地平線在年初喜獲6億美元融資，更讓人矚目的是，2018年地平線產品開始落地，AI芯片產品的出貨達到數十萬，2018營收達數億元。2019年預計芯片整體出貨可達百萬量級，整體營收會有數倍增長。

2019第四屆ADAS與自動駕駛論壇于3月21-22日在上海召開，論壇由CCIA智能網聯專委會與佐思產研主辦，地平線、縱目科技、中科慧眼、中電昆辰、富蘭光學、創景科技等單位支持。

地平線市場拓展與戰略規劃副總裁李星宇在論壇上發表了題為“突破性能和功耗極限--新一代自動駕駛處理器助力自動駕駛產業化”的演講。以下是演講全文。

目前， 業界的量產車型還在L2級別的ADAS階段，但是主機廠已經在全力以赴推進L3、L4的開發。在開發過程中，主機廠在計算方面面臨非常大的難題，就是算力不夠。我們來看現在主流的需求，自動駕駛等級每升一級，就需要約13倍的算力提升。

算力的饑渴來自哪里？現在大部分算力用在感知，但是感知只是第一步，而且是算力要求最低的一步。往更高級別走需要融合，融合就需要建模，同時還要做預測，再往后需要基于人工智能和規則的混合決策，這些都需要更高的算力。

很多人在談到自動駕駛芯片的時候，會問你們家芯片算力到底是多少？如果我們停留在討論多少T的算力，是不是能代表實際功效呢？事實上，我們要考慮算力有效性是怎樣的，這里的有效性指從經濟和性能角度衡量AI計算。首先算力利用率如何？接下來要考量功耗如何？計算成本如何？最后也是最重要的，就是把AI的算力轉化為AI輸出的效率，這是多維的目標輸出，包含目標數量、準確性等。我們要更加全面的衡量實際效能，才能夠真正評判一個自動駕駛處理器的有效性如何。

大家知道卷積神經網絡有大量中間數據產生，這里的關鍵是如何合理調配內存、外存的網絡和計算單元之間的通路，如果不能得到充分的調配，那計算單元的效力也發揮不出來。為了解決這樣的瓶頸，地平線巧妙設計了計算構架與存儲器訪問控制器，使它做到精確的匹配，通過這樣一種協同的設計，就可以達到極高的利用率，并且能夠將功耗控制在有效的足夠低的范圍內。

地平線通過把算法、計算構架以及工具鏈的協同，讓BPU能夠提供比GPU高30倍的性能。我們2017年年底發布了第一代BPU芯片，2019年會推出第二代芯片，有十倍性能的提升，車規級的設計。

我們還提供配套的開發平臺Matrix，在今年CES 上Matrix獲得了創新大獎，Matrix現在版本還是FPGA來構建，之后會替換成第二代的處理器，主要能力體現在視覺感知方面，通過BPU進行算法加速，支持多目標識別以及全景語義分割。

在語義分割里面，把斑馬線、紅綠燈、行駛區域全部通過偽彩表現出來（視頻播放）。通過不同組合，可以做到很好的360度短距和長距的全覆蓋。很多人會說，這個芯片只適合做視覺處理，其實不是，同樣適合做激光點云的目標識別。這樣使得我們未來很容易做到激光和視覺的融合識別，同時它有很高的可靠性，且有更好的吻合度，因為激光雷達有深度距離上的精準測量，加上視覺的顏色信息，可以構成非常精準全面的信息輸入。

剛剛提到算法和架構的協同設計。這里有一個基于地平線第二代BPU架構和某主流芯片的效能算法對比。我們跑了老的算法比如Resnet，地平線BPU2.0有它的優勢，但是不明顯，當逐漸過渡到最新的算法，比如MobileNet-V2的時候，我們發現效能劇增。實際上這種Depth-wise的算法要求計算構架同步進行更新，如果還是原來的大規模并行計算構架，就不能很好發揮計算單元的效果，使得算力明顯下降。這是很有說服力的結果，如果不能把計算構架和算法結合的話，很難發揮好的效果。

地平線提供深度學習的算法和處理器，同時我們保持足夠的開放度，提供開放的工具鏈，去支持客戶已有的算法。因為我們面對的駕駛環境足夠多，地平線的算法模型不可能在每個維度上都可以覆蓋到，尤其是面向不同場景的模型。所以我們提供了工具鏈，能夠使客戶在標準算法框架下，通過我們的模型轉化工具，將客戶的模型適配到我們自己的算法，轉化成我們的芯片可以執行的非常高效的runtime。

地平線提供全棧感知軟件和全棧工具鏈。現在作為一家芯片公司，要做的不僅僅是AI芯片的開發，更大的工作量是構建全棧的工具鏈以及底層軟件。現在全球有超過70家初創公司做AI芯片，但是真正具備強大工具鏈開發能力的公司并不多。另外，我們還需要考慮在全棧軟件開發上，都需要符合主動安全標準，這是更大的挑戰。

在過去幾十年PC發展史里面，雖然沒有深度學習，但從本質上講，都是在提高性能、降低功耗。傳統的計算構架的積累，經典的方法論已經非常成熟了，地平線通過把經典理論和深度學習算法結合，最終也能達到非常好的效果。比如我們通過指令和數據存儲的巧妙組合，使得數據存取/指令執行可以并行進行，進一步提升整個系統的執行效果。

接下來再看另外一個創新成果Navnet，這是業界第一次基于視覺的實時3D定位和語義地圖構建Solution。我們基于單目的前攝像頭，可以進行視覺點云的重建。過去如果進行點云重建都是用激光雷達，非常昂貴，Navnet提供了非常低成本的解決方案。點云定位的優勢在那里？非常穩定。另外還可以基于點云提取語義，很好把點云進行參數化，提取必需的地圖元素。

這樣的低成本的解決方案，意味著可以做大規模的眾包建圖方案實施。我們第一次把這樣的方案放在廉價的邊緣計算設備上進行，使得我們對地圖元素的采集非常方便，包括標識牌、人行橫道、車道線、紅綠燈、路燈等構成一個高可靠性的，3D實時語義地圖，使地圖有實時更新的能力。

我們可以提供后裝的解決方案，未來結合ADAS，可以變成前裝解決方案，大規模地采集數據，能夠在云上進行實時的監控，并且把數據傳回到云端，如果車輛覆蓋密度足夠高的話，我們可以大大優化地圖的精度，再推送到車輛，形成一套完整的閉環解決方案。

Navnet的輸出可以分為多層，可以直接輸出點云，也可以輸出結構化的語義信息，而語義地圖的輸出吞吐量是很小的，不到100K。

最后分享一點對于業界最新趨勢的觀察，我們看到過去傳統的分布式ECU構架逐漸集中化了，這樣過程中會有過度階段，比如說多域控制器，還有域控制器之間的融合，逐漸演進。

過去的分布式的EE架構，使得軟件開發更新特別麻煩。同時，如果今后還是分布式架構，為了達到功能安全的要求，所有的傳感器都要兩套，成本太高了。通過這種高度融合的方式，形成單一的中央計算機，加上感知層、執行區這樣的概念，可以充分的利用已有的技術，在上層增加非常多的安全路由，可以動態調配集成資源，每個集成資源都可以共享多個資源和機組，這很像人體的架構。

在未來還會和云端結合，形成一種端云結合的協同式決策感知解決方案。這樣一種新的體系構架，事實上對感知能力提出了更高要求。

如果我們只是做L2級別ADAS的話，可能只需要關注目標識別就夠了，不需要那么強的感知能力。如果我們放到新的構架下，它對感知能力需求就會變得非常高，而且要求感知能力要持續提升，所以未來，當我們部署一套硬件設備以后，它的能力需要持續的進化，我們需要持續不斷迭代它的軟件，進而為未來的各種各樣應用開發提供非常好的基礎層。

這樣的構架下，事實上對智能駕駛的芯片整體能力又提出了新要求，比原來面向單一功能要求高得多。所以這也是為什么地平線持續提升感知維度的根源所在。

自動駕駛如果真正要落地，面臨無數的問題，我們希望和在座的朋友一起，攜手并進，把這件事情落到實處，謝謝各位！