最近,一則新聞?wù)饎訕I(yè)界,賽靈思亞太地區(qū)實(shí)驗(yàn)室首席工程師、實(shí)驗(yàn)室主任胡成臣確認(rèn)加入蔚來汽車,在技術(shù)規(guī)劃領(lǐng)域擔(dān)任首席專家、助理副總裁一職。
這則新聞的背后,是蔚來汽車自研AI芯片的加速。蔚來汽車的目的很清楚,就是像特斯拉一樣,建立起自動駕駛能力閉環(huán)。而要建立這種閉環(huán),芯片是繞不過去的一關(guān)。
實(shí)際上,從去年開始,我們發(fā)現(xiàn),智能芯片(AI芯片)這個領(lǐng)域再次迅速進(jìn)入高光時刻,除了云端居壟斷地位的英偉達(dá),國內(nèi)無論是地平線,還是黑芝麻,都引起了業(yè)界極大關(guān)注。而算力的不斷提升,也讓各大車企對進(jìn)入算力的“軍備競賽”產(chǎn)生焦慮。
比如,今年英偉達(dá)發(fā)布業(yè)內(nèi)首款1000TOPS的SoC,相比特斯拉FSD單芯片算力72TOPS提升超過一個數(shù)量級。而在國內(nèi),也有地平線的征程5,算力最高達(dá)到128TOPS,以及黑芝麻A1000Pro,算力達(dá)到106TOPS等等。
但是,我們的一個問題就是,追求TOPS算力真的有那么重要嗎?是不是堆疊芯片的算力,就能達(dá)到目的了?業(yè)內(nèi)似乎進(jìn)入了“唯算力論”的誤區(qū)。所以,這里簡單探討一下。
01
算力VS軟件
地平線創(chuàng)始人兼CEO余凱打過一個比方,“如果說動力電池是未來汽車的心臟,那么智能芯片就是未來汽車的大腦?!盇I芯片作為未來車載計(jì)算中心的核心,其作用當(dāng)然非常重要。
目前,這些汽車主控芯片的結(jié)構(gòu)形式是由MCU向SoC異構(gòu)芯片(ASIC結(jié)構(gòu))方向發(fā)展。根據(jù)觀研天下的預(yù)測,全球自動駕駛汽車上的AI芯片(推理),其市場規(guī)模將從2017年的1.42億美元,年均增長135%至2022年的102億美元,遠(yuǎn)超AI芯片(手機(jī)側(cè))的市場規(guī)模34億美元。
而部署于邊緣端的(像地平線這樣的)AI芯片/內(nèi)置單元的市場規(guī)模占比,也將從2017年的21%上升到2022年的47%。其年均增速123%,超過部署于云端的AI芯片75%的年均增速。GPU(圖形處理器,Graphics Processing Unit)市場份額則會從2017年的70%下降到2022年的39%。
但是,在“軟件定義汽車”的情況下,車企的核心能力到底應(yīng)該是什么?這是業(yè)界思考的一個問題。是不是唯芯片算力馬首是瞻呢?
實(shí)際上不見得。還是需要辯證地看。我們說“數(shù)據(jù)是生產(chǎn)資料”,而提供處理數(shù)據(jù)的芯片是工具,不可能工具反客為主成為核心。工具是必備的,但是更重要的核心是跑在上面的軟件。而隨著各個芯片企業(yè)算力的快速提升,這個問題很快會變得不是問題。
此外,車企面對的消費(fèi)端是不是立刻就需要那么高端的算力呢?也不見得。目前,車企號稱8核芯片算力多強(qiáng)的多了,但是真的車機(jī)系統(tǒng)就流暢、好用了?
我們知道,近年“軟硬件解耦”的趨勢以及“軟硬件融合”的提法都有。實(shí)際上,軟件與硬件從來沒有真正分離過,一直都是相互融合發(fā)揮作用的。
以PC時代的WinTel聯(lián)盟為例,在WinTel架構(gòu)下,Intel芯片和Windows操作系統(tǒng)高度協(xié)同,最終才能產(chǎn)生壟斷市場份額的效果,缺一不可。
所以,地平線創(chuàng)始人和CEO余凱有句話講得非常到位,芯片就是軟件的舞臺,衡量芯片優(yōu)劣的標(biāo)準(zhǔn),要看芯片之上的軟件能否最大化地發(fā)揮作用。當(dāng)然不是說算力不重要,算力和軟件之間需要有效匹配。兩款相同算力的芯片比較,能讓軟件運(yùn)行得更高效的芯片才是“好芯片”。
而且,作為車企來說,還有一個芯片的成本問題?,F(xiàn)在的一種傾向是“L4硬件+L2軟件”,先硬件“預(yù)埋”以達(dá)標(biāo)或者超標(biāo),軟件上慢慢積累。但是反過來說,這是不是一種浪費(fèi)?恐怕,還是要“對每一個TOPS都要精打細(xì)算地使用?!?/p>
比如,超星未來聯(lián)合創(chuàng)始人兼首席技術(shù)官梁爽在最近一次論壇上說過,現(xiàn)在算力的軍備競賽是已經(jīng)掀起來了,但是芯片的算力本質(zhì)上對于智能駕駛系統(tǒng)還是必要不充分的條件,“現(xiàn)在大家更多提的算力是峰值算力。我們經(jīng)常會看到一個優(yōu)化程度不好的芯片宣稱有10TOPS算力,實(shí)際跑出來的應(yīng)用等效只有3~4TOPS的算力?!?/p>
說到底,是要AI算法流暢地跑在芯片上,最終,這成為一個非常復(fù)雜的需要進(jìn)行系統(tǒng)優(yōu)化設(shè)計(jì)的問題。
02
算力的“罩門”
作為現(xiàn)代科技工業(yè)中的集大成者和數(shù)字經(jīng)濟(jì)“基礎(chǔ)設(shè)施”的芯片,匯集了最復(fù)雜、最尖端、最精密的基礎(chǔ)性技術(shù),以及高端人才和資金,無疑是未來爭奪的焦點(diǎn)。
不過,由于芯片制造越來越復(fù)雜,芯片制程每提升一代往往就需要投入數(shù)百億美元,我們可以看到,芯片制造逐漸集中到臺積電、三星等少數(shù)幾家公司。相應(yīng)的,很多老牌芯片企業(yè)都放棄了制造,專注于設(shè)計(jì)。
所以,芯片設(shè)計(jì)公司的創(chuàng)新能力也變得更加重要。隨之而來的,還有AI芯片公司和AI算法公司之間的紛爭。不過,像英偉達(dá)這種TOP級的芯片公司,軟件工程師其實(shí)比硬件工程師還要多。換句話說,芯片公司的底層技術(shù)都是包含著硬件和軟件的。
而且,我們說芯片最終是為車企的車載計(jì)算平臺服務(wù)的。所以,行業(yè)需要思考一個問題是,解決智能駕駛系統(tǒng)計(jì)算平臺的支撐問題,是否只能通過芯片算力堆疊來實(shí)現(xiàn)?
答案顯然是否定的。盡管汽車智能化需要更強(qiáng)的運(yùn)算能力,但業(yè)內(nèi)專家也表示:“算力也不能說無限增長,芯片PPA(功耗、成本和面積)都是很要命的。”
這是因?yàn)?,對于車載AI芯片來說,算力指標(biāo)重要,能效比更重要。在傳統(tǒng)芯片行業(yè),PPA是最經(jīng)典的性能衡量指標(biāo)。而現(xiàn)在出于自動駕駛對算力的追求,業(yè)界還是把“峰值算力”當(dāng)作衡量AI芯片的主要指標(biāo)的話,就導(dǎo)致了一種“唯算力論”的偏頗。
這方面,地平線提出了一個新的方法MAPS(Mean Accuracy-guaranteed Processing Speed,在精度有保障范圍內(nèi)的平均處理速度),用以評估芯片的AI真實(shí)性能。而在業(yè)內(nèi)沒有統(tǒng)一的測評標(biāo)準(zhǔn)情況下,目前還只能算是一家之言。
不過功耗方面地平線還是有巨大優(yōu)勢的。我們以地平線2020年最先商用量產(chǎn)的征程2芯片為例,它搭載自主研發(fā)的計(jì)算架構(gòu)BPU2.0(Brain Processing Unit),可提供超過4TOPS的等效算力,典型功耗僅2瓦,而且,每TOPS的AI能力輸出可達(dá)同等算力GPU的10倍以上。
對于車企來說,在最高性能模式下,如果自動駕駛控制器的芯片功耗級別較高,即便其自身性能強(qiáng)勁,但也會引發(fā)某些不可預(yù)知的隱患,如發(fā)熱量成倍增加,耗電率成倍增加,這些結(jié)果對于智能電動車來說毫無疑問是顆“雷”。因此,車企在自動駕駛芯片的選用中都會充分考慮其功耗指標(biāo)。
我們說,AIoT時代大量的邊緣AI應(yīng)用(智能電動車就屬于邊緣端應(yīng)用),對邊緣智能計(jì)算提出更高要求。而邊緣端一般條件會比較差,要求低功耗,AI邊緣計(jì)算要解決的就是在功耗限制下提供最好的算力支持,以及配套的內(nèi)存支持、連接能力。
也就是說,車企不大會擔(dān)心車用電的問題,但芯片散熱功耗等問題還是必須考慮的。以行業(yè)人士的分析來說,芯片算力的無限膨脹和硬件預(yù)埋不會是未來的趨勢,硬件也需要匹配實(shí)際,有業(yè)內(nèi)人士就說過,“特別是在SoC上,我們需要精準(zhǔn)高效的算力來適配電子電氣架構(gòu)的變革?!?/p>
還有一個可能的情況是,未來在智能座艙域、自動駕駛域等的主芯片選擇上,越來越多車企可能會選擇同一家SoC芯片,原因就在于軟件適配性更好,可以大幅節(jié)約開發(fā)周期與成本。像現(xiàn)在多家車企選擇地平線的征程芯片,就是最好的例子。
最后說說,從曾任百度總裁的陸奇博士最近提出的“母生態(tài)”這個概念來說,智能汽車將是繼PC、智能手機(jī)之后更大的母生態(tài),也是中國汽車行業(yè)和科技產(chǎn)業(yè)最大的機(jī)遇所在。而且,芯片所在的科技產(chǎn)業(yè)逐步走向成熟的標(biāo)志之一就是形成完整的生態(tài)。出于對未來生態(tài)的爭奪,也需要芯片公司更加注重算力和軟件匹配的問題。