，以提供一个同时满足经济和性能要求的计算平台。

结论

公众对自动驾驶仍然有很深的疑虑，但是每次一种革命性的交通方式出现时，类似的疑虑都会存在。空航空当这项服务刚刚出现时，安全性非常低，大多数人甚至不相信金属结构可以飞行。根据美国海军的统计，在第二次世界大战期间，有2100架飞机因技术原因而损失，这是被击落飞机的1.5倍，但aviation/きだ 0/。高铁也有类似的经历。当火车在19世纪首次出现时，即使是最有远见的人也无法想象时速超过300公里的火车。当时，人们认为只有气压才足以杀死乘客。后来，所有这些都变成了现实，一个惊人的支持基础设施被开发出来:铁路和机场。当技术上没有原则问题时，只要有巨大的商业潜力，利益驱动就能最终克服技术挑战。

如果我们考察一个文明的发达程度，交通水平可能是最直观的指标。唐代，玄奘取经，鉴真东渡。它花了一个人半条命，这反映了客运成本；南宋时期，瓷器从福建泉州运往欧洲，其价值增加了100倍，体现了货运价值；美国在19世纪的崛起很大程度上得益于其国家铁路网的建立，它将联邦各州合并成一个单一的市场。

文明的发展必然伴随着运输成本的逐渐降低和运输效率的不断提高，这深刻地重塑了经济形态。埃隆·马斯克的终极梦想是殖民火星，这也是一个运输能力改变文明的故事。自动驾驶仪是现在发生的一个故事。当人们的劳动力被释放时，成本的降低将带来新一轮的机会。在过去的一年里，自动驾驶仪领域的进展超出了大多数人的预期，自动驾驶仪的未来值得期待。

作者简介

李兴禹|地平线智能驾驶业务总监

毕业于南京航空航天大学空航空航天大学，并获得自动化学院测试仪器仪表专业学士和硕士学位；他曾是飞思卡尔应用处理器汽车业务的营销经理，该业务的前身是兰斯微电子公司？安全技术专家。李兴禹在半导体行业有13年的经验。在飞思卡尔早期，他在i.mx应用处理器的R&D团队工作，并获得了该领域nand闪存应用的美国专利。在加入飞思卡尔之前，他负责兰斯微电子公司安全芯片的公钥加密引擎的设计，该引擎的rsa/ecc加解密性能处于国内领先水平。

来源：搜狐微门户