退一步海阔天空，国产自动驾驶 AI 芯片该如何抢滩登陆？| GGAI 视角

会员服务 ·

退一步海阔天空，国产自动驾驶 AI 芯片该如何抢滩登陆？| GGAI 视角 | 厚势汽车

2018 年 8 月 17 日 厚势

2018 年 7 月 18 日，自适应和智能计算的全球领导企业赛灵思公司（Xilinx）宣布完成对深鉴科技的收购。深鉴科技是一家总部位于北京的初创企业，拥有业界领先的机器学习能力，专注于神经网络剪枝、深度压缩技术及系统级优化。

作为国内为数不多的几家智能芯片初创企业，此次被美国 FPGA 厂商赛灵思收购，对于不少置身事外的人而言，唏嘘不已——国产芯片公司的发展之路除了被收购和被破产，还有什么？

深鉴科技有限公司联合创始人，清华大学副教授汪玉在刚刚结束的 CCAI 2018 会上表示：公司创立之初，就是做基于 FPGA 的深度学习解决方案，本身的目的就是希望将自己所研发的技术能够更广泛的应用。

赛灵思是 FPGA 领域的领头羊，也是公司的早期投资者，也在公司的发展过程中提供了不少的帮助。因此被赛灵思收购，公司的技术可以得到大规模的应用，也乐得其所。正所谓由 FPGA 而来，到 FPGA 中去。

汪玉博士，清华大学电子工程系长聘副教授，从事高能效电路与系统研究

国产 AI 芯片初创公司涿鹿中原

AI 芯片随着人工智能的发展，近几年也成为了行业的热点。国内初创的企业中，有寒武纪、深鉴科技、地平线、西井科技等公司。

寒武纪创始团队源自中国科学院计算技术研究所，公司以处理器 IP 授权的形式与全世界同行快速共享最新的技术成果，并帮助全球客户快速设计和生产具备人工智能处理能力的芯片产品。

目前，寒武纪已同时拥有终端 AI 处理器 IP 和云端高性能 AI 芯片两条产品线，终端处理器 IP 产品已衍生出 1A、1H、1M 等多个型号，芯片有「MLU100」和「MLU200」，MLU100 智能芯片（Cambricon-MLU100）。

深鉴科技的深度学习加速模块，可用于智能 IPC、NVR/DVR，深度学习加速卡可用于视频结构化服务器。其面向 AI 异构计算平台 DPU（Deep-Learning Processor Unit，深度学习处理器）自主研发的原创深度学习 SDK DNNDK™ (Deep Neural Network Development Kit)，为 DPU 平台各种深度学习应用开发和部署提供的一套高效全栈式解决方案。

地平线成立于 2015 年，主要是做 CNN、DNN、RNN 的加速器，基于创新的人工智能专用处理器架构 BPU（Brain Processing Unit ) ，自主设计研发了中国首款全球领先的嵌入式人工智能视觉芯片——面向智能驾驶的征程（Journey）系列处理器和面向智能摄像头的旭日（Sunrise）系列处理器，并向行业客户提供「芯片+算法+云」的完整解决方案。

西井科技则是一家专注研究 Neuromorphic Engineering 神经形态工程的类脑强人工智能公司，希望构造一种模拟人脑神经元工作原理而制造出的芯片。

其仿生类脑神经元芯片——deepsouth（深南），具有「自我学习，自我实时提高」的特点，而且集成度更高、模板更易更换，解决实时的复杂的智能问题功耗为传统芯片在同一任务下的几十分之一到几百分之一。还有深度学习类脑神经元芯片——deepwell（深井），学习与识别速度远远高于运行在通用硬件（例如,CPU, GPU）上的传统方法（例如,CNN），且功耗更低。

初创公司纷纷跑步进入 AI 芯片市场，是看中了其中的市场机遇，但芯片市场的生存难度有多大？

从业人士表示，芯片是一个高技术含量，高投入的行业，其盈利要靠大规模铺量才能成行。但芯片行业本身是一个经验市场，初出茅庐的企业很难获得行业伙伴的信任。同时，芯片的价格也进入了白热化的竞争，国产初创公司很难在多重压力下突围。

此次深鉴科技被收购，也被视作一条国产芯片厂商的出路，但大部分芯片公司，还需要自己解决生存问题。

中科院计算所研究员陈云霁也表示了相同的疑虑：国内初创的芯片公司，要想获得市场的信任是比较困难的，因此一条较为容易的路线是，可以将技术通过IP的形式打包，嵌入到行业应用的芯片中，这样的做法相对可取。

陈云霁，中科院计算所研究员，博士生导师

自动驾驶 AI 芯片的萌芽期

国产人工智能芯片初创企业，创立时间往往比较短，因此在技术成熟性以及行业经验上，都相对比较欠缺。芯片的研发、生产会花费巨额的费用，其成本的回收有赖于销量。因此初创企业大都将产品扩张到了多个领域。汽车作为一个庞大的市场，自然也是兵家必争之地。

2018 年 6 月，深鉴宣布推出自主研发的 ADAS 系统 DPhiAuto，而且还与日本、美国、德国车企签下合同。深鉴科技 CEO 姚颂表示：最慢 3 年，搭载深鉴 DPhiAuto 系统的量产车就会推出。

DPhiAuto 是基于 FPGA 的自动驾驶嵌入式 AI 计算平台，可以为辅助驾驶系统提供车辆检测、行人检测、车道检测、语义分割、交通标志识别、可行驶区域检测等深度学习算法功能，是一套针对环境感知技术打造的软硬件协同产品。

地平线在 2017 年就推了面向汽车后装 ADAS 市场的征程（Journey）系列处理器，西井科技 CEO 谭黎敏在刚刚结束的 2018 高工智能汽车开发者大会（武汉站）会上就表示：deepwell 的微秒级目标识别速度，实现超高速自动避障（大于 200 公里/小时），同时自主识别空中/道路物体、交通标志/周边静、动态物体，实现无需互联网的本地化、高速、低功耗、自我学习的自主主动智能驾驶。

自动驾驶的发展延缓性，在芯片领域同样存在。汪玉表示，他们目前还只关注 ADAS领域的芯片应用，因为 ADAS 功能是未来数年内最有可能大规模量产普及的，相应的处理芯片也才有大量生产、销售的机会。

自动驾驶 AI 芯片属于终端处理芯片，对功耗和算力的要去都比较高，业内通常是以Tops/w 的单位来表示芯片的性能，及单位瓦数内每秒处理数据的速度。

业内以算力著称的 NVIDIA，最新一代 GPU 可以达到 1 Tops/w，目前处理的图片都是百万像素级的，未来随着要求的提升，图像清晰度也会与日俱增，对应的算力也要跟得上。

目前只有 ASIC 的算力，可以达到 10Tops/w ，而大部分 FPGA 都处在 10Gops/w 区间，经过加速处理的 FPGA 也可以达到 GPU1Tops/w 的水平。

想要让算力达到更高水平，无疑还需要做更多的努力，但在技术以及实践上，需要克服更多未知的困难。而要让自动驾驶 AI 芯片处理速度、功耗满足瞬时性、可靠性等苛刻要求，这些坎儿又是必须要迈过的。

美国杜克大学电子与计算机工程系教授，昆山杜克大学应用科学与工程研究院院长和大数据研究中心主任李昕也表示了类似的观点，他以 Uber 事故为例，车规级 AI 芯片的软硬件要求、规范比传统 AI 芯片要高数个量级，在稳定性和冗余性上都有特殊的要求。

因此，从 AI 芯片发展的阶段上来看，目前尚处早期。