自动驾驶的算力论剑

黄耀鹏

6月底的时候，美国超级计算机“Summit"（顶点）终于以200P（20亿亿次/秒）的峰值运算能力，超越中国超算神威-太湖之光，拿回了失去5年的世界第一。

Al芯片的算力比拼

超算的算力“军备竞赛”似乎正在延伸到AI芯片上。算法、数据和算力，并称为新AI时代三大驱动力。如何在追求更好性能的同时实现低功耗、低延迟和低成本，逐渐成为摆在所有AI从业者面前的艰巨挑战之一。

百度在7月4日的AI开发者大会上，与自动驾驶平台Apoll03.0-起发布了“昆仑”AI芯片百度CEO李彦宏称，这是中国首款AI芯片，也是全球范围内算力最高AI芯片，号称IOOW的功耗下实现260Tops（万亿次/秒）算力。

百度自己当然没有芯片生产能力，该芯片为14nm制程，内存带宽达到了512GB/s，由三星代工。不过，“昆仑”核心数有数万个，体积和功耗都不适合车规，其潜在部署方向是云端。

作为对比，英伟达（NVIDIA）自认为已经在自动驾驶AI芯片执牛耳。英伟达自2015年开始推出DrivePX系列，第一代PX算力2Tops，而深度学习算力2.3Tops，其长项在于处理图像。至于英伟达自身，今年推出Drive Xavier，算力达到30Tops，但算力功耗比仍然在红线内。

具有讽刺意味的是，没有紧跟军备竞赛脚步的Mobileve，反而是自动驾驶领域视觉处理最领先、市占率最高的公司。

2010年Mobileve的EyeQ2算力仅为0.026Tops，功耗2.5w; 2014年发布的EyeQ3算力0.256Tops，功耗为2.5w;2015年的EyeQ4浮点算力2.5Tops，功耗为3W。而计划2020年量产的Eyeos浮点算力将达12Tops，功耗却限制在5W。

因为昆仑不符合“车规”，英伟达拿到了算力第一的桂冠。但实际上PX系列并无车规经验。虽然一众自动驾驶公司在新项目的研发时，往往首选英伟达的开发版，实际上PX2以后的产品没有在量产车上采用。能否胜任环境条件苛刻的车规验证，谁心里也没底，到底比不上Mobileve以千万计的装机履历。

算力与自动驾驶能力正相关吗？

在自动驾驶场景中，即便不考虑功耗限制，算力也不是越高越好。深度学习算力比简单粗暴的浮点算力更具价值。

首先，展示算力不等于实际发挥出来的算力。当用户真正运行一个应用时，却发现由于内存带宽的限制和架构的限制，依然不能将所有的AI运算单元填满，从而导致计算硬件的计算效率低下。

其次，自动驾驶场景中，卷积层越多、神经元越多，估算愈准确，计算量也奇怪地掉下来。也就是说，如果卷积层数多，AI芯片无须穷尽所有可能。

击败李世石的AlphaGo Lee运行于谷歌云上，拥有50个TPU，采用分布式计算，每次搜索计算后续50步，计算速度为10000个位置/秒。而击败柯洁的AlphaGo Master则单机运行，只有4TPU，运算量只有上一代AlphaGo Lee的lo%。原因在于，新版本的AI芯片拥有更强大的策略/价值网络，其神经网络由12层进化为40层。

更深层次的卷积神经网络可以使用监督学习和强化学习两种方式。前者是学习人类对弈记录，后者是自我训练。后者据称增强了对未来局势的预测能力。

通过策略网络，可以降低搜索的宽度，减少候选项，收缩复杂性。而且不会让AI实施疯狂的不靠谱的步骤。同时，通过价值网络减少深度，AI计算到一定的深度，不需要一直穷尽到最后。

价值与评估体系 在自动驾驶场景中，AI依靠多层神经网络的训练结果，可以更好地“阅读”路况，通过策略网络选出几个可能的路径，然后对这些路径进行评估，最后把结果提交给决策树的“树顶”，而不需要设想接下来每一个可能的情形。

这样一来，在处理传感器的大运算量压力下，用于决策的运算量将被压缩。这么做无损于AI芯片指挥汽车做出明智的举措，最重要的是，AI芯片能够不做蠢事。优步在凤凰城的路试撞死过路行人的事故中，多种传感器都感知到路边行人，预测行人接下来的动作的确是困難的，因为后者吸了毒，行为有点乖张。但电脑决定不理会明显有穿越趋势的行人，无论如何是错误的。

科技公司们希望，算力和神经网络层数都在进化的AI芯片，能促使策略/价值网络做出足够明智的判断。调试人员事先将系统调为“非敏感型”（主要防止动辄刹车等一惊一乍的动作），不应该影响评估价值的策略。

百度的“昆仑”算力超过英伟达的PX Xavier，并不值得特别夸耀。除了比后者功耗、体积大得多，不适合部署在车上以外。我们还需要更多的证据，证明“昆仑”能够更合理地运用其算力，即建立更高效的价值评估体系。如能做到这一点，“昆仑”部署在云端，依靠高速通讯系统，仍然能够给终端做出及时、合理的建议。

算力的军备竞赛并非毫无意义，起码奠定了AI芯片在面对更复杂路况局面下决策的硬件基础。接下来要做的，是如何高效地发挥算力。