自動駕駛計算芯片選型，GPU和FPGA誰更合適

（文章來源：風語辰）
? ? ?? 自動駕駛域控制器，要具備多傳感器融合、導航定位、路徑規(guī)劃、計算決策、V2X無線通訊、運動控制的能力。通常需要外接多個攝像頭、毫米波雷達、激光雷達、V2X模塊以及IMU等設備，完成包含圖像識別、數(shù)據(jù)處理等功能。

隨著自動駕駛商業(yè)化趨勢愈演愈烈，其所涉及的環(huán)境感知、控制決策、運動控制系統(tǒng)，以及與車身其他域控制系統(tǒng)的交互、車聯(lián)網(wǎng)V2X的通訊信息處理，都需要一個強大的域控制器計算平臺支持，而域控制器的處理能力取決于所選型的核心AI芯片的計算能力。目前能夠提供自動駕駛AI芯片的公司不多，業(yè)內(nèi)僅有NVIDIA、華為、瑞薩、NXP、TI、Mobileye、賽靈思、地平線等方案，且都未實現(xiàn)量產(chǎn)。

不同的自動駕駛公司，會因為不同的客戶以及需求，選擇不同的方案。但中間也會有一些共性。當前階段，AI 芯片的主流仍然是GPU + CPU，但隨著機器視覺、語音控制、深度學習的算法在 FPGA以及 ASIC芯片上的不斷優(yōu)化，此兩者也將逐步占有更多的市場份額，從而形成與GPU長期共存的局面，并逐漸實現(xiàn)反超。但從長遠看，人工智能類腦神經(jīng)芯片才是發(fā)展的終極方向。

AI 芯片是人工智能時代的技術核心之一，決定了自動駕駛計算平臺的軟硬件基礎架構和發(fā)展生態(tài)。AI 芯片按技術架構分類可分為GPU（Graphics Processing Unit，圖形處理單元）、半定制化的 FPGA、全定制化 ASIC和神經(jīng)擬態(tài)芯片等。

FPGA 是在 PAL、GAL、CPLD 等可編程器件基礎上進一步發(fā)展的產(chǎn)物。用戶可以通過燒入FPGA 的配置文件來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，比如用戶可以把 FPGA 配置成一個微控制器 MCU，使用完畢后可以編輯配置文件把同一個FPGA 配置成一個音頻編解碼器。因此，它既解決了定制電路靈活性的不足，又克服了原有可編程器件門電路數(shù)有限的缺點。

FPGA 可同時進行數(shù)據(jù)并行和任務并行計算，在處理特定應用時有更加明顯的效率提升。對于某個特定運算，通用 CPU 可能需要多個時鐘周期；而 FPGA 可以通過編程重組電路，直接生成專用運算電路，僅消耗少量甚至一次時鐘周期就可完成運算。

由于FPGA的靈活性，很多使用通用處理器或 ASIC難以實現(xiàn)的底層硬件控制操作技術，利用 FPGA 可以很方便地實現(xiàn)。這個特性為算法的功能實現(xiàn)和優(yōu)化留出了更大空間和可修改性。同時 FPGA 一次性成本(光刻掩膜制作成本)遠低于 ASIC，在芯片需求還未成規(guī)模、深度學習算法暫未穩(wěn)定，需要不斷迭代改進的情況下，利用 FPGA 芯片具備可重構的特性來實現(xiàn)半定制的人工智能芯片是最佳選擇之一。

功耗方面， FPGA 也具有天生的優(yōu)勢。CPU執(zhí)行指令，都需要有指令存儲器、譯碼器、各種指令的運算器及分支跳轉處理邏輯參與運行，而FPGA每個邏輯單元的功能在重編程時就已經(jīng)確定，不需要指令且無需共享內(nèi)存，從而可以極大的降低單位執(zhí)行的功耗，提高整體的能耗比。

由于 FPGA 具備靈活快速的特點，因此在眾多領域都有替代 ASIC 的趨勢。尤其是在需要更多的靈活變更需求驗證和支持擴展應用方面，F(xiàn)PGA 在人工智能領域的應用如圖所示。

目前深度學習、視覺融合等人工智能計算需求，主要采用 CPU+GPU、FPGA 等已有的適合并行計算的芯片來實現(xiàn)。在自動駕駛應用沒有大規(guī)模興起之前，使用這類已有的通用芯片可以避免專門研發(fā)定制芯片（ASIC）的高投入和高風險。但是，由于這類通用芯片設計初衷并非專門針對深度學習，因而天然存在性能、功耗等方面的局限性。

隨著人工智能算法和應用技術的日益發(fā)展，以及人工智能專用芯片ASIC產(chǎn)業(yè)環(huán)境的逐漸成熟，全定制化人工智能ASIC也逐步體現(xiàn)出自身的優(yōu)勢，從事此類芯片研發(fā)與應用的國內(nèi)外比較有代表性的公司有華為、地平線、深鑒科技、寒武紀、中星微、英偉達、谷歌、高通、英特爾等。

首先，ASIC的性能提升非常明顯。例如英偉達首款專門為深度學習從零開始設計的芯片 Tesla P100 數(shù)據(jù)處理速度是其 2014 年推出GPU 系列的 12 倍。谷歌為機器學習定制的芯片 TPU 將硬件性能提升至相當于當前芯片按摩爾定律發(fā)展 7 年后的水平。正如 CPU 改變了當年龐大的計算機一樣，人工智能 ASIC 芯片也將大幅改變?nèi)缃?AI 硬件設備的面貌。如大名鼎鼎的 AlphaGo 使用了約 170 個圖形處理器（GPU）和 1200 個中央處理器（CPU），這些設備需要占用一個機房，還要配備大功率的空調，以及多名專家進行系統(tǒng)維護。

在ASIC芯片需求還未形成規(guī)模、深度學習算法暫未穩(wěn)定，AI 芯片本身需要不斷迭代改進的情況下，利用具備可重構特性的 FPGA 芯片來實現(xiàn)自動駕駛計算是成為選擇之一。但由于FPGA的技術門檻兒較高，處于創(chuàng)業(yè)類自動駕駛公司而言在短期內(nèi)掌握足夠熟練的FPGA編程技術并實現(xiàn)硬件可靠性設計的難度太大，因此使用通用型CPU+GPU來做自動駕駛計算平臺或域控制器的開發(fā)成為當前的主流，英偉達最近幾年的火熱足以說明一切，并且CPU+GPU組合，基于Linux內(nèi)核和ROS系統(tǒng)的架構，已經(jīng)有較為成熟的生態(tài)，這樣的選擇目前還是最靠譜的，也是最容易落地的。
? ? ?? （責任編輯：fqj）