社区

由于在算力、车规、量产方面的诸多挑战，在 AI 芯片领域，自动驾驶芯片常被比作其中的珠穆朗玛峰。 #老虎财报季#

为了尽快拿下这个自动驾驶领域的绝对制高点，各家公司可谓各显神通。大到诸如英伟达、英特尔的计算平台巨头，小到做单点技术的初创公司，都在不断尝试在自动驾驶芯片上寻求突破。

上周，特斯拉 2018 Q2 财报会上，马斯克就公布了其在自动驾驶芯片上“搞事”的最新进度。

据马斯克说，特斯拉的自动驾驶芯片不仅已经研发成功，而且已经正式上路，跑起来路测了。如果没啥意外，等到 Autopilot 明年升级到 3.0 时，特斯拉车主们就能用这款新芯片，代替现在 Autopilot 2.0 版本中用的英伟达了。

说到自动驾驶，其核心就是要靠 ECU（车载电脑）实现对大量传感器数据的分析和实时判断。ECU 的运算能力够不够强，则全是由芯片说了算的。

自动驾驶上大大小小的各类传感器，每秒产生的数据量高达 1GB，这不仅要求芯片的运算速度够快，还对芯片的能耗提出了极高的要求。说白了，芯片得能干活还要少出汗，否则为了散热加装一堆风扇，芯片做到再小也是白搭。

自动驾驶能够弯道超车，但具体到自动驾驶的芯片上，没有长期深厚的技术积累，新兴创业公司几乎没有机会。因此，在自动驾驶芯片领域，目前占据第一集团阵营的，依旧是“有老本可吃”的“双英+一通”组合——英伟达、英特尔和高通。此前，和大部分自动驾驶车厂一样，特斯拉也选择了“外部合作”的芯片模式。

2014年，马斯克找上了被英特尔收入囊中的 Mobileye，用上了它家的辅助驾驶芯片 EyeQ3 来武装 Autopilot。但这场合作仅维持了两年，2016 年 5 月，一场佛罗里达州的致命车祸成了导火线，双方因为“谁先绿了谁”的问题而闹掰了。

随后，特斯拉投奔了英伟达的怀抱。当时，英伟达刚刚推出了 Drive PX 2，它的算力比只有 300G 的 EyeQ3 粗暴得多，理论上最高达到 10TFLOPS。

特斯拉和英伟达的合作策略是：自己负责算法部分，自动驾驶芯片则由英伟达提供。

在这种模式下，特斯拉与英伟达几乎是天造地设的一对：英伟达的 GPU 算力极其强大，完全碾压其他厂商，是特斯拉最靠谱的选择；而且，在喜结连理后，英伟达的股票也借着特斯拉的风光一路蹿红。以外界的眼光来看，特斯拉与英伟达的合作会是长期稳定的。

但合作治不好特斯拉的芯片焦虑症。

表面上，特斯拉和英伟达你侬我侬。英伟达 CEO 黄仁勋甚至还在公开场合秀过恩爱，表示即使特斯拉用了别家的计算芯片，自己也对特斯拉的车也照买不误。但背地里，特斯拉丝毫没耽误自己摆脱英伟达的独立日程。

实话是，马斯克对英伟达的这款板子也不见得有多满意。

算力高是事实，但架不住 Drive PX 2 的耗能高、体积也庞大，无法满足嵌入式的要求。

再者说，特斯拉需要对核心硬件握有足够的把控性和主导权，否则自家的软件算法也很难在其上高效地运行；而反观英伟达，其在自动驾驶芯片上技术能力的极度强大，与这种成熟的第三方方案提供商合作，想让对方为特斯拉做出妥协让步，显然太难。

所以，早在用着 Mobileye 的时候，2016 年 1 月，特斯拉就从 AMD 挖来了芯片架构大神 Jim Keller (吉姆·凯勒) 担任 Autopilot 技术硬件工程部门的副总裁，他曾亲手缔造了处理器架构 Zen，帮助 AMD 在与英特尔的对决中扳回一城。

今年 4 月，Pete Bannon 接任 Jim Keller ，开始负责特斯拉的自动驾驶芯片研发。同样，这也是个“随便人”，Bannon 是苹果 A5 芯片的研发负责人，参与了苹果 A5-A9 芯片的研发。

有了上面两位芯片大师的“神助攻”，特斯拉的自动驾驶芯片，也呼之欲出。

去年 12 月的 NIPS 2017（2017年神经信息处理系统大会）上发，特斯拉首次公开确认了特斯拉的芯片“野心”。用马斯克的话说，这款 AI 芯片将是全球最好的芯片。

这款最好的芯片的算力能有多强大呢？

举了个例子，目前 Autopilot 2.0 中所使用的英伟达，可以进行每秒 200 帧的处理运算；而到了 3.0 ，特斯拉的芯片则能达到每秒 2000 帧——是英伟达 Drive PX 2 芯片的 10 倍。

英伟达的芯片被碾压了。其实，这并不只是英伟达的困局，而是通用性计算平台面对自动驾驶时的力不从心。

就像上面提到的，给自动驾驶用的芯片，算力和功耗、体积缺一不可。

但现在的自动驾驶汽车往往存在着一个尴尬而有趣的现象：现在许多 OEM（原始设备生产商）的自动驾驶汽车后备箱里都放着巨大的计算及配套的散热设备——在自动驾驶方面，即便是英伟达这样顶级 GPU 大厂，在满足超高算力的同时去降低高能耗也显得捉襟见肘、狼狈不堪。更进一步的讲，对于现在的通用型计算平台而言，要么选择超高算力，要么选择超低能耗…想要鱼和熊掌兼得，基本还是个天方夜谭。

这题怎么破？

这里，我们应该了解一下 AI 芯片的分类。目前，应用在自动驾驶领域的主流芯片解决方案有三种：GPU、FPGA 和 ASIC。通俗来讲，这三者的关系可以理解为从“通用”→“专用”的进阶。

而在自动驾驶领域， GPU 的短板恰恰就在于其“通用”属性。举个例子，GPU 赢过 CPU 就是因为“专用”。GPU 借助其在深度学习方面的优势，成为最有竞争力的 AI 芯片；CPU 通用性强，适用于串行计算，对于 AI 算力而言相对较慢。

所以说，不同的处理器类型，面向不同的应用场景总有资深可发挥的优势。

回到英伟达自动驾驶芯片的 bug。既然 GPU 很难实现高算力和低能耗的同时展现，那何尝不试试 ASIC（专用芯片）呢？

其实不光特斯拉在搞专用芯片，国内的创业公司地平线也在 2017 年 12 月发布过两款 ASIC 人工智能专用芯片，分别主打自动驾驶的视觉感知系统和智能摄像头应用。这两款芯片算力超高，支持在本地每秒实时处理 30 帧 1080p 视频，单画面/单帧超过 256 个目标检测/跟踪能力。而且，芯片的功耗才不到 2w ，比英伟达的芯片足足降低了几千倍。

特斯拉自己开发AI专用的自动驾驶芯片，其主要原因还是实现利益最大化的问题：一是想掌握自动驾驶的核心技术，让公司在自动驾驶领域更有核心竞争力；二是可以让自己的算法在一个更加合适的平台去实现价值。

但是芯片开发的成本是巨大的，而且回报周期很长，如果没有相当足的底气和利益诱惑，可能绝大多数主机厂都不会去效仿特斯拉。

一个计算平台能不能保证既保持强大的算力、又能实现超低能耗和低成本才是能否被量产计划要求下的自动驾驶选择的关键。所以不管是英伟达所代表的通用门派，还是像特斯拉这样，算法和芯片同步前行的“软硬兼修”门派，在自动驾驶技术日益成熟的过程中，都会拿到属于自己的市场份额。

正如那句话所说，战争才刚开始，这是勇敢者的游戏。  

转载自科技MIX

 $(TSLA)$ $(QCOM)$ $(NVDA)$ $(INTC)$