MEET2021 | 地平線黃暢：軟件2.0時代，數(shù)據(jù)驅動進化，算力將成為智能化的基石

編輯部 整理自 MEET 2021
量子位 報道 | 公眾號 QbitAI

當下，AI芯片將迎來什么樣的挑戰(zhàn)？

隨著軟件步入“2.0時代”，數(shù)據(jù)開始驅動AI進化，算力也逐漸成為智能化的基石。

但除了芯片本身的算力提升，AI算法對芯片的要求，也還會越來越高。

一方面，AI算法的發(fā)展日新月異，從人工設計特征，到深度學習神經網(wǎng)絡模型，發(fā)展速度已經遠超AI硬件改進的速度。

另一方面，軟件2.0時代，靈活的AI開發(fā)、有效的數(shù)據(jù)閉環(huán)，將成為AI系統(tǒng)的新特征，這又會對AI芯片提出更多要求。

前后浪潮，一同夾擊。AI芯片，應當如何破圈？

在MEET 2021智能未來大會現(xiàn)場，地平線聯(lián)合創(chuàng)始人兼技術副總裁黃暢，給我們分享了對于AI芯片行業(yè)發(fā)展的思考。

在不改變原意的基礎上，量子位對黃暢的演講內容進行了編輯整理。

關于MEET 智能未來大會：MEET大會是由量子位主辦的智能科技領域頂級商業(yè)峰會，致力于探討前沿科技技術的落地與行業(yè)應用。本次大會現(xiàn)場有李開復等20余位行業(yè)頂級大咖分享，500余名行業(yè)觀眾參與，超過150萬網(wǎng)友在線收看直播。包括新華社、搜狐科技、澎湃新聞、封面新聞等數(shù)十家主流媒體在內紛紛報道，線上總曝光量累計超過2000萬。

演講要點

 

• AI的核心理念，就是不斷地用機器替代人做更多的事情，包括學習本身。
• “軟件2.0”，指的是將整套AI系統(tǒng)的開發(fā)、測試、改進、安全評估，放在真實的物理世界中迭代提升，形成一個數(shù)據(jù)迭代閉環(huán)。
• 如今，圖像識別算法的進化速度，甚至已超過半導體行業(yè)的摩爾定律。
• 即使功耗再低、面積再小，芯片也不能沒有性能。而芯片的運算能力指標（TOPS），并不能反映最先進的算法帶來的性能提升。因此，地平線提出了一個新指標MAPS，來合理地評估計算性能。
• 只有將最先進的算法、和最先進的處理器架構結合在一起，才能更好地對算法進行優(yōu)化。
• 車載AI芯片，不僅是智能汽車的數(shù)字發(fā)動機，也是整個芯片行業(yè)的珠穆朗瑪峰。

 

（以下為黃暢演講分享全文）

飛速演進的AI算法

自上世紀60年代被提出后，AI經歷了幾個發(fā)展階段。

從早期的符號主義、基于規(guī)則的專家系統(tǒng)，到后來的人工設計特征、淺層學習，再到今天的深度學習、超越深度學習的新范式……

每個發(fā)展階段中，AI的核心理念，都是不斷地用機器替代人做更多的事情，包括學習本身。

但與其他領域不同，AI涉及的問題，難以用分解簡化。

以計算機視覺為例。

在我們看來，下圖是一只貓；但對于計算機而言，它只是一堆數(shù)據(jù)。

如何讓計算機理解這張圖，是一個復雜、高度非線性的問題。

上世紀80~90年代，計算機視覺的先驅，曾提出一種場景理解框架：用計算機提取圖片中的物體邊緣、構造2D物體，并理解2D物體之間的深度關系（2.5D信息），以獲得3D模型。

但這個框架過于理想化。

不僅在框架計算時會引入大量不確定性（錯誤、噪音），輸入圖像本身也存在物體尺度變化、流水遮擋、同類物體類內差異等問題。

而且，現(xiàn)實場景下存在大量光源，各種光會從不同角度、位置出發(fā)，在空間中發(fā)生反射、折射等變換。

但計算機，卻無法逆向還原這一過程。

伴隨著AI發(fā)展進入下一階段，專家們開始嘗試設計一些簡單特征（如SIFT、HOG等特征）。

這些特征，通常用于描述邊緣、紋理等信息。

然后，計算機會用機器學習中的淺層學習（如SVM、隨機森林等）模型來處理特征。

這些模型的參數(shù)不多，通常只經過2~3層非線性變化。

十幾年前，隨著稀疏編碼（Sparse Coding）出現(xiàn)，這條路走到了極致。

這種方法基于無監(jiān)督學習，將特征表達從低維映射到高維，并在高維稀疏空間中，用線性方法進行圖像分類。

盡管參數(shù)很多，但稀疏編碼并非端到端學習模式，仍屬于淺層應用框架。因此，它的提升空間非常有限。

2012年，深度學習開始在計算機視覺領域“一飛沖天”。

隨著深度學習的發(fā)展，各種AI模型的運算效率變得更高。

如果配合上特定的硬件設計，還能很好地擴大模型的容量、提升模型識別精度。

早期的深度學習網(wǎng)絡，仍然由專家設計。但后來，研究者們開始讓AI自主發(fā)現(xiàn)能提取最優(yōu)關鍵特征的網(wǎng)絡架構、構造神經網(wǎng)絡。

這期間，AI模型變得更加多樣化，算法也在不斷進步，其速度甚至超過了半導體行業(yè)的摩爾定律。

過去8~10年里，處理器性能大約每隔18個月翻倍，但在保持精度相同的前提下，算法的計算量每隔10~14個月就能減半。

如今，只需要幾百分之一的計算量，AI算法就能達到8年前圖像識別的精度。

相比于傳統(tǒng)方法（下圖黑線）會導致精度飽和，深度學習（下圖紅線）的優(yōu)勢在于，它能很好地利用大數(shù)據(jù)、大模型和大計算量，來提升模型精度。

但與AlphaGo不同，基于深度學習的AI系統(tǒng)不能只建立在模擬器中。

以地平線從事的自動駕駛行業(yè)為例。

相比于虛擬世界，自動駕駛所應用的真實物理世界（像動植物、自然氣候等）在不斷發(fā)展變化、并持續(xù)涌現(xiàn)出新的任務和邊角案例（corner case）。

因此，我們不能只在“虛擬世界”（如模擬器）中，訓練端到端算法（感知、預測、規(guī)劃、決策）、再將它們部署到汽車上。

我們必須將整套AI系統(tǒng)的開發(fā)、測試、改進、安全評估，放在真實的物理世界中迭代提升，形成一個數(shù)據(jù)迭代閉環(huán)。

這，便是所謂的“軟件2.0”。

軟件2.0時代，AI芯片新指標

軟件2.0開發(fā)系統(tǒng)，是目前可行度最高的大規(guī)模持續(xù)迭代AI系統(tǒng)。

這個AI系統(tǒng)建立于自動化平臺上，通過構造一個完整的數(shù)據(jù)閉環(huán)，來快速提取物理世界的數(shù)據(jù)。

然后，將數(shù)據(jù)送入后端訓練、迭代模型，以提升系統(tǒng)的精度與效率，再通過OTA更新前端模型。

這是一個包含數(shù)據(jù)和計算系統(tǒng)在內的、非常完整的體系。

那么，這個數(shù)據(jù)閉環(huán)長什么樣？

如下圖，傳統(tǒng)的“數(shù)據(jù)標注→訓練→評測”，只是其中的一個小閉環(huán)，里面的數(shù)據(jù)是“死”的。

真正的大數(shù)據(jù)閉環(huán)，實際上包含這一訓練模型，它會通過OTA服務器，將模型部署到機器人端（如自動駕駛車輛）。

然后，再由機器人端采集數(shù)據(jù)，并通過數(shù)據(jù)挖掘送到閉環(huán)數(shù)據(jù)系統(tǒng)，進行快速迭代。

這樣的“小閉環(huán)+大閉環(huán)”，構成了整個“軟件2.0”的開發(fā)系統(tǒng)。

這些年來，我們的軟件算法演進速度很快。

但算法的演進速度，是以巧妙的算法設計為代價的。算法越巧妙，對計算架構的要求就更高。

像傳統(tǒng)的通用并行計算架構GPU，已經無法滿足目前先進AI算法的需求，因為它的整體計算效率，其實相當?shù)拖隆?/p>

舉個例子，下面是用運算能力（TOPS）達每秒30萬億次的處理器系統(tǒng)，運行各種算法任務的結果。

理想情況下，系統(tǒng)的算力利用率，應該能達到100%；但實際上，算力利用率普遍只有5%~60%。

精度相同時，算法計算量越小，計算效率通常也越低。

因此，處理器的架構設計非常重要。架構設計得越合理，算法運行就越高效。

為了合理地評估計算性能，地平線提出了一個新指標MAPS（Mean Accuracy-guaranteed Processing Speed，在精度有保障范圍內的平均處理速度）。

為什么要提出這個新的指標？

事實上，芯片的評估，往往有三個指標（PPA）：性能（Performance）、功耗（Power）、面積（Area）。

其中，功耗和面積分別決定了芯片的使用、制造成本，但無論功耗再低、面積再小，芯片都不能沒有性能。

然而運算能力（TOPS）指標，并不能反映最先進算法帶來的性能提升。

因此，我們定義了MAPS，這個指標通過可視化和量化的方式，在合理的精度范圍內，以“快”和“準”兩個維度，評估芯片對數(shù)據(jù)的平均處理速度。

例如，在不同芯片上對ImageNet數(shù)據(jù)集進行圖像分類。

首先，選擇適合芯片的算法，然后從“快”和“準”兩個維度，對芯片的速度和精度進行評估。

上圖的三條曲線，就對應了三顆不同芯片的物體識別效果。

這三顆芯片，分別是地平線第三代處理器、第五代處理器和英偉達Xavier芯片。

對比發(fā)現(xiàn)，在圖像分類中，地平線第三代處理器只需要8%的功耗，就能達到英偉達50%的性能；第五代芯片只需要50%的功耗，就能達到英偉達500%的性能。

在目標檢測中，第五代處理器同樣用50%的功耗，就達到了英偉達13倍的性能。

如果只沿用通用計算架構，很難為先進算法做出優(yōu)化。

只有將最先進的算法、和最先進的處理器架構設計結合，才能在功耗和性能上同時達到最優(yōu)。

在軟件2.0時代，算力的重要性不言而喻，尤其是領域相關的算力，而非通用算力。

如果對領域相關的算力進行評估，一個更合理的指標就是MAPS。從這一指標來看，地平線設計芯片的功耗和性能，要比通用設計芯片的優(yōu)勢更大。

在鉆研AI芯片技術的過程中，我們也發(fā)現(xiàn)一個很有趣的現(xiàn)象。

一方面，我們在不斷提高AI技術；另一方面，AI技術也改進了我們的生產制造。以芯片設計為例，普通工程師進行電路連線需要6周，但AI只需要6小時。

事實上，AI技術的出現(xiàn)，給芯片設計帶來了巨大挑戰(zhàn)。

AI任務要求，芯片除了算力、還必須攜帶大量計算和存儲單元，即對存儲帶寬提出了更高要求。

反之，AI技術，也在快速推動AI芯片的發(fā)展。

車載AI芯片，行業(yè)的珠穆朗瑪峰

地平線渴望萬物智能的時代，在我們看來，汽車終將成為四個輪子上的超級計算機。

而車載AI芯片，不僅是智能汽車的數(shù)字發(fā)動機，也是整個芯片行業(yè)的珠穆朗瑪峰，其設計難度和質量要求（車規(guī)級）都很高。

地平線的定位是Tier2，為產業(yè)賦能。我們既能供應芯片，也能提供完整方案，同時，還可以開放工具鏈，提供算法、模型樣例，進行專業(yè)化的培訓服務。

今年，地平線開啟了前裝量產元年。

地平線車規(guī)級芯片“征程2”，目前出貨量已突破10萬，還簽下了20多個前裝定點項目。

目前，全球僅有三家公司，實現(xiàn)了車規(guī)級AI芯片規(guī)?；慨a，地平線就是其中一家，也是國內唯一一家實現(xiàn)車規(guī)級AI芯片大規(guī)模量產的企業(yè)。

而長安UNI-T和奇瑞螞蟻，也已經率先采用地平線的芯片，用作智能駕艙和高級別輔助駕駛。

今年3月，“征程2”在長安UNI-T上實現(xiàn)前裝量產；9月，奇瑞螞蟻搭載“征程2”正式上市，實現(xiàn)L2+級自動駕駛。

從自動駕駛到智能座艙，汽車智能化的大潮即將涌來，勢不可當。

我們希望通過努力去賦能百業(yè)，讓我們的客戶和用戶，都能享受到AI帶來的收益。同時，我們也愿意與更多伙伴一起踏上這一征程。

謝謝大家！