本文原作者为Gyrfalcon Technology联合创始人兼高级副总裁雷彬，一村资本整理
雷彬拥有近20年的美国硅谷高科技行业经验，曾在芯片、软件、电子类公司担任CEO、全球营销及市场副总裁等职务，并多次荣获行业创新奖、美国CES创新科技产品大奖，在专业技术的市场化和全球战略合作方面成绩卓著。
汽车技术正经历翻天覆地的转型，软件不仅可以监控引擎、播放音乐、提醒司机前方的交通危险，还能支持许多其他功能。然而，随着汽车自动化驾驶的发展，“软件慢、芯片快”这句老话的意义愈发凸显，汽车自动驾驶时不容许丝毫差错，随着全自动驾驶的普及，芯片将引领未来创新。
边缘AI为何需要尖端芯片？
人工智能（AI）需要更适合AI应用程序处理的特殊架构。未来，人们将使用Tensor架构，而不是通常分别用于中央处理器（CPU）、数字处理器（DPU）或图片处理器（GPU）中的线性或矢量处理。尖端芯片或专用协处理器正成为设备端AI、边缘AI甚至云AI处理的主流。除了架构优势外，边缘AI在局部性、隐私性、延时、功耗限制和移动支持等方面同样大有裨益。
在技术层面实现自动驾驶为何格外困难？
自动驾驶汽车不仅需要处理传感器（如摄像头、激光雷达、雷达和超声波）捕获的大量数据，还需要提供实时反馈，如交通状况、突发事件、天气状况、路标、交通信号等。这要求处理器每秒钟进行万亿次以上的操作（TOPS）来同时处理多项艰巨的任务，如目标提取、检测、分割、跟踪等，在这个过程中，操作运行会产生高功耗，高速处理、可靠性和精确度也都至关重要，并且要比人工处理做得更好。
L3级以上自动驾驶汽车的计算挑战
当前，大部分自动驾驶汽车都是用GPU进行核心AI处理。GPU的处理速度不及定制芯片（ASIC，专用集成电路）快，成本也更高，因而我们更需要的是专用AI自动处理器，但功耗是最大的问题。要想让L3级以上的自动驾驶汽车完美运行，需要100瓦至1000瓦的功率来处理多个摄像头、雷达、激光雷达等传来的实时高清内容，对功率的要求极高，从本质上来说，这意味着需要专用电池来进行处理。
对于自动AI而言，以下哪些芯片的应用范围最广？
图形处理器（GPU）、现场可编程逻辑门阵列（FPGA）、专用集成电路（ASIC）或中央处理器（CPU）
CPU是具有线性结构的通用处理器。理想情况下，CPU更适合用于一般但重要的非AI任务。条件允许时，应避免因AI处理引起的CPU过载。GPU通常用于图形和博弈，但由于其具有灵活性和相对较高的处理能力，它也可用于AI训练和边缘应用中。此外还有一些其他问题，比如GPU和CPU之间的数据传输最终会成为系统的一大限制。GPU的其他主要缺点在于功耗和成本。GPU多用于云AI及其灵活性和可配置属性。ASICs更适合用于AI应用等计算处理量大、成本低且功耗要求高的特定应用任务。在AI应用中使用AI专用协处理器正成为主流，尤其是在边缘应用中更是如此。我们相信，未来在自动驾驶领域方面，将会出现非基于GPU的专用处理器和系统来实现这一目的。
为何边缘计算对未来如此重要？
边缘计算的重要性体现在以下几个方面：局部性、低延时性、隐私性/安全性、移动支持以及功耗限制。
自动AI出错或将影响生命安全，制造商该如何确保零差错？
回顾过往与自动驾驶相关的事故或问题，我们会发现，每个案例都是全新的，因为机器学习并不完全了解该如何应对，或是做出错误应对。这整个过程都需要时间，但不允许出现任何差错。90%以上的车祸都是由于人为失误导致的，人工出错可以被原谅，但机器错误绝不容许。学习能力和算法的应用可以提高AI精确度。除了算法外，基础设施和政府条例对于实现自动驾驶同样非常重要。目前，多家顶级公司正在对公路条件下的L3级以上（L3+、L4和L5）场景进行评估。
传感器（如摄像头、激光雷达、超声波和雷达）的作用何在？
摄像头通常用于视觉处理，通过对周围环境的感知，进行目标检测、识别、分割、（车道）跟踪、盲点监测、停车辅助、交通标志识别和颜色信息提供。摄像头通常不提供距离信息。激光雷达多用于360°检测，具有高精确度和高分辨率的特点。它可用于交通堵塞、自动紧急制动（AEB）、公路驾驶等场景。激光雷达价格高昂，且不提供颜色信息。雷达用于目标检测，分辨率高低各异，适用于远程场景，但无法分辨出具体目标。超声波常用于停车辅助、盲点监测以及在信号管制下的自动巡航控制（ACC），有助于巡航控制、防撞、距离传感器和低分辨率耐候性。
融合是如何发挥作用的？
传感器融合用于自动驾驶数据融合，目前采用分布式架构，但正在向集中式架构转型。后期融合（现行）使用来自传感器的目标清单（已完成的任务），目前用于L2和L3等级。而早期融合（未来趋势）用的是来自传感器的原始数据，这对L3+、L4和L5等级十分必要。
芯片对于启动自动驾驶汽车的“大脑”和“眼睛”至关重要，AI如何让这些传感器发挥作用？
一共有三种方法。其一，通过内/外置摄像头、激光雷达、雷达和超声波感知周围环境，然后通过AI计算处理、算法、训练、推算和数据/传感器融合进行理解，用于数据结构化、分割、目标检测和视频理解。其二，通过背景感知、路径规划和任务优先级进行规划。其三，进行驱动/控制，包括驾驶、制动、加速以及引擎和传输控制。
未来三年，可能会出现哪些AI传感器？
图像传感器的应用范围十分广泛，从智能手机到机器视觉和汽车，不一而足。CMOS图像传感器（CIS）市场将继续在传感和AI领域实现颠覆性创新和增长。除了实现自动驾驶汽车的基本功能外，原始设备制造商（OEMs）也开始将深度学习算法应用于目标识别和分割中，这些通常用于高级辅助驾驶系统（ADAS）级别。大型公司和初创公司继续提供基于L3+的服务，包括机器人出租车和智能公共交通。这些新兴应用和系统已迅速被丰富多样的生态系统所包围，在传感器和计算方面尤为如此。用于高端AI应用的图像信号处理器（ISP）将需要复杂的视觉处理器和加速器。硬件既可以是独立的单片系统（SoC），也可以是SoC+AI组合处理器，这有助于提高集成电路的容量与收益。除了汽车领域外，AI摄像头在智能城市、智能家居/零售、工业物联网、智能交通和资源管理以及安全等方面也有应用，包括监控、检测和识别。这些应用展现了强大的ISPs和视觉处理器的发展，可以通过深度学习来处理当前的分析算法和未来的AI。
关于 Gyrfalcon Technology Inc
Gyrfalcon Technology Inc.（GTI）是全球领先的高性能AI加速器开发商，采用低功耗封装，低成本和小尺寸芯片。Gyrfalcon（海东青）是一种以飞行速度迅疾著称的鸟。GTI由硅谷资深创业者和人工智能科学家创立，旨在推广云人工智能应用于当地设备的能力，提供更高的性能和效率，为新设备提供功效最大化的AI定制服务，让人工智能产业化成为可能。
GTI利用人工智能和深度学习的力量，为AI摄像头和自动驾驶汽车提供突破性的解决方案，具备极强的性能、能效和可扩展性，在设备、边缘和云级别加速人工智能推理。
