自動(dòng)駕駛計(jì)算芯片選型，GPU和FPGA誰更合適

（文章來源：風(fēng)語辰）
? ? ?? 自動(dòng)駕駛域控制器，要具備多傳感器融合、導(dǎo)航定位、路徑規(guī)劃、計(jì)算決策、V2X無線通訊、運(yùn)動(dòng)控制的能力。通常需要外接多個(gè)攝像頭、毫米波雷達(dá)、激光雷達(dá)、V2X模塊以及IMU等設(shè)備，完成包含圖像識(shí)別、數(shù)據(jù)處理等功能。

隨著自動(dòng)駕駛商業(yè)化趨勢(shì)愈演愈烈，其所涉及的環(huán)境感知、控制決策、運(yùn)動(dòng)控制系統(tǒng)，以及與車身其他域控制系統(tǒng)的交互、車聯(lián)網(wǎng)V2X的通訊信息處理，都需要一個(gè)強(qiáng)大的域控制器計(jì)算平臺(tái)支持，而域控制器的處理能力取決于所選型的核心AI芯片的計(jì)算能力。目前能夠提供自動(dòng)駕駛AI芯片的公司不多，業(yè)內(nèi)僅有NVIDIA、華為、瑞薩、NXP、TI、Mobileye、賽靈思、地平線等方案，且都未實(shí)現(xiàn)量產(chǎn)。

不同的自動(dòng)駕駛公司，會(huì)因?yàn)椴煌目蛻粢约靶枨?，選擇不同的方案。但中間也會(huì)有一些共性。當(dāng)前階段，AI 芯片的主流仍然是GPU + CPU，但隨著機(jī)器視覺、語音控制、深度學(xué)習(xí)的算法在 FPGA以及 ASIC芯片上的不斷優(yōu)化，此兩者也將逐步占有更多的市場(chǎng)份額，從而形成與GPU長(zhǎng)期共存的局面，并逐漸實(shí)現(xiàn)反超。但從長(zhǎng)遠(yuǎn)看，人工智能類腦神經(jīng)芯片才是發(fā)展的終極方向。

AI 芯片是人工智能時(shí)代的技術(shù)核心之一，決定了自動(dòng)駕駛計(jì)算平臺(tái)的軟硬件基礎(chǔ)架構(gòu)和發(fā)展生態(tài)。AI 芯片按技術(shù)架構(gòu)分類可分為GPU（Graphics Processing Unit，圖形處理單元）、半定制化的 FPGA、全定制化 ASIC和神經(jīng)擬態(tài)芯片等。

FPGA 是在 PAL、GAL、CPLD 等可編程器件基礎(chǔ)上進(jìn)一步發(fā)展的產(chǎn)物。用戶可以通過燒入FPGA 的配置文件來定義這些門電路以及存儲(chǔ)器之間的連線。這種燒入不是一次性的，比如用戶可以把 FPGA 配置成一個(gè)微控制器 MCU，使用完畢后可以編輯配置文件把同一個(gè)FPGA 配置成一個(gè)音頻編解碼器。因此，它既解決了定制電路靈活性的不足，又克服了原有可編程器件門電路數(shù)有限的缺點(diǎn)。

FPGA 可同時(shí)進(jìn)行數(shù)據(jù)并行和任務(wù)并行計(jì)算，在處理特定應(yīng)用時(shí)有更加明顯的效率提升。對(duì)于某個(gè)特定運(yùn)算，通用 CPU 可能需要多個(gè)時(shí)鐘周期；而 FPGA 可以通過編程重組電路，直接生成專用運(yùn)算電路，僅消耗少量甚至一次時(shí)鐘周期就可完成運(yùn)算。

由于FPGA的靈活性，很多使用通用處理器或 ASIC難以實(shí)現(xiàn)的底層硬件控制操作技術(shù)，利用 FPGA 可以很方便地實(shí)現(xiàn)。這個(gè)特性為算法的功能實(shí)現(xiàn)和優(yōu)化留出了更大空間和可修改性。同時(shí) FPGA 一次性成本(光刻掩膜制作成本)遠(yuǎn)低于 ASIC，在芯片需求還未成規(guī)模、深度學(xué)習(xí)算法暫未穩(wěn)定，需要不斷迭代改進(jìn)的情況下，利用 FPGA 芯片具備可重構(gòu)的特性來實(shí)現(xiàn)半定制的人工智能芯片是最佳選擇之一。

功耗方面， FPGA 也具有天生的優(yōu)勢(shì)。CPU執(zhí)行指令，都需要有指令存儲(chǔ)器、譯碼器、各種指令的運(yùn)算器及分支跳轉(zhuǎn)處理邏輯參與運(yùn)行，而FPGA每個(gè)邏輯單元的功能在重編程時(shí)就已經(jīng)確定，不需要指令且無需共享內(nèi)存，從而可以極大的降低單位執(zhí)行的功耗，提高整體的能耗比。

由于 FPGA 具備靈活快速的特點(diǎn)，因此在眾多領(lǐng)域都有替代 ASIC 的趨勢(shì)。尤其是在需要更多的靈活變更需求驗(yàn)證和支持?jǐn)U展應(yīng)用方面，F(xiàn)PGA 在人工智能領(lǐng)域的應(yīng)用如圖所示。

目前深度學(xué)習(xí)、視覺融合等人工智能計(jì)算需求，主要采用 CPU+GPU、FPGA 等已有的適合并行計(jì)算的芯片來實(shí)現(xiàn)。在自動(dòng)駕駛應(yīng)用沒有大規(guī)模興起之前，使用這類已有的通用芯片可以避免專門研發(fā)定制芯片（ASIC）的高投入和高風(fēng)險(xiǎn)。但是，由于這類通用芯片設(shè)計(jì)初衷并非專門針對(duì)深度學(xué)習(xí)，因而天然存在性能、功耗等方面的局限性。

隨著人工智能算法和應(yīng)用技術(shù)的日益發(fā)展，以及人工智能專用芯片ASIC產(chǎn)業(yè)環(huán)境的逐漸成熟，全定制化人工智能ASIC也逐步體現(xiàn)出自身的優(yōu)勢(shì)，從事此類芯片研發(fā)與應(yīng)用的國內(nèi)外比較有代表性的公司有華為、地平線、深鑒科技、寒武紀(jì)、中星微、英偉達(dá)、谷歌、高通、英特爾等。

首先，ASIC的性能提升非常明顯。例如英偉達(dá)首款專門為深度學(xué)習(xí)從零開始設(shè)計(jì)的芯片 Tesla P100 數(shù)據(jù)處理速度是其 2014 年推出GPU 系列的 12 倍。谷歌為機(jī)器學(xué)習(xí)定制的芯片 TPU 將硬件性能提升至相當(dāng)于當(dāng)前芯片按摩爾定律發(fā)展 7 年后的水平。正如 CPU 改變了當(dāng)年龐大的計(jì)算機(jī)一樣，人工智能 ASIC 芯片也將大幅改變?nèi)缃?AI 硬件設(shè)備的面貌。如大名鼎鼎的 AlphaGo 使用了約 170 個(gè)圖形處理器（GPU）和 1200 個(gè)中央處理器（CPU），這些設(shè)備需要占用一個(gè)機(jī)房，還要配備大功率的空調(diào)，以及多名專家進(jìn)行系統(tǒng)維護(hù)。

在ASIC芯片需求還未形成規(guī)模、深度學(xué)習(xí)算法暫未穩(wěn)定，AI 芯片本身需要不斷迭代改進(jìn)的情況下，利用具備可重構(gòu)特性的 FPGA 芯片來實(shí)現(xiàn)自動(dòng)駕駛計(jì)算是成為選擇之一。但由于FPGA的技術(shù)門檻兒較高，處于創(chuàng)業(yè)類自動(dòng)駕駛公司而言在短期內(nèi)掌握足夠熟練的FPGA編程技術(shù)并實(shí)現(xiàn)硬件可靠性設(shè)計(jì)的難度太大，因此使用通用型CPU+GPU來做自動(dòng)駕駛計(jì)算平臺(tái)或域控制器的開發(fā)成為當(dāng)前的主流，英偉達(dá)最近幾年的火熱足以說明一切，并且CPU+GPU組合，基于Linux內(nèi)核和ROS系統(tǒng)的架構(gòu)，已經(jīng)有較為成熟的生態(tài)，這樣的選擇目前還是最靠譜的，也是最容易落地的。
? ? ?? （責(zé)任編輯：fqj）