都是2023年。
3月22日,英偉達宣布比亞迪將投產(chǎn)搭載DRIVE Orin計算平臺的汽車。
一個月后,地平線宣布,第三代產(chǎn)品征程5芯片首個定點合作,花落比亞迪。
兩項合作的上車時間,都是2023年。
比亞迪并不是唯一一個同時部署英偉達和地平線的車企。理想在其爆款2021理想ONE上搭載了征程3以實現(xiàn)高速領航駕駛輔助能力,而在最新的理想L9上則將使用英偉達Orin。目前,地平線芯片的定點企業(yè)達到60家,基本可以肯定,其中也有英偉達的客戶。
有評論認為,這是因為地平線是國內(nèi)鮮有通過了車規(guī)級的大算力AI芯片,而且更加便宜,所以車企選擇其作為英偉達Orin的“平價替代”和供應鏈安全B選項。
這一說法并非全無道理。
但2015年地平線成立時,英偉達的芯片已經(jīng)開始準備上車特斯拉。短短6年多時間里,一個中國創(chuàng)業(yè)公司如何能夠與AI芯片王者進入同一份采購清單?
更重要的是,在更遠的未來,地平線將只是英偉達的“平替”,還是將一路追趕,成為其在汽車AI芯片領域真正的對手?
本文為大家奉上地平線和英偉達全方位的對比,幫助您做出判斷。
01
邏輯:阿爾法狗會開車嗎?
如果說起廣為人知的人工智能(AI),阿爾法狗肯定算一號。
2016年,谷歌圍棋人工智能“阿爾法狗”(AlphaGo Lee)以4:1的成績,戰(zhàn)勝世界冠軍數(shù)量排名第二的韓國棋手李世石。
圍棋的特性決定了其不適用窮舉法,相比算力更考驗棋手的“腦力”,因此這場“人機大戰(zhàn)”成為人工智能史上一座里程碑:AI在某些領域能比人類更“聰明”。
但圍棋翹楚AlphaGo Lee能開車嗎?
答案恐怕是否定的。定位為圍棋人工智能的阿爾法狗以進行推理任務的決策算法為主,其所采用的神經(jīng)網(wǎng)絡類型也許并不能勝任視覺感知的任務;
為進行比賽,阿爾法狗所需算力高達約4416TOPS功耗高達10000W(DeepMind論文),100度電量的車也只能支撐10小時(紋絲不動),更別說帶著衣柜大小的服務器;
更重要的是,在比賽中,阿爾法狗擁有共計兩個小時+180秒的“思考”時間,而汽車一秒多想的時間都沒有。
不能開車的阿爾法狗顯示出了人工智能/神經(jīng)網(wǎng)絡在實際應用中的苛刻要求:相比于人類智能的高通用性,人工智能在功能實現(xiàn)上,與應用場景、AI算法模型、部署硬件情況息息相關。
正是這種高度相關性為地平線追趕英偉達提供了邏輯基礎。
1.1站在云端的英偉達
英偉達是第一個為AI創(chuàng)造出合適物理“大腦”的公司。
創(chuàng)立于1993年的英偉達在1999年發(fā)明了GPU(圖形處理器)。相比于CPU,GPU從架構上算子的數(shù)量要遠遠多于Cache(緩存)和Control(控制器),由此導致其只適用于計算密集與數(shù)據(jù)并行的運算程序。
所謂計算密集指:數(shù)值計算的比例要遠大于內(nèi)存操作,因此內(nèi)存訪問的延時可以被計算掩蓋,對緩存的需求較低;
數(shù)據(jù)并行則是說:大任務可以拆解為執(zhí)行相同指令的小任務,因此對復雜流程控制的需求較低。
AI機器學習正是這樣的“運算程序”:將一個復雜問題拆解為眾多的簡單問題,一次性輸入海量用于計算的參數(shù)。對簡單問題解決的順序性要求不高,最后輸出整體結果即可。
而且對存儲和控制空間需求小,導致GPU更容易增加算子,以此增加算力,并在此后成為“大算力”的領軍企業(yè)。
但要高效運行GPU的代碼極度困難,程序員需要把相關運算“黑進”圖形API(應用程序編程接口),讓顯卡以為是在進行圖像渲染計算,編程難度極高。
直到2006年英偉達發(fā)布了CUDA?通用并行計算架構,實現(xiàn)了軟硬解耦。開發(fā)者不必再使用高難度的GPU專用開發(fā)語言,而能使用通用性的編程語言調(diào)用GPU算力。
至此,GPU“破圖而出”,成為通用并行數(shù)據(jù)處理超級加速器。英偉達也由此站上了C位,成為AI時代的加速器。
一方面,搭載英偉達 GPU 硬件的工作站、服務器和云通過CUDA軟件系統(tǒng)以及開發(fā)的CUDA-XAI 庫,為AI領域的機器學習、深度學習所需的訓練和推理提供軟件工具鏈,來服務眾多的框架、云服務等等,推動了 AI 領域的迅速發(fā)展。
另一方面,英偉達從此前單純的芯片制造商,向人工智能平臺公司發(fā)展,逐步將業(yè)務拓展到云端的AI加速、HPC(高性能計算機群)高性能計算、AR/VR(增強/虛擬現(xiàn)實技術)等領域。
英偉達CEO黃仁勛也在CUDA生態(tài)積累14年后放言:“ 英偉達不是游戲公司,它將推動下一個人工智能大爆炸”。
但至少目前,從業(yè)務結構上英偉達還是一個中心化的云端數(shù)據(jù)中心和游戲公司。
5月26日,英偉達發(fā)布2023財年Q1財報(截至2022年3月),實現(xiàn)營收82.9億美元,同比增長46%。其中,由超大規(guī)模計算、云端和AI業(yè)務推動的數(shù)據(jù)中心業(yè)務占比45.23%;顯卡支撐的游戲業(yè)務占比43.67%。
以云端數(shù)據(jù)中心業(yè)務為核心,英偉達的核心技術需要服務這一場景。
但云端(服務器、數(shù)字中心)和端側(手機、智能汽車等移動端)場景中, AI芯片的運算方式有著本質性的差別。
· 首先,云端處理大批量一次性到達的累積數(shù)據(jù)(擴大批處理量,batch size),車端芯片則需要處理流數(shù)據(jù),隨著行駛(時間)陸續(xù)到來的數(shù)據(jù);
· 第二,云端處理可以“等”數(shù)據(jù)“夠了”再開始處理,車端則需要實時完成計算,盡可能得降低延遲,更勿論幾秒鐘的“等待”;
· 第三:在云端,任務本身是限定在虛擬世界,無需考慮與現(xiàn)實世界的交互。在車端則身處現(xiàn)實世界,每一個任務都需要考慮交互性。
· 此外,功耗和成本在車端AI芯片的考量中也占據(jù)更重的分量。
可見,云端AI芯片更側重于數(shù)據(jù)吞吐量和支持多種AI任務的要求,車端的AI芯片則須保證很高的計算能效和實時性要求,能夠實現(xiàn)端側推斷,以及低功耗、低延遲甚至低成本的要求。
但目前,英偉達端側芯片的核心GPU架構仍是云端架構。
Orin誕生于Ampere(安培) 架構,其正是一季度推動英偉達數(shù)據(jù)中心業(yè)務增長近9成的主力產(chǎn)品架構。換而言之,面向高級別自動駕駛場景的Orin,其中的核心計算模塊技術對標的是云端數(shù)據(jù)中心場景。
英偉達的這一選擇無可厚非。架構是芯片企業(yè)最底層的核心技術,迭代成本巨大,也是為了產(chǎn)出更賺錢的產(chǎn)品。雖然汽車業(yè)務已成為英偉達圖形技術大會上的重要一節(jié),但其創(chuàng)造的營收目前仍是微不足道——占比2.1%(2022財年)。
1.2站在“端側”的地平線
而地平線目前的核心業(yè)務只有端側的汽車。
地平線的完整名為“地平線機器人”,其創(chuàng)立設定的場景便是機器人這樣需要實時完成計算的端側場景,其產(chǎn)品所有的軟硬件架構都為端側的特殊需求設計。
但“機器人”此前更多存在于科幻電影當中,直到自動駕駛使汽車成為機器人在現(xiàn)實世界中的第一個爆發(fā)點。
“單一”的業(yè)務結構使地平線的技術能夠聚焦在“一種”需求上,而汽車智能化需求的爆發(fā)則為從智能/自動駕駛場景出發(fā),收斂AI任務范圍,打造更貴、更具針對性的專用型芯片提供了規(guī)?;A,使其商業(yè)模型能夠成立,從而吸引投資人和專業(yè)“選手”進場。
“GPU這樣的通用芯片對于開發(fā)者非常友好,但不是商業(yè)化競爭的最優(yōu)解,” 一位芯片行業(yè)專家向《電動汽車觀察家》表示:“地平線采用面向特定場景的軟硬結合方法論來設計芯片,也就是DSA(Domain Specific Architecture 特定領域架構)的芯片,極大提升了芯片的有效算力?!?/p>
軟硬解耦,將圖形處理的專用芯片GPU變?yōu)檫m用于大規(guī)模并行計算的通用型芯片,使英偉達站上AI時代的C位。
而地平線追趕英偉達的第一步,是軟硬結合。
地平線在公眾亮相中多次強調(diào)軟硬結合方法論核心——以終為始:
· 永遠從系統(tǒng)的視角評價其中每個模塊(從AI模型、工具鏈、開發(fā)工具的全體系出發(fā),看待芯片上每個細微空間的排布邏輯和利用效率);
· 永遠用未來的預測來指導當下每個選擇(針對自動駕駛AI未來算法演進趨勢,指導當下的技術研發(fā)方向和取舍關系)。
地平線芯片開發(fā)過程中的一個環(huán)節(jié)可以從一個側面展示軟硬結合的方法到底如何落地。
地平線有一個AI模型性能分析工具。首先將選取包含了豐富的、代表未來演進趨勢的算法模型作為Testing Benchmark(測試基準)。將其在地平線BPU架構的建模工具上進行運行,測試這架構對算法模型的運算性能如何,并基于這一測試基準,探索軟件層面的編譯器、模型量化工具、訓練工具應該怎么做。
由于芯片從設計到最終應用有著二到三年的”時差“,這樣的工作流程幫助地平線以軟性的算法趨勢指導硬件架構設計,提前“適應“未來。
“像地平線已經(jīng)達到百萬芯片出貨量的征程二代和征程三代芯片里就有比較多的設計,在2016年、2017年時已經(jīng)考慮到了相關一些算法的演進趨勢?!暗仄骄€高級研發(fā)總監(jiān)凌坤表示。
02
征程5對標英偉達車端芯片性能情況
邏輯是一回事,技術實現(xiàn)往往是另一回事。地平線能夠拿到英偉達的客戶根本上還要看數(shù)據(jù)。
單片英偉達Orin和征程5的算力分別為256TOPS(每秒萬億次計算)和128TOPS,功率為55W和30W,功耗比分別為4.6TOPS/W和4.2TOPS/W。
但如果以自動駕駛AI在兩個平臺上每秒圖像幀率FPS進行對比測試時,Orin為1001FPS,只有一半算力的征程5則實現(xiàn)了1283FPS(Orin數(shù)據(jù)為地平線基于同安培架構的英偉達RTX3090進行調(diào)整后測算得出)?!澳苄蟻砜?,我們(征程5相比Orin)有6倍多的提升?!钡仄骄€BPU算法負責人羅恒表示。
在智能/自動駕駛場景,視覺仍是目前最核心的感知路線,也是智能/自動駕駛AI面臨的核心任務:“我看到的是什么”。因此,對于自動駕駛所有應用的計算平臺來說,F(xiàn)PS被認為是衡量先進算法在計算平臺上運行效率的評價標準之一。
2017年發(fā)布自研的FSD芯片時,特斯拉創(chuàng)始人馬斯克便以此前應用的英偉達Drive PX2作比,從算力來看FSD是Drive PX2的3倍,但在執(zhí)行自動駕駛任務時,其FPS是后者的21倍。
GPU的看家本領便是圖像識別。為何GPU發(fā)明者英偉達的Orin會在測試中表現(xiàn)不及算力只有一半的地平線征程5?部分核心原因在于安培(Ampere)架構和貝葉斯(Bayes)架構設計出發(fā)點的差異。
從物理世界來看,芯片架構就是在方寸之間(目前主流車規(guī)級量產(chǎn)芯片尺寸40nm-5nm)做文章:如何在有限的空間內(nèi)排布算子、存儲器以及之間的通信線路,不同的計算需求將導致不同的陣列方式。
2.1學霸英偉達
數(shù)據(jù)中心場景主要包括高性能計算(HCP)和深度學習,以此出發(fā)的芯片架構要能夠支持各類AI模型任務,在限定時間內(nèi)吞吐恒河沙數(shù)般的數(shù)據(jù)量。如同被開了金手指的學霸,文史哲數(shù)理化通吃,一天能做三萬張卷子。
英偉達從帕斯卡到安培架構都以高拓展性為核心目標:
· 支持盡可能多種類的神經(jīng)網(wǎng)絡結構以保證算法的正確率和泛化能力;
· 支持能夠識別廣大數(shù)字范圍的浮點運算,以保證巨大的數(shù)據(jù)吞吐量;
· 支持陣列式結構以能夠連接更多的處理單元,以進一步加大可計算的數(shù)據(jù)規(guī)模。
落地到硬件技術上,Tensor core(張量核)和cuda core(下稱CUDA核)并行,以及從INT1到FP64的數(shù)據(jù)精度范圍等一系列革新技術,都以支持上述目標為目的。
2017年,英偉達Volta架構亮相,其以深度學習為核心的標志便是推出了與CUDA核)并行的張量核)。
張量(Tensor)是一個數(shù)學概念,指多維數(shù)組,有0-5維,被看作是現(xiàn)代機器學習的基礎,是數(shù)據(jù)的容器。
在早期以邏輯判斷模型為主的機器學習中,學習任務簡單,學習素材可被數(shù)據(jù)化為結構化的二維圖表。
但進入神經(jīng)網(wǎng)絡模型的深度學習階段中,AI的任務不再是找出花束中的藍色花朵,而是找出圖片庫中的貓。教材變?yōu)榉墙Y構化數(shù)據(jù),單一的圖像數(shù)據(jù)就需要三維張量來表示,語音和視頻的維度則更高。
配合多維張量設計的乘積累加運算 Multiply Accumulate(MAC)計算陣列與神經(jīng)網(wǎng)絡模型的運算模式高度匹配,成為AI芯片的核心算子類型。
谷歌2015年推出了張量處理器(Tensor Processing Unit,簡稱TPU)。2017年英偉達在完全面向深度學習的Volta架構上增加了MAC陣列,直接命名為“張量核”。
對從事數(shù)據(jù)中心、顯卡和車端等多種業(yè)務的英偉達來說,CUDA核和張量核各有用處。
CUDA核在每個GPU時鐘中最多可以執(zhí)行1個單精度乘法累加運算,適用于參數(shù)一致的AI模型深度學習以及高精度的高性能計算。
但對于AI模型來說,模型參數(shù)的權重各有不同,如果全部對標當中的高精度進行運算,則時間長且內(nèi)存消耗大;而如果都降維到低精度參數(shù),則輸出的結果誤差較大。
張量核就可以做到混合精度:每1個GPU時鐘執(zhí)行1個矩陣乘法累加運算,輸入矩陣是 FB16,乘法結果和累加器是FB32矩陣。
混合精度雖然在一定程度上犧牲了訓練的精度,但可以減少內(nèi)存的占用,以及縮短模型的訓練時間。
在擴充適應多樣計算需求的算子同時,英偉達也在不斷擴充算子所能支持的浮點精度。
CUDA核在最主流的FP32基礎上,先后增加了對FP64、INT32 的計算能力;張量核則可支持FP16、INT8/INT4/Binary、TF32、 BF16、 FP64等多種數(shù)據(jù)精度的支持。
多樣化到什么程度?
FP64具有完整的15–17位十進制數(shù)字精度,多用于醫(yī)學、軍事等對精度要求極高的科學計算,通常不用于深度學習計算。而TF32甚至成為英偉達GPU中的新數(shù)學模式。
2.2偏才地平線
但這些高擴展性和豐富性,對自動駕駛AI來說是否是必要的?
2018年,英偉達發(fā)布了采用Volta架構GPU的Soc(系統(tǒng)級芯片)Xavier,可執(zhí)行高級別自動駕駛任務。按照英偉達的定義,XAVIER是專門為機器人和邊緣計算而設計的計算平臺,采用臺積電的12nm工藝。
相比之下,特斯拉FSD采用三星14nm工藝,且算力上Xavier只有FSD的一半。但從面積上,XAVIER卻比FSD要大一些。
背后便是應用于云端場景的架構,與完全對標一個品牌需求的車端架構,在芯片布局上的不同。
直觀來看,Xavier集成的Volta GPU,提供了512個CUDA核和64個張量核。相比之下,F(xiàn)SD中負責通用浮點計算的GPU面積遠小于其MAC陣列NPU。
從需求出發(fā),F(xiàn)SD芯片上只需運行特斯拉的自動駕駛AI,因此完全對標深度學習需求的MAC陣列占據(jù)更多的片上位置。
對Volta GPU來說,端側以實時推理為第一要務的深度學習任務外,還需要考慮云端的訓練和高性能計算等更多的任務,通用性計算與混合精度矩陣計算需求并重,仍需在方寸之間為CUDA核留下不少的位置。
上述芯片專家向《電動汽車觀察家》表示:“相比通用型架構,自動駕駛專用架構在設計的時候會充分考慮到目標應用場景的特色,采用更高效適用的計算核以及組合模式,從而實現(xiàn)計算效率的提升,更好地滿足目標應用場景的計算需求?!?/p>
圍繞提升MAC陣列的利用效率,地平線自主研發(fā)的BPU(嵌入式人工智能處理器,Brain Processing Unit,大腦處理器)架構采用大規(guī)模異構計算、高靈活大并發(fā)數(shù)據(jù)橋和脈動張量計算核三大核心技術打造適應端側自動駕駛需求的矩陣運算。
“英偉達和地平線的MAC陣列在具體的設計上有不少差異。“羅恒向《電動汽車觀察家》表示,”從外部結果來看,貝葉斯主要面向batchsize=1、DDR節(jié)省和對使用depthwise的卷積神經(jīng)網(wǎng)絡進行優(yōu)化,契合自動駕駛場景特征和高能效比?!?/p>
batchsize是指神經(jīng)網(wǎng)絡一次批量處理的樣本數(shù)目。一次批處理的樣本數(shù)目越多,那么就有潛在的更多并行計算/加速的可能。在云端場景下,有海量的數(shù)據(jù)需要處理,GPU以及其他一些云端AI芯片在架構設計上就會充分考慮batchsize大(一次批處理樣本多)的特性來設計,從而提高硬件效率。
自動駕駛和其他一些端側場景,數(shù)據(jù)上按固定的時間依次到達的,比如攝像頭的幀率是30FPS,那么相當于每隔33ms就會有一張圖達到,這時候就需要立即處理,盡早搞明白周圍的狀況而對車輛做出必要的控制。
本質上,自動駕駛面臨的就是一個batchsize=1的問題(來一張圖就要馬上處理,而不能多等幾張圖一起處理),特斯拉的FSD chip發(fā)布會也強調(diào)了其架構設計面向batchsize=1優(yōu)化。
DDR指雙倍速率同步動態(tài)隨機存儲器,是內(nèi)存的其中一種。在云端,由于可以將大量的存儲單元相連,內(nèi)存可被無限擴大;
但在端側,內(nèi)存受芯片面積和計算單元“爭奪”的雙重限制變得有限又昂貴,而且自動駕駛一方面產(chǎn)生巨大數(shù)據(jù)量,一方面又不能因內(nèi)存不足而“卡住”。因此通過硬件的設計排布和軟件的指令調(diào)度,有效提升內(nèi)存中數(shù)據(jù)的重復使用率,節(jié)省內(nèi)存,確保始終有內(nèi)存空間推動計算執(zhí)行下去便非常重要。
depthwise是卷積算子的一種特殊形式,使用其搭建的卷積神經(jīng)網(wǎng)絡具有最高的算法效率(達到同樣的算法精度,所需計算量更少)。目前最強的卷積神經(jīng)網(wǎng)絡就是由大量的depthwise卷積構成的。比如,最新?lián)魯×薙win transformer的ConvNeXt。
在針對自動駕駛場景進一步優(yōu)化自己的MAC陣列同時,地平線還開發(fā)了與英偉達CUDA核類似的向量加速單元。
“我們這一代的向量加速單元是一個非常高效、相對簡單的(不支持浮點計算)面向向量(vector)的加速單元?!绷_恒向《電動汽車觀察家》表示,“這樣一個相對簡單的向量加速單元的好處是功耗、面積上的經(jīng)濟。下一代貝葉斯我們會進一步加強這個單元?!?/p>
減少數(shù)據(jù)的吞吐量某種意義上意味著算力,以換取功耗和芯片面積上的經(jīng)濟。做出算力和經(jīng)濟性之間的取舍決策,必須是對自動駕駛場景和算法的深刻理解。
技術革新背后,是地平線BPU三代架構以滿足端側自動駕駛的加速需求為核心方向的不斷演進。
其一:三代架構持續(xù)優(yōu)化BPU IP的性能、面積、功耗,在性能/算力大幅提升的過程中,保證了所需DDR帶寬只是溫和的增加。
征程5(使用貝葉斯BPU)相對征程3(使用BPU伯努利2.0)FPS提升10~25倍(不同典型模型),帶寬增加不到2倍,仍然有被動散熱方案。
其二:對性能、面積、功耗和可編程性更好地折中考慮。
BPU伯努利1.0、2.0主要以硬核方式(有限的可編程性)支持常見性能有需求的算子;BPU貝葉斯更加系統(tǒng)、全面地考慮了性能和可編程性方面的需求,增加了靈活的、可編程的向量加速單元,但也包含了一些特定目標(如,Warping、Pooling、Resize等)的硬核加速單元。結果是,BPU貝葉斯更加通用,開發(fā)新的算子更為簡單。
征程5目前在Swin(機器視覺最有代表的Transformer)上的FPS已經(jīng)為Xavier的3倍。
“BPU伯努利1.0、2.0到貝葉斯三代架構都是以卷積神經(jīng)網(wǎng)絡加速為核心展開的,也是業(yè)界極少數(shù)持續(xù)保持depthwise convolution(卷積神經(jīng)網(wǎng)絡三十年來計算架構最大的算法改進)高效的加速器?!绷_恒向《電動汽車觀察家》表示。
對智能/自動駕駛所需算法的持續(xù)追蹤、設計自身的軟件算法,使地平線對車用領域未來的軟件算法架構有清晰、聚焦的判斷。而且,單一業(yè)務的地平線,無需像英偉達一樣考慮多種業(yè)務結構的技術方向和性能需求。
“輕裝上陣”賦予了地平線追趕英偉達的速度。
征程3推出一年多之后,地平線就推出了全新架構的征程5。相比之下,英偉達Xavier到Orin-X花了三年的時間。
03
生態(tài):構建自己的王牌
針對自動駕駛場景算法和需求專門設計的專用芯片實現(xiàn)在效率上的更高效只是地平線追趕英偉達的第一步。更難的是構建地平線自己好用的軟件體系,以及能支撐持續(xù)演進迭代的用戶生態(tài)——這正是英偉達的王牌所在。
“歷史上,英偉達正是靠工具鏈登上了AI王座,并建立了強大的生態(tài)護城河。”地平線生態(tài)發(fā)展與戰(zhàn)略規(guī)劃副總裁李星宇向《電動汽車觀察家》表示,“地平線在成立之初就建立了工具鏈團隊,那個時候我們有一種直覺,未來工具鏈將成為我們與合作伙伴協(xié)同創(chuàng)新的基礎。
同時,整個行業(yè)正在演進到數(shù)據(jù)驅動的軟件2.0時代,地平線也提供端上的開發(fā)工具、以及在云端的訓練,包括數(shù)據(jù)管理以及仿真平臺等工具(AIDI 艾迪),與天工開物形成完整的開發(fā)平臺,加速面向智能駕駛、智能交互、車內(nèi)娛樂應用等各種各樣的解決方案開發(fā)?!?/p>
3.1天工開物“追“CUDA
如今,英偉達GPU成為云端人工智能加速的主流解決方案。究其原因,并非英特爾、高通、ARM等芯片公司的算力不夠,而是在軟件方案上缺乏如CUDA一般完整的編程工具鏈。
構建完整、完善、好用的編程工具鏈需要長時間和海量的資金投入和技術積累,而英偉達CUDA搶跑了十多年的時間。
早在2006年問世之初,英偉達就開始對CUDA系統(tǒng)在AI領域進行大力投入和推廣。一方面在年營業(yè)額只有30億美元的情況下,每年投入5億美元的研發(fā)經(jīng)費更新維護CUDA;另一方面,為當時美國大學及科研機構免費提供CUDA系統(tǒng)的使用,使其迅速在AI及通用計算領域開花結果。
作為后來者,地平線的天工開物目前顯然無法在完整性上與英偉達CUDA體系相比,不過在針對AI和端側需求,天工開物已有不少亮眼的表現(xiàn)。
“地平線的工具鏈,尤其是其中的模型轉換工具和編譯器,可以自動完成對模型的量化和編譯優(yōu)化,通過自動化通用的算法,將模型快速部署在芯片上, 運行效率高,精度損失小?!绷_恒向《電動汽車觀察家》表示。
AI模型不僅要在云端完成訓練,能夠輸出高精度的結果,還需要被量化以部署應用。
所謂模型量化是將浮點存儲(運算)轉換為整型存儲(運算)的模型壓縮技術。
模型在訓練過程中會使用浮點,AI芯片在推理時為了面積功耗的節(jié)省通常使用8bit整型數(shù)計算。這樣浮點訓練的模型需要進行量化,轉換到8bit整型來計算。
量化,可使模型在運行時存儲開銷和帶寬需求更少、更快的計算速度、更低的能耗與占用面積,得以部署到限制更多,對速度要求更快的端側。
但在量化過程中會產(chǎn)生數(shù)據(jù)溢出和精度不足舍入錯誤。
對此,2017年,與張量核一道,英偉達推出了量化工具TensorRT,實現(xiàn)從模型獲得,到模型優(yōu)化與編譯,再到部署的全過程。地平線天工開物也有類似的量化工具,而且對比測試中,地平線對輕量化/小型化AI模型的量化精度,要好于英偉達的TensorRT。
因為TensorRT要覆蓋云端、端側等多個場景下的模型量化,而天工開物則針對性更適宜部署在端側的模型——采用適用于視覺識別的卷積神經(jīng)網(wǎng)絡。
從2012年到2017年,卷積神經(jīng)網(wǎng)絡經(jīng)過了快速發(fā)展,識別精度已經(jīng)非常高,但“體積”也非常大。2018年,AI模型訓練的工作量相比五年前增長了30萬倍,研究機構使用的模型參數(shù)已達到萬億級。
大模型帶來高性能的同時,也導致在云端效率低、評估成本高,在端側難以部署的問題。于是,業(yè)界開始尋求在同樣的精度下做“減法”:
其一,對訓練好的復雜模型通過知識蒸餾、通道剪枝、低比特量化(浮點計算轉成低比特定點計算)等手段對模型進行壓縮,降低參數(shù)量和計算量。
英偉達2019年發(fā)布的安培架構中的一大提升便是張量核增加了對模型部分參數(shù)為0時的稀疏矩陣計算的支持。
其二:深度可分離卷積/深層卷積(depthwise separable convolution)代替普通的卷積,形成小規(guī)模/輕量化模型,如SqueezeNet、MobileNet、ShuffleNet等。
但小模型在量化的過程中會出現(xiàn)精度損失的問題。對此,地平線在2017年便就設計出了量化訓練算法以解決Depthwise模型精度損失的問題,并申請了專利。而直到2019年,谷歌才推出相應的量化算法。
而且基于對算法的持續(xù)追蹤,地平線已經(jīng)標定出了一個潛在的“終極答案”——2019年“減法”模型的集大成者EfficientNet。地平線認為其標志著卷積神經(jīng)網(wǎng)絡結構的演進暫時進入一個平緩發(fā)展的階段。
EfficientNet能夠很好的平衡神經(jīng)網(wǎng)絡的深度、寬度和分辨率這三個核心維度,通過一組固定的縮放系數(shù)統(tǒng)一縮放這三個維度。
地平線對征程5和Xavier、Orin(估算)的FPS測試便是以EfficientNet為測試模型。在上述測試中,地平線較之英偉達量化精度更高的模型也是MobileNet、EfficientNet這樣的輕型/小型模型。
目前,地平線在工具鏈方面已經(jīng)支持了100多家的客戶。
3.2艾迪“追”Drive
除了與芯片高度結合的工具鏈,另一大軟件體系的競爭是在與車用高度結合的開發(fā)工具方面。
2017年自Xavier芯片開始正式進入智能/自動駕駛端側場景之后,英偉達立刻開始著手完善加強端到端的自動駕駛和車用功能解決方案:Drive系列。
在英偉達統(tǒng)一的計算架構(Xavier/Orin/Atlan)之上,建立了自動駕駛家開發(fā)平臺Drive Hyperion,自動駕駛模塊化軟件棧Drive SDK,仿真平臺Drive Sim,和深度學習訓練平臺Drive DGX四個產(chǎn)品。
汽車客戶可在DGX上進行自動駕駛感知、規(guī)劃、控制的模型訓練和優(yōu)化;在Sim的虛擬仿真環(huán)境中模型和算法的驗證;在Drive SDK的“軟件貨架”中挑選適合自己的軟件“組裝”功能和應用;并利用Hyperion進行數(shù)據(jù)采集和驗證開發(fā)。
Drive SDK包含中OS基礎軟件平臺、和向開發(fā)者開放的works中間件、AV /IX自動駕駛/智能座艙軟件棧。
開發(fā)者可對調(diào)用、組合、開發(fā)抽象封裝在DriveWorks中的攝像頭、毫米波雷達、激光雷達、GPS和IMU等傳感器功能,針對自動駕駛的典型使用場景和Corner Case場景開發(fā)了多種豐富的神經(jīng)網(wǎng)絡,構建計算密集型算法進行物體檢測、地圖定位和路徑規(guī)劃。
而基于Drive AV/IX提供的基礎應用功能,開發(fā)者可拆解、組合出符合自身的新功能和產(chǎn)品能力。
與英偉達Drive相對的是地平線艾迪AI軟件產(chǎn)品開發(fā)及迭代一站式工具平臺。其能夠為智能汽車AI開發(fā)者提供海量數(shù)據(jù)存儲、處理能力,半自動化/自動化標注能力,大規(guī)模分布式訓練及模型管理能力和自動化分析、處理產(chǎn)品問題等能力。
值得注意的是,艾迪不僅面向地平線的芯片,還可對接其它芯片,差別只在模型部署階段有所不同。
“開發(fā)者圍繞關鍵場景的問題挖掘,模型迭代全流程的自動化,可以大幅改善算法的研發(fā)效率,而且可以開放的對接到各類的終端上面。通過這種方式,大大提升了算法研發(fā)人員的研發(fā)效率。”地平線高級研發(fā)總監(jiān)凌坤表示。
3.3開放構建地平線生態(tài)
在硬件高度服務于軟件,開發(fā)模式從過去的人工定義變?yōu)閿?shù)據(jù)驅動的軟件2.0時代。軟件體系是地平線最難追上英偉達的部分,卻也是要真正追上英偉達的必經(jīng)之路。
體量小、起步晚、還造著更貴、受眾更窄的專用型AI芯片,地平線要如何在講究生態(tài)體系建設的軟件領域追趕英偉達?
答案是比開放的英偉達更開放。
一方面是覆蓋更廣泛的市場區(qū)間。
地平線的芯片產(chǎn)品體系覆蓋從L2級到L4級的智能/自動駕駛需求。征程2主要適配面向L2級的輔助駕駛領域,征程3可適配面向L2+的高速領航輔助駕駛,征程5可適配更具挑戰(zhàn)的復雜城區(qū)輔助駕駛。
而目前,英偉達Xavier/Orin的落地大多是從高端車型的高速領航輔助駕駛開始,并且以城區(qū)駕駛輔助為短期目標的。
由此,雙方芯片的上車規(guī)模便產(chǎn)生了相當?shù)牟罹唷?/p>
截止目前,已公布搭載地平線征程芯片的有長安UNI-T/K/V、奇瑞螞蟻、廣汽埃安AION Y、2021款理想ONE、哪吒U·智等15款車型以上,當中不乏月銷過萬的爆款車型。基于此,地平線征程芯片出貨量已突破100萬片,與超過20家車企簽下了超過60款車型前裝量產(chǎn)項目定點。
相比之下,主力搭載英偉達Xavier的小鵬相關車型累計銷售12萬輛左右。
更多出貨量意味著更多的真實場景數(shù)據(jù)和應用需求,這是軟件系統(tǒng)體系不斷提升完善的根本“原料”?!拔覀儼芽蛻艨吹降膯栴}、想法,在發(fā)揮創(chuàng)造性上面遇到的阻礙,反過來幫助我們改進和提升天工開物工具鏈,這套千錘百煉的工具鏈就可以更好的提升效率?!绷枥け硎?。
另一方面,則是集眾人之力,加大開放深度和廣度。
“地平線提供了一種新的合作范式,就是極致的開放與共創(chuàng),我們努力做的是與上下游的合作伙伴打造一個生態(tài)合作的熱帶雨林。我們相信:一個公司的價值在于他在創(chuàng)新生態(tài)里是否被需要。”李星宇向《電動汽車觀察家》表示。
英偉達基于自身的GPU開發(fā)出系統(tǒng)級芯片(SOC),并與CUDA操作系統(tǒng)強綁定,業(yè)界在此基礎上開發(fā)自動駕駛的軟硬件系統(tǒng)。
地平線則在開發(fā)完成BPU和其上的SOC之后,將底層軟件通過開源OS協(xié)同開放的模式與整車企業(yè)共享,使開發(fā)者能夠深入操作系統(tǒng)底層,高效地調(diào)用操作系統(tǒng)之下地各種資源。
地平線在去年發(fā)出倡議,結合征程5芯片,為智能汽車去打造一個開放、開源、行業(yè)廣泛參與的操作系統(tǒng)——TogetherOS。目前為止,地平線已與長安、長城等多家國內(nèi)主機廠開始聯(lián)合開發(fā)。
今年,地平線創(chuàng)始人余凱又宣布不僅僅是開源OS,地平線將向部分整車廠開放BPU IP授權。就此,地平線形成三類開放共贏的商業(yè)模式:
· 一是提供BPU和SoC級別征程芯片以及操作系統(tǒng)OS,幫助車企完成自動駕駛軟硬件系統(tǒng)開發(fā);
· 二是提供BPU和SoC級別芯片,整車廠采用自研操作系統(tǒng)開發(fā)自動駕駛軟硬件系統(tǒng);
· 三是提供BPU IP,支持車企實現(xiàn)SoC自研并采用自研操作系統(tǒng)和自動駕駛軟硬件系統(tǒng)實現(xiàn)整車開發(fā)。
在此模式下,整車開發(fā)將實現(xiàn)從芯片到操作系統(tǒng)、再到自動駕駛的軟硬件系統(tǒng)的高度協(xié)同,極大提升迭代速度。
作為AI芯片和軟件工具的提供商,底層開發(fā)程度越高,意味著基于車企越多的自主性,由此推動其實現(xiàn)產(chǎn)品和功能的快速迭代——這正是當前智能汽車競爭的核心指標。由此無疑將為地平線吸引來更多的客戶和合作方。
這是機會,但也是成本。開放度越高,也意味著開放者為應用者要提供的適配資源和成本更高。
如Mobiveil首席執(zhí)行官Ravi Thummarukudy所說:“要將IP提供給市場需要成本,一旦客戶取得授權并開始將之整合到SoC,為該IP提供支持就會成為經(jīng)常性支出。”
不只是IP,僅僅在征程5的上車過程中,地平線為客戶提供的配套適配服務的深度和周到程度,就是英偉達這樣的外資跨國多業(yè)務企業(yè)無法實現(xiàn)的。
從推出CUDA算起,英偉達在AI領域已布局16年之久,更是在2015年便開始與特斯拉這樣的智能汽車領軍企業(yè)開始合作,其技術壁壘之高,生態(tài)護城河之廣,都可以想象。
如今,中國已經(jīng)成為全球智能汽車的角斗場。很幸運,地平線以中國市場為起點,開始這場艱苦卓絕的追趕。
地平線軟硬結合的技術路線+共創(chuàng)開放的商業(yè)模式,能否在多年之后創(chuàng)造出以小勝大,以弱勝強的“逆襲“故事,只待時間給出答案。