特斯拉可付費線上激活後排座椅加熱功能曾多次進入熱搜，許多人都稱之為軟體定義汽車的又一次科普。軟體定義汽車這個論斷已經開始深入人心！
那麼未來汽車真的會由軟體來定義嗎？或者說未來汽車真的隻由軟體來定義就夠了麼？
硬體與軟體---皮之不存毛将焉附？
軟體與硬體從來都是唇齒相依的共生關系，硬體是軟體的載體，軟體是硬體的表達，軟體決定了硬體的操控水準，硬體決定了軟體的功能邊界。
以消費電子的頭部網紅美國蘋果公司為例，這家以手機作業系統為核心競争力的軟體生态公司，卻出人意外地在每場新品釋出會上用大篇幅時間介紹其産品在硬體方面的黑科技。其實在我們的生活中也有這種感受，用一台老電腦玩最新的大型遊戲完全帶不動，用老手機裝新系統卡頓得讓人懷疑人生。是以軟體在前面大放異彩，少不了硬體在背後默默地支援。
自動駕駛落地需要硬體（AI晶片）的算力支援
自動駕駛的實作，需要依賴感覺傳感器對道路環境的資訊進行采集，包括超音波、攝像頭、毫米波雷達、雷射雷達等，采集的資料需要傳送到汽車中央處理器進行處理，用來識别障礙物、可行道路等，最後依據識别的結果，規劃路徑、制定速度，自動驅使汽車行駛。整個過程需要在瞬時完成，延時必須要控制在毫秒甚至微秒級别，才能保證自動駕駛的行駛安全。要完成瞬時處理、回報、決策規劃、執行的效果，對中央處理器的算力要求非常高。最直覺的展現，便是用于感覺道路環境的攝像頭，通常密布車身，數量在12個左右，為了識别障礙物，處理器需要對多路攝像頭實時拍攝的資料進行解析，而單顆1080P的高清攝像頭每秒可以産生超過1G的資料，資料量不可謂不大。而為了準确識别圖像、視訊中的有效資訊，業内多采用深度學習神經網絡。
深度學習由訓練和推理兩個部分組成
深度學習的根本思想就是把任何事物轉化成高維空間的向量，而強大無比的神經網絡則是無數的矩陣運算和簡單的非線性變換的結合。深度學習神經網絡的實質就是将分析過程抽象成乘法的乘積結果和累加器的值相加，再存入累加器的乘法累積計算。深度學習的關鍵理論是線性代數和機率論，剩下的就是蠻力計算，是以深度學習神經網絡尤其是幾百上千層的神經網絡對高性能計算要求非常高！因為算力越高在一定時間内就可以處理更多的資訊，決策的準确性就會越高！研究表明自動駕駛等級每提高一級，算力就得增加一個數量級，L2 級别隻需2TOPS（TOPS：萬億次浮點指令每秒）算力，但L5則需4000多TOPS算力。
如果說傳統燃油車的性能好壞很大一部分由發動機功來決定，那麼未來自動駕駛汽車的好壞很大一部分由AI晶片這個數字引擎的來決定！
自動駕駛硬體（AI晶片）的架構分類
由于自動駕駛高算力和低功耗的強烈需求，傳統單獨依靠CPU控制晶片已不能滿足該領域的應用需求。CPU最大的優勢是靈活性。通過馮諾依曼架構，我們可以為數百萬的不同應用加載任何軟體。但是由于CPU非常靈活，硬體無法一直了解下一個計算是什麼，直到它讀取了軟體的下一個指令。CPU必須在内部将每次計算的結果儲存到記憶體中（也被稱為寄存器或 L1 緩存）。記憶體通路成為CPU架構的短闆，被稱為馮諾依曼瓶頸。雖然神經網絡的大規模運算中的每一步都是完全可預測的，每一個CPU的算術邏輯單元（ALU，控制乘法器和加法器的元件）都隻能一個接一個地執行它們，每一次都需要通路記憶體，限制了總體吞吐量，并需要大量的能耗。總而言之CPU雖然能夠非常高效地處理各種計算任務，但CPU的局限是一次隻能處理相對來說很少量的任務，是以其計算速度要求無法滿足深度學習這種需要出色的并行矩陣計算能力的應用場景需求！
CPU已經不能滿足未來自動駕駛晶片的要求
目前，應用于L3 以上自動駕駛領域的主要制晶片按照技術架構主要分為三大類：
一、以英偉達公司的DRIVE PX平台為代表的圖像處理單元GPU（Graphics Processing Unit）。GPU在執行單個任務時效率較低，而且所能處理的任務範圍更小。不過GPU 的強大之處在于它們能夠同時執行許多任務，是以GPU對處理複雜運算擁有天然的優勢。例如，如果你需要乘3個浮點數，CPU會強過GPU；但如果你需要做100萬次3個浮點數的乘法，那麼GPU會碾壓CPU。實踐證明GPU對于神經網絡的訓練和分類都可以提供顯著的加速效果。
但是GPU在應用于深度學習算法時仍然有四個方面的局限性：
1，應用過程中無法充分發揮并行計算優勢。深度學習包含訓練和推斷兩個計算環節，GPU 在深度學習算法訓練上非常高效，但對于單一輸入進行推斷的場合，并行度的優勢不能完全發揮；
2，無法靈活配置硬體結構。GPU 采用 SIMT 計算模式，硬體結構相對固定。目前深度學習算法還未完全穩定，若深度學習算法發生大的變化，GPU 無法靈活的配置硬體結構；
3，GPU仍然是一種通用的處理器，這又把我們帶回到了基礎的問題-馮諾依曼瓶頸。在每次幾千個ALU的計算中，GPU 都需要通路寄存器或共享記憶體來讀取和儲存中間計算結果。是以GPU若想在其 ALU上執行更多的并行計算，它也會成比例地耗費更多的能量來通路記憶體，同時也因為複雜的線路而增加 GPU 的實體空間占用。是以為了提升運作速度，GPU選擇堆砌核心，導緻尺寸不具有優勢；
4，GPU功耗巨大。NVIDIA 的 Drive PX 以及 Xavier 性能雖強，但整體功耗達到了250w，這會對汽車的電力系統造成一定壓力。一般狀态下的汽油車是隻有引擎發動時才能發電帶動功耗較大的裝置功能，比如說冷氣，如果自動駕駛的控制核心就必須消耗上百瓦的功耗，雖然理論上可以在怠速時關閉大部分針對自動駕駛的計算功能來節省功耗，但對于燃油汽車的傳統電池仍會造成相當大的壓力。就算是電動車，如果非馬達部件需要消耗這麼大的電力，那對于行駛裡程也将有一定的減損。且如果開啟自動駕駛，這些控制核心為了對外圍環境進行計算、掌握變化，并随時針對駕駛情境進行反應，理論上都是要不間斷、滿負荷工作，根本沒有機會進入可以降低功耗的休息模式。
自動駕駛的晶片需要實時統合龐大的資料，進而判斷出駕駛環境并決定駕駛政策
二、以地平線公司的征程系列為代表專用內建電ASIC（Application Specific Integrated Circuit）。ASIC晶片的計算能力和計算效率都直接根據特定的算法的需要進行定制的，是以其可以實作體積小、功耗低、高可靠性、保密性強、計算性能高、計算效率高等優勢。是以，在其所針對的特定的應用領域，ASIC晶片的能效表現要遠超CPU、GPU等通用型晶片以及半定制的FPGA。
地平線征程3晶片算力達到5TOPS，功耗僅有2.5W
以蔚來ES8上使用的Mobileye EyeQ4晶片為例，其最高運算速率為2.5TOPS，功耗僅為3W。奧迪A8、沃爾沃XC90、特斯拉Model S等自動駕駛車型上搭載了Mobileye EyeQ3晶片，最高運算速率為0.256TOPS，功耗為2.5W，也可滿足自動駕駛L2~L3級所需的計算能力。
除了地平線征程系列、Mobileye的EyeQ系列以外，谷歌的TPU系列、寒武紀的Cambricon1M系列也都屬于ASIC晶片。
當然，ASIC晶片的缺點也很明顯，因為其是針對特定算法設計的，一旦晶片設計完畢，其所适應的算法就是固定的，是以一旦算法發生變化就可能将會無法使用。但是，随着自動駕駛軟體、算法越來越成熟和穩定，車企們都将會選擇自主開發比對自己技術方案的自動駕駛專用晶片ASIC。
不同體系結構性能和靈活性的比較
三、以Xilinx公司的ZYNQ 系列為代表的現場可程式設計門陣列FPGA（Field-Pro grammable Gate Array）。FPGA 是在 PAL、GAL、CPLD 等可程式設計器件基礎上進一步發展的産物，可以通過燒入 FPGA 配置檔案來定義這些門電路以及存儲器之間的連線進而實作功能。FPGA可同時進行資料并行和任務并行計算，可以實作比 GPU 更高的并發處理。在密集處理和高并發上能力上占優，而且功耗比 CPU、GPU低。盡管FPGA備受看好，但其畢竟不是專門為了深度學習算法而研發，在實際應用中也存在諸多局限：
1、基本單元的計算能力有限。為了實作可重構特性，FPGA 内部有大量極細粒度的基本單元，但是每個單元的計算能力（主要依靠 LUT 查找表）都遠遠低于 CPU 和 GPU 中的 ALU子產品；
2、計算資源占比相對較低。為實作可重構特性，FPGA 内部大量資源被用于可配置的片上路由與連線；
3、速度和功耗相對專用定制晶片（ASIC）仍然存在不小差距；
4、FPGA 價格比起 ASIC 較為昂貴，在規模放量的情況下單塊 FPGA 的成本要遠高于專用定制晶片ASIC。
硬體與軟體---軀體與靈魂
如果把軟體比作未來汽車的靈魂，那麼搭載軟體的硬體則是靈魂所依靠的軀體。
靈魂與軀體之間是是密不可分，軟體與硬體同樣是一種融合共生的關系。
沒有高性能的硬體，軟體無法發揮自己的優勢，軟體不夠優化，再強大的硬體也無處施展自己的性能，聰明的軟體配合強大的硬體才能讓自動駕駛技術最終落地為人類服務。
而未來汽車必将是一個擁有強健體魄和聰明大腦的有機體！
聰明的汽車是軟體與硬體的有機體
現在回到開頭的問題：
未來汽車會由軟體來定義嗎？
答案是肯定的，因為軟體是未來汽車非常重要的一部分！
答案顯然是否定的，因為未來汽車由軟體來定義，它同樣也由硬體來定義！
軟體定義汽車，硬體決定軟體！
轉載自汽車電子與軟體、知乎，文中觀點僅供分享交流，不代表本公衆号立場，如涉及版權等問題，請您告知，我們将及時處理。
-- END --