车东溪（公众号：车东溪） 正文 | 3月9日，上周五，由车动力兄弟单位智动力主办的GTIC全球AI芯片创新峰会在上海举行。
大会邀请了来自芯片、安防、汽车、消费电子等领域的近40位行业领袖出席，分享他们开发AI芯片的经验和想法。
▲整个GTIC大会报名人数??超过一万人，现场观众数千人，以至于大量观众因没有座位而不得不站在会场外观看电视直播。
下午的大会，自动驾驶加速，AI芯片引领计算平台。
地平线公司联合创始人、算法副总裁黄畅发表了主题为《AI芯片在自动驾驶的应用实践》的主题演讲，讨论了地平线公司的产品研发流程、AI芯片与传统计算芯片的区别等关键问题。
下面对黄畅讲话要点进行详细分析。
▲黄昌毅，AI算法和AI芯片齐头并进。
Horizo??n由前百度研究院副院长、百度深度学习实验所领导。
办公室主任余凯成立于2018年7月，致力于为B端用户提供涉及算法和硬件的完整嵌入式人工智能解决方案（机器人大脑）。
说白了，它的完整解决方案既有AI算法，又有AI芯片、工具链和云服务。
▲于凯和黄畅表示，机器人大脑不仅需要完成图像和视频感知，还需要完成语音、语义处理、决策、规划等更复杂和高级的任务。
人工智能程序还需要高度关注解决方案的性能、成本和功耗的平衡。
因此，地平线在研发之初也遇到了一些困难。
那么地平线为何选择这样一条看似复杂且艰难的道路呢？ ？黄畅解释说，他受到图灵奖获得者、现代计算机创始人艾伦·凯的影响。
据黄畅介绍，Alan Kay不仅提出了面向对象编程的概念，还说了一些对当前IT行业有影响的话。
那句影响深远的名言——“如果你真的关心软件，就应该制造自己的硬件”，正是促使乔布斯坚持软硬件融合的产品开发策略，打造出苹果这样的顶级科技巨头。
同样，Alan Kay的名言也激励了Horizo??n团队，包括余凯、黄畅等人，走上了软硬件结合的道路。
2、地平线第三代AI芯片架构黄畅在GTIC现场谈到。
如果按照智能决策处理的顺序，AI可以分为三个阶段：感知、建模、决策和规划。
基于这个分类，Horizo??n还规划了高斯、伯努利、贝叶斯三代BPU架构。
▲ Horizo??n第三代BPU架构 2019年12月，Horizo??n正式推出两款AI芯片——Journey 1.0和Rising Sun 1.0。
虽然两者都是基于高斯架构构建的，但是它们的用途却截然不同。
征程瞄准智能驾驶后市场，旭日则专注于智能摄像头领域。
黄畅表示，从AI处理器的发展变化可以看出，面向计算的芯片架构越专业，功耗和性能比就能达到越好，所以地平线同时推出了这两款芯片基于高斯架构的时间。
，每颗芯片都是针对相应领域专门设计的，有利于最大化计算性能。
性能方面，Journey 1.0处理器可处理摄像头拍摄的P@30帧视频流，对多达+个物体进行实时跟踪识别，涉及行人、机动车、非机动车、车道线等交通标志。
、红绿灯等各类交通要素，可实现FCW前方碰撞预警、LDW车道偏离预警等驾驶辅助功能。
此外，地平线还推出了基于Journey 1.0芯片的量产后市场ADAS产品。
黄畅表示，地平线第一代芯片的生产比较顺利，但也存在制约和限制。
Horizo??n在第二代BPU架构伯努利中增加了其图像识别的细粒度并增加了建模能力。
在基于FPGA的验证阶段，伯努利架构已经可以同时处理来自摄像头、雷达、激光雷达等传感器的多达8通道的数据，希望能够执行自主驾驶所需的传感器数据融合功能其上的车辆。
由于细粒度的提升，黄畅表示，他的第二代BPU架构可以在像素级别进行感知，可以更准确地区分路面、人体、汽车、建筑物、树木等物体，并进行图像分割。
此外，更准确、多路径的感知结果最终将服务于环境的建模，可以从各个角度进行观察。
▲ 第二代BPU感知能力演示。
从黄畅现场通过视频演示基于伯努利架构的早期产品（FPGA）在高速公路和城市道路上的感知测试的视频来看，第二代BPU架构的计算能力确实是强，无论是识别、跟踪还是语义分割，都有不错的效果。
3、利用BPU提升AI计算效率。
黄畅在视频演示后表示，利用BPU为自动驾驶提供感知能力的核心理念是融合不同尺度空间的信息，使用非常底层的配准。
对齐、使用冗余来降低复杂性和其他软件技术。
但他也强调，仅靠算法的进步是不够的。
“如果只有算法的进步，而原有的计算设备（处理器）没有相应迭代，新技术的优势就无法体现出来。
即使经过精确的设计，当前的CPU和GPU通用处理器也远远不能满足当今的计算需求，使得设备利用率非常低。
“为此，地平线推出了自主设计开发的BPU架构。
黄畅介绍，地平线的BPU是典型的异构多指令、多数据系统。
该架构中央处理器是一个完整的系统。
内存架构设计经过专门优化，可实现数据自由传输并执行各种计算。
让不同的组件同时运行，提高AI运行的效率。
▲BPU架构 那么为什么通用处理器的运算性能不如BPU呢？除了上述异构多指令多数据流计算架构对多种算法的支持外，黄畅解释道，“如果按照通用处理器的方法，会很难做出选择。
如果脱离了应用场景，算法的不断迭代，以及估算算法的时候，你其实不知道每个东西的权衡和规模，但是我们更关注应用和算法的权衡，所以。
我们对芯片架构的权衡、规模和组件有了更好的把握。
”结语：AI芯片时代开始的这两年，人工智能这一有着几十年历史的老技术迅速普及起来，不仅在科技圈，而且在电视、手机、音箱、 APP、甚至政府工作报告中的热情都可见一斑。
这股人工智能热潮的兴起与深度学习、神经网络等底层技术密切相关。
在深度学习框架、AI算法等软件技术不断发展的同时，AI相关的硬件也在发生变化。
2017年，谷歌等AI先行者主要利用CPU来推动AI项目。
2017年，百度深度学习实验室推出了业界最前沿的在GPU上运行深度学习算法的方法。
不过需要指出的是，虽然适合并行计算的GPU本质上比CPU更适合深度学习运算，但GPU和CPU本质上都是通用处理器。
因此，在深度学习这样的单一领域，它们的单元计算性能还不如ASIC这样的专用处理器强大，甚至不如可编程FPGA。
随着深度学习、神经网络等底层技术的不断演进以及AI技术在自动驾驶、智慧城市、智慧金融等领域的落地和部署，AI技术对算力的需求持续快速增长。
因此，百度深度学习实验室在2018年将FPGA引入AI计算； Horizo??n于2018年推出BPU架构；谷歌于2018年推出TPU等专用AI芯片，从而正式开启AI芯片时代。
。