很多人會問，為什么沒有英偉達？目前所有主流深度學(xué)習(xí)運算主流框架后端都是英偉達的CUDA，包括TensorFlow、Caffe、Caffe2、PyTorch、mxnet、PaddlePaddle，CUDA包括微架構(gòu)和指令集以及并行計算引擎。CUDA壟斷了深度學(xué)習(xí)或者也可以說壟斷了人工智能，這一點類似ARM的微架構(gòu)和指令集。CUDA強大的生態(tài)系統(tǒng)，造就了英偉達牢不可破的霸主地位。深度學(xué)習(xí)的理論基礎(chǔ)在上世紀五十年代就已經(jīng)齊備，無法應(yīng)用的關(guān)鍵就是缺乏像GPU這樣的密集簡單運算設(shè)備，是英偉達的GPU開創(chuàng)了人類的深度學(xué)習(xí)時代，或者說人工智能時代，CUDA強化了英偉達的地位。你可以不用英偉達的GPU，但必須轉(zhuǎn)換格式來適應(yīng)CUDA。

　　CUDA開啟了并行計算或多核運算時代，今天人工智能用的所有加速器都是多核或眾核處理器，幾乎都離不開CUDA。CUDA程序構(gòu)架分為兩部分：Host和Device。一般而言，Host指的是CPU，Device指的是GPU或者叫AI加速器。在CUDA程序構(gòu)架中，主程序還是由CPU 來執(zhí)行，而當遇到數(shù)據(jù)并行處理的部分，CUDA 就會將程序編譯成 GPU能執(zhí)行的程序，并傳送到GPU。而這個程序在CUDA里稱做核（kernel）。CUDA允許程序員定義稱為核的C語言函數(shù)，從而擴展了C語言，在調(diào)用此類函數(shù)時，它將由N個不同的CUDA線程并行執(zhí)行N次，這與普通的C語言函數(shù)只執(zhí)行一次的方式不同。執(zhí)行核的每個線程都會被分配一個獨特的線程ID，可通過內(nèi)置的threadIdx變量在內(nèi)核中訪問此ID。在 CUDA 程序中，主程序在調(diào)用任何 GPU內(nèi)核之前，必須對核進行執(zhí)行配置，即確定線程塊數(shù)和每個線程塊中的線程數(shù)以及共享內(nèi)存大小。你可以不用英偉達的GPU，但最終都離不開CUDA，也就是需要轉(zhuǎn)換成CUDA格式，這就意味著效率的下降。所以英偉達是參考級的存在。

　　從CUDA的特性我們不難看出，單獨的AI加速器是無法使用的。今天我們分析三款可用于智能駕駛領(lǐng)域的AI加速器，分別是高通的AI100，華為的昇騰，特斯拉的FSD。這其中高通AI100比較少見。

　　高通AI100最早于2019年4月在深圳的高通AI開放日露面，2020年9月量產(chǎn)。AI100是高通目前唯一的AI推理運算加速器，定位四個方面的應(yīng)用：一是數(shù)據(jù)中心的邊緣計算，二是5G行動邊緣計算，三是智能駕駛與智能交通，四是5G基礎(chǔ)設(shè)施。

　　AI100有兩個側(cè)重點：一是5G游戲，AI100發(fā)布當天邀請了VIVO手機、騰訊王者榮耀開發(fā)團隊利用AI100現(xiàn)場開了一場電玩競賽，即把部分運算放到5G邊緣服務(wù)器上，減輕手機端的負載。二是智能交通和智能駕駛，高通自動駕駛Ride平臺的AI加速器很有可能就是AI100的車規(guī)翻版。

　　高通特別展示了AI100在智能交通/智能駕駛領(lǐng)域的應(yīng)用。

　　同時支持24路200萬像素幀率25Hz的圖像識別，特斯拉的FSD不過是同時8路130萬像素幀率30Hz的圖像識別，性能至少是特斯拉FSD的3倍。 AI100可以像刀片服務(wù)器那樣應(yīng)用，用PCIe交換機最多16個級聯(lián)。

　　最高每瓦有12.37TOPs的算力，特斯拉FSD是36瓦的功耗，AI部分估計大約為24瓦，每瓦只有大約3TOPs每瓦的算力，英偉達的Orin大致為5.2TOPs每瓦的算力。

　　上圖為高通AI100內(nèi)部框架圖。設(shè)計很簡潔，16個AI核，內(nèi)核與內(nèi)核之間是第四代PCIe連接，帶寬有186GB/s，8通道的PCIe網(wǎng)絡(luò)，然后再與各種片上網(wǎng)絡(luò)（NoC），包括存儲NoC、運算NoC和配置NoC通過PCIe總線連接。片上存儲器容量高達144MB，帶寬136GB/s。外圍存儲器為256Gb的LPDDR4。支持汽車行業(yè)的ISO26262安全標準，即ASIL，達到B級。

　　NoC是多核AI處理器的核心技術(shù)之一，特斯拉FSD只有兩個NPU，很可能用不到NoC而用比較落后的總線技術(shù)，不過高通和華為都用到了。

　　NoC的詳細理論就不說了，可以理解為一個運行在PE與存儲之間的通訊網(wǎng)絡(luò)。NoC技術(shù)和網(wǎng)絡(luò)通信中的OSI（Open System Interconnection）技術(shù)有很多相似之處，NoC技術(shù)的提出也是因為借鑒了并行計算機的互聯(lián)網(wǎng)絡(luò)和以太網(wǎng)絡(luò)的分層思想，二者的相同點有：支持包交換、路由協(xié)議、任務(wù)調(diào)度、可擴展等。NoC更關(guān)注交換電路和緩存器的面積占用，在設(shè)計時主要考量的方面也是這些。NoC的基本組成為：IP核、路由器、網(wǎng)絡(luò)適配器以及網(wǎng)絡(luò)鏈路，IP核和路由器位于系統(tǒng)層，網(wǎng)絡(luò)適配器位于網(wǎng)絡(luò)適配層。針對NoC的這四個基本組成，也衍生出了許多的研究方向和優(yōu)化途徑。

　　常見AI加速器的NoC如上表。需要指出高通和華為都用了Arteris，這家公司實際是高通的子公司，高通在2013年11月收購了這家僅有43人的法國小公司，今天中國幾乎所有的大中型芯片公司都是其客戶，包括瑞芯微、國民技術(shù)、華為、全志、炬力、展訊等，可以說都在給高通打工。英特爾在2019年收購了Netspeed，F(xiàn)acebook在2019年收購了Sonics，這兩家的NoC使用面遠不如高通的Arteris。

　　每個AI核內(nèi)部框架如上，主要分4個部分，分別是標量處理、向量處理、存儲處理和張量處理。深度學(xué)習(xí)中經(jīng)常出現(xiàn)4種量，標量、向量、矩陣和張量。神經(jīng)網(wǎng)絡(luò)最基本的數(shù)據(jù)結(jié)構(gòu)就是向量和矩陣，神經(jīng)網(wǎng)絡(luò)的輸入是向量，然后通過每個矩陣對向量進行線性變換，再經(jīng)過激活函數(shù)的非線性變換，通過層層計算最終使得損失函數(shù)的最小化，完成模型的訓(xùn)練。

　　標量（scalar）：一個標量就是一個單獨的數(shù)（整數(shù)或?qū)崝?shù)），不同于線性代數(shù)中研究的其他大部分對象（通常是多個數(shù)的數(shù)組）。標量通常用斜體的小寫字母來表示，標量就相當于Python中定義的x=1。

　　向量（Vector），一個向量表示一組有序排列的數(shù)，通過次序中的索引我們能夠找到每個單獨的數(shù)，向量通常用粗體的小寫字母表示，向量中的每個元素就是一個標量，向量相當于Python中的一維數(shù)組。

　　矩陣（matrix），矩陣是一個二維數(shù)組，其中的每一個元素由兩個索引來決定，矩陣通常用加粗斜體的大寫字母表示，我們可以將矩陣看作是一個二維的數(shù)據(jù)表，矩陣的每一行表示一個對象，每一列表示一個特征。

　　張量（Tensor），超過二維的數(shù)組，一般來說，一個數(shù)組中的元素分布在若干維坐標的規(guī)則網(wǎng)格中，被稱為張量。如果一個張量是三維數(shù)組，那么我們就需要三個索引來決定元素的位置，張量通常用加粗的大寫字母表示。

　　不太嚴謹?shù)卣f，標量是0維空間中的一個點，向量是一維空間中的一條線，矩陣是二維空間的一個面，三維張量是三維空間中的一個體。也就是說，向量是由標量組成的，矩陣是向量組成的，張量是矩陣組成的。

　　標量運算部分可以看作一個小CPU，控制整個AI Core的運行。標量計算單元可以對程序中的循環(huán)進行控制，可以實現(xiàn)分支判斷，其結(jié)果可以通過在事件同步模塊中插入同步符的方式來控制AI Core中其它功能性單元的執(zhí)行流水。它還為矩陣計算單元或向量計算單元提供數(shù)據(jù)地址和相關(guān)參數(shù)的計算，并且能夠?qū)崿F(xiàn)基本的算術(shù)運算。復(fù)雜度較高的標量運算如數(shù)據(jù)流量控制則由專門的AI CPU通過算子完成，AI處理器是無法單獨工作的，必須要外置的CPU給予配合。

　　華為昇騰系列內(nèi)核架構(gòu)。圖片來源：互聯(lián)網(wǎng)

　　華為的昇騰910即Davinci Max，和高通AI100一樣，也是8192個Int8，4096個FP16。不過昇騰910是訓(xùn)練用的，高通AI100是推理用的，但910不計成本使用HBM2代存儲，性能遠超AI100。

　　上圖為特斯拉FSD信號內(nèi)部流轉(zhuǎn)，相干流量即深度學(xué)習(xí)的數(shù)據(jù)流量需要CPU控制，當然也不只是為深度學(xué)習(xí)服務(wù)。 圖像識別深度學(xué)習(xí)中運算量最大的卷積部分實際就是矩陣的乘和累加?？梢苑纸鉃?維的標量或者叫算子（即權(quán)重）與2維的向量即輸入圖像乘和累加。

　　上圖為特斯拉FSD神經(jīng)網(wǎng)絡(luò)架構(gòu)，特斯拉把矩陣的乘和累加簡單寫成了MulAccArray。特斯拉做芯片剛剛?cè)腴T，F(xiàn)SD上除了NPU是自己做的外，其余都是對外采購的IP。NPU方面，主要就是堆砌MAC乘和累加單元，在稍微有技術(shù)含量的標量計算領(lǐng)域，特斯拉沒有公布采用何種指令集，應(yīng)該是沒什么特色。華為和高通都是采用了VLIW。

　　高通的向量處理器可以簡單看作一個DSP。眾所周知，高通的AI技術(shù)來源于其DSP技術(shù)，高通對DSP非常青睞，而已經(jīng)失去生命力的VLIW超長指令集非常適合用在深度學(xué)習(xí)上，深度學(xué)習(xí)運算算法非常單一且密集度極高，并不需要通用場景下的實時控制。并且其程序運行有嚴格的時間要求，cache這種不可控時間的結(jié)構(gòu)就不適合了，通常采用固定周期的TCM作為緩存，這樣內(nèi)存訪問時間就固定了。有了上述的特征，靜態(tài)編譯在通用場合下面臨的那些困難就不存在了，而DSP其更高效的并行運算能力和簡化的硬件結(jié)構(gòu)被完全發(fā)揮出來。

　　AI100為了考慮多種應(yīng)用場合，有FP16和Int8兩種精度陣列，Int8即8位整數(shù)精度是智能駕駛領(lǐng)域最常見的，F(xiàn)P16則是游戲、AR/VR領(lǐng)域常用的。Int8有8192個，F(xiàn)P16有4096，特斯拉則是9216個Int8陣列，如果AI100只考慮智能駕駛，在總面積（差不多可等同于成本）不變的情況下算力還可以再提高不少。

　　上圖為特斯拉NPU部分流程與裸晶分布，算力理論峰值只是根據(jù)MAC數(shù)量簡單計算得出，實際存儲器是瓶頸，存儲器能讓算力大打折扣，這也是為什么訓(xùn)練用AI芯片都不惜成本用HBM內(nèi)存的原因。特斯拉的芯片上，大部分都給了SRAM，也是為了解決存儲器瓶頸問題。這里常見到兩個單位，GiB和GB，GB是十進制，GiB是二進制，1GiB=（1024*1024*1024）B=1073741824B，1GB=（1000*1000*1000）B=1000000000B，1GiB/1GB=1073741824/1000000000=1.073741824。要求精度不高的話，可以直接替換，高通AI100有144MB的片上存儲，特斯拉只有32MiB，高通顯然可以碾壓特斯拉的，此外外圍的LPDDR4存儲上，高通也是碾壓特斯拉，特斯拉帶寬只有63.58 GiB/s，高通AI100是136GB/s。

　　最后說算力，AI處理器對比似乎離不開算力對比，實際單獨講算力數(shù)據(jù)毫無意義，上圖是高通AI100在五個數(shù)據(jù)集上的表現(xiàn)，我們可以看到性能與效率差別巨大，AI算力越強，其適用面就越窄，與深度學(xué)習(xí)模型的捆綁程度就越高，換句話說，AI芯片只能在與其匹配的深度學(xué)習(xí)模型上才能發(fā)揮最大性能，換一個模型，可能只能發(fā)揮芯片10%的性能，所有AI芯片目前的算力數(shù)據(jù)都是理論峰值數(shù)據(jù)，實際應(yīng)用中都無法達到理論峰值，某些情況下，可能只有峰值算力的10%甚至2%。100TOPS的算力可能會萎縮到2TOPS。

　　在芯片領(lǐng)域，特斯拉只能算是小學(xué)生，只要有意愿，高通、英特爾、英偉達、華為、AMD、聯(lián)發(fā)科、三星都能碾壓特斯拉。