近年來，汽車和卡車預計將達到使用壽命的極限，通常為10至20年，這直接影響到其搭載的電子設備的穩定性。另一方面，管理汽車人工智能系統不僅涉及到技術創新，還需應對現場服務問題及法規變更等復雜情況。

硬件升級成本過高，軟件更新則需依賴可擴展系統，以滿足多地多產品線的需求。因此，硬件和軟件的可擴展性至關重要，以支持車輛使用壽命內的長期更新，并適應不斷進步的新車架構。

為了保證汽車人工智能硬件的未來發展，汽車人工智能正逐漸滲透到車輛的各個領域，如ADAS、電動汽車智能電池管理、車廂監控系統、智能降噪信息娛樂系統等。這些智能功能均在定制的人工智能處理器上運行，因此，處理器必須能適應未來汽車架構和人工智能技術的演變。

然而，“演變”是一個關鍵的限制因素。雖然人工智能基礎模型有時會出現重大變革，例如從卷積神經網絡（CNN）到Transformer的模型架構，但更多時候，模型會在汽車生命周期內或產品線中逐步演進。

如果硬件平臺的擴展性能強大，足以處理從經典深度神經網絡（DNN）到生成模型等各種類型的模型，且在性能和功耗上都具有競爭優勢，那么就應能應對這種模型演進的程度。但值得注意的是，這將在下一節詳細探討。

Ceva NeuPro-M是一款強大的NPU IP系列，為嵌入式汽車人工智能設計奠定了堅實基礎。作為一個可擴展平臺，NeuPro-M可根據需求靈活配置。NeuPro-M可并行運行1至8個引擎，每個引擎均配備混合精度神經引擎、補充激活單元和先進的稀疏性引擎，以管理權重和數據中的任何形式的稀疏性。

此外，NeuPro-M還與矢量處理單元（VPU）共享本地內存，以最大限度提高本地吞吐量。一個本地控制器負責協調各功能間的流程，一個通用子系統則負責引擎間的高層協調、下層共享內存、權重和數據的壓縮和解壓縮，以及與主機設計的接口。

高級定制策略的重要性

如同其他設計領域，汽車人工智能產品的獨特性主要源于定制程度。雖然充分運用硬件自身特性即可實現改進，但若要進一步提升性能，還需引入定制化軟件，超越硬件本身支持范圍。例如，傳感器融合便是一例。

試想自動泊車功能，需綜合應用超聲波、雷達及視頻傳感器，或者說它們的組合，以科學規劃停車路徑。盡管這些傳感器可獨立判斷與障礙物間的距離，但如何將這些數據整合并制定出最佳路徑，卻是每個汽車制造商都需自行研發的算法。

此算法需依據二維（或三維）空間中的障礙物及其他感知信息，精確規劃車輛行駛路線，同時考慮速度及前后障礙物可能的運動情況。這便涉及到向量分析技術。

許多處理器會選擇將此類計算任務交給外部數字信號處理器（DSP）或圖形處理器（GPU）處理，但鑒于汽車在狹小空間內行駛，這種方式易導致嚴重延遲，并不適宜。

而在NeuPro-M NPU IP中，每臺引擎均內置可編程VPU，使得融合算法的部分內容得以在同一引擎上運行，且與其他神經操作性能相當，共享本地內存，從而實現快速、低延遲的傳感和融合性能。

實際上，Ceva的SensPro2視覺人工智能傳感器集線器DSP正是為此功能而生，可與定制化人工智能引擎協同工作，助力高效芯片和系統設計。

如此高性能的定制算法開發，不僅能拓展汽車人工智能算法，也為未來可能出現的各類創新提供堅實支撐，無論在核心深度學習層級，還是在融合算法等擴展層面。

為持續發展的人工智能生態系統保駕護航

提前布局硬件以應對未來需求只是第一步，更重要的是要有面向未來的汽車人工智能模型和軟件堆棧作為后盾。Ceva具備豐富的支持所有標準網絡接口的經驗，并提供編譯器和優化功能，可無縫映射至基于NeuPro-M的硬件平臺。