自動駕駛是邊緣計(jì)算的重要應(yīng)用，自動駕駛需要100-1000TOPS邊緣AI算力，其具有高性能、低功耗特點(diǎn)的邊緣AI（Edge AI）成了行業(yè)壁壘。

[[424830]]

AI計(jì)算需要域來優(yōu)化算法和數(shù)據(jù)流架構(gòu)，摩爾定律已逼近極限，若沒有正確的算法和架構(gòu)，僅基于處理技術(shù)的驅(qū)動性能將無法實(shí)現(xiàn)預(yù)期的結(jié)果。

整體邊緣計(jì)算市場規(guī)模高速增長。圖片來源：IDC

未來計(jì)算平臺

第一類：馮·諾依曼人工智能架構(gòu)

• 哈佛大學(xué)推出了參數(shù)化深度學(xué)習(xí)基準(zhǔn)套件ParaDNN，這是一種系統(tǒng)化、科學(xué)化的跨平臺基準(zhǔn)測試工具，不僅可以比較運(yùn)行各種不同深度學(xué)習(xí)模型的各類平臺的性能，還可以支持對跨模型屬性交互作用的深入分析、硬件設(shè)計(jì)和軟件支持。
• TPU（Tensor Processing Unit, 即TPU張量處理單元）是谷歌打造的處理器，專為機(jī)器學(xué)習(xí)量身定做的，執(zhí)行每個操作所需的晶體管數(shù)量更少，效率更高。TPU對CNN和DNN的大批量數(shù)據(jù)進(jìn)行了高度優(yōu)化，具有最高的訓(xùn)練吞吐量。
• GPU表現(xiàn)出與TPU類似的性能，但對于不規(guī)則計(jì)算（如小批量和非MatMul計(jì)算）具有更好的靈活性和可編程性。
• CPU在針對RNN方面實(shí)現(xiàn)了最高的FLOPS利用率，并且因其內(nèi)存容量大而支持最大模型。

[[424831]]

第二類：非 馮·諾依曼人工智能架構(gòu)

• 內(nèi)存計(jì)算（CIM）：基于SRAM、NAND閃存以及新興內(nèi)存（如ReRAM、CeRAM、MRAM）的CIM陣列被視為神經(jīng)網(wǎng)絡(luò)計(jì)算的可重新配置、可重新編程加速器。CIM優(yōu)點(diǎn)：高性能、高密度、低功耗和低延遲。當(dāng)前的挑戰(zhàn)：讀出位線模擬信號傳感和專用RAM處理技術(shù)的ADC。
• 神經(jīng)形態(tài)計(jì)算：神經(jīng)形態(tài)計(jì)算將AI擴(kuò)展到與人類認(rèn)知相對應(yīng)的領(lǐng)域，如解釋和自主適應(yīng)。下一代人工智能必須能夠處理新的情況和抽象，以自動化普通人類活動。
• 量子計(jì)算：在量子計(jì)算中，最小的數(shù)據(jù)單位是基于磁場自旋的量子位?；诹孔蛹m纏，量子計(jì)算允許2個以上的狀態(tài)，糾纏速度非?？?比如：Google Sycamore、Quantum Supremay、53個Qbits、速度快1.5萬億倍、在200秒內(nèi)完成一項(xiàng)需要經(jīng)典計(jì)算機(jī)10000年才能完成的任務(wù))。當(dāng)前的挑戰(zhàn)：嘈雜中型量子（NISQ）計(jì)算機(jī)中的錯誤率和消相干。
• 量子神經(jīng)形態(tài)計(jì)算：量子神經(jīng)形態(tài)計(jì)算在類腦量子硬件中物理實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)，以加快計(jì)算速度。

[[424832]]

邊緣AI與垂直應(yīng)用

• 邊緣人工智能將主導(dǎo)未來的計(jì)算，人工智能是一種能實(shí)現(xiàn)未來水平和垂直應(yīng)用的技術(shù)。

• 水平人工智能應(yīng)用解決了許多不同行業(yè)的廣泛問題（例如計(jì)算機(jī)視覺和語音識別）；垂直人工智能應(yīng)用是針對特定領(lǐng)域進(jìn)行高度優(yōu)化的特定行業(yè)（例如高清地圖、自動駕駛定位與導(dǎo)航）。

• 憑借深厚的領(lǐng)域知識，高效的AI模型和算法可將計(jì)算速度提高10-100000倍。這是未來人工智能中最核心、最重要的自動駕駛技術(shù)。

• 所有垂直應(yīng)用解決方案均需要用于多任務(wù)的多級AI模型。

[[424833]]

AI模型與算法

• DNN是人工智能的基礎(chǔ)，如今的DNN使用一種稱為反向傳播的學(xué)習(xí)形式。如今的DNN訓(xùn)練速度慢，訓(xùn)練后是靜態(tài)的，有時在實(shí)際應(yīng)用中不能靈活應(yīng)變。
• 遷移學(xué)習(xí)是一種將先前開發(fā)的DNN“回收”作為DNN學(xué)習(xí)第二項(xiàng)任務(wù)起點(diǎn)的方法，有了遷移學(xué)習(xí)，DNN可用較少的數(shù)據(jù)訓(xùn)練DNN模型。
• 持續(xù)（終身）學(xué)習(xí)是指在保留先前學(xué)習(xí)經(jīng)驗(yàn)的同時，通過適應(yīng)新知識不斷學(xué)習(xí)的能力。例如，與環(huán)境交互的自動駕駛需從自己的經(jīng)驗(yàn)中學(xué)習(xí)，且必須能在長時間內(nèi)逐步獲取、微調(diào)和遷移知識。
• 強(qiáng)化持續(xù)學(xué)習(xí)（RCL）通過精心設(shè)計(jì)的強(qiáng)化學(xué)習(xí)策略，為每個新任務(wù)尋找最佳的神經(jīng)結(jié)構(gòu)。RCL方法不僅在防止災(zāi)難性遺忘方面具有良好的性能，而且能很好地適應(yīng)新的任務(wù)。

自動駕駛系統(tǒng) (ADS) – 功能框圖。圖片來源：ARM

自主駕駛技術(shù)需要突破：

• 邊緣精確定位和導(dǎo)航–輕量化、基于指紋的精確定位和導(dǎo)航。
• 關(guān)鍵實(shí)時響應(yīng)–20-30毫秒，類似人腦
• 消除盲區(qū)–V2X、V2I、DSRC、5G
• 可升級–低功耗和低成本

圖片來源：ARM

自動駕駛需要在高清地圖、定位和環(huán)境感知中處理大量數(shù)據(jù)，邊緣處理的所有數(shù)據(jù)都需要在關(guān)鍵的幾毫秒內(nèi)完成。在感知、定位、導(dǎo)航、強(qiáng)化交互（駕駛策略）方面智能精確地減少數(shù)據(jù)，將使自動駕駛系統(tǒng)縮短延遲，并快速響應(yīng)不斷變化的交通狀況。

強(qiáng)大、高性能的邊緣人工智能（Edge AI）是自動駕駛汽車領(lǐng)域主要壁壘之一。5G連接支持可靠的MIMO連接、低延遲、高帶寬。在5G的加持下，強(qiáng)大的邊緣AI，加之高清地圖、定位和感知方面的創(chuàng)新，將使真正的自動駕駛成為現(xiàn)實(shí)。