用于自动驾驶的嵌入式AI处理器

汽车中的技术正经历着一个根本性的技术转变。软件监控发动机，播放音乐，提醒司机注意来往的交通危险，并提供更多的功能。然而，随着汽车的自主化，"软件慢，芯片快 "这句老话显得格外重要。当汽车自己驾驶时，没有出错的余地，随着越来越接近自动驾驶，芯片将需要迎来新的创新。

为什么边缘人工智能需要最先进的芯片？

人工智能需要一个特定的架构，更适合人工智能应用处理。现在的趋势是使用Tensor架构，而不是通常分别用于CPU、DPU或GPU的线性或矢量处理。尖端芯片或专用协处理器正在成为设备上、边缘、甚至云端AI处理的主流。边缘人工智能在其位置性、隐私性、延迟性、功耗限制和移动性支持方面有其他好处（除了其架构）。

从技术角度来看，为什么自动驾驶如此困难？

自动驾驶汽车需要处理由传感器（摄像头、LiDAR、雷达和超声波）捕获的大量数据。而且它必须提供实时反馈，如交通状况、事件、天气状况、路标、交通信号和其他。这需要每秒高达数万亿次的操作（TOPS）来同时处理多个具有挑战性的任务（例如，物体提取、检测、分割、跟踪等）。它还会根据操作的不同而消耗大量的能量。最后，高速处理、可靠性和准确性是非常重要的，需要比人类更好。

目前，大多自动驾驶车辆使用GPU（图形处理芯片）进行核心人工智能处理。GPU的速度和成本效益不如定制芯片（ASIC）。最终，需要一个专门的人工智能自动驾驶处理器。然而，最大的问题之一是耗电量。为了让上述L3智能驾驶车辆完美地工作，需要100到1000瓦的功率来处理来自多个摄像头、雷达、LiDAR等的实时高清输入。这是一个巨大的电力需求。这基本上意味着需要一个专门的电池来处理。

对于自动驾驶人工智能，最广泛使用的是什么芯片（图形处理单元（GPU）、现场可编程门阵列（FPGA）、特定应用集成电路（ASIC）或中央处理单元（CPU）？

CPU是具有线性结构的通用处理器。理想情况下，最好是将CPU用于更一般（但重要）的非AI任务。如果可能的话，应该避免人工智能处理对CPU的超载。传统上，GPU被用于图形和游戏。然而，由于其灵活性和相对较高的处理能力，它可以用于人工智能训练和边缘应用。还有其他问题，如GPU和CPU之间的数据传输最终成为系统的一大制约因素。GPU的其他主要缺点是功耗和成本。GPU主要用于云人工智能及其灵活性和可配置性能力。ASIC更适合于具有大型计算处理、低成本和电源效率要求的特定应用任务，如AI应用。在人工智能应用中使用人工智能专用协处理器（ASIC）正在成为主流，尤其是边缘应用。相信在未来，对于自动驾驶，会有专用的处理器和系统来服务，而不是基于GPU。

边缘计算之所以重要，是因为有以下特点：定位、低延迟、隐私/安全、移动性支持和耗电限制。

如果自动驾驶人工智能犯了错误，生命可能会受到威胁。制造商如何确保不犯这些错误？

如果回顾一下其自动驾驶的事故或问题，每一个案例都是机器学习不太知道如何反应或反应错误的新案例。这需要时间，但必须做得正确。90%以上的汽车事故是由于人为错误造成的，虽然人类的错误可以被原谅，但机器的错误是不能原谅的。由于学习能力和使用的算法，人工智能的准确性可以提高。除了算法，基础设施和政府法规对于实现自动驾驶也很重要。L3以上（L3+、L4和L5）的场景目前正由几家顶级公司在高速公路路况下进行评估。