過(guò)去幾年，人們對(duì)自動(dòng)駕駛汽車產(chǎn)生了極大的熱情。這的確在情理之中。自動(dòng)駕駛汽車有望帶來(lái)影響深遠(yuǎn)的好處：提高燃油效率、縮短行車時(shí)間、提高乘客體驗(yàn)和工作效率，讓可能無(wú)法開車的老人和殘疾人自由駕駛，以及最重要的提高道路安全。
盡管人們?nèi)f分期待一款價(jià)格合理的全自動(dòng)駕駛汽車，但技術(shù)復(fù)雜性、成本和監(jiān)管挑戰(zhàn)將自動(dòng)駕駛汽車成為主流的時(shí)間一再推遲。智能化、自動(dòng)化、移動(dòng)計(jì)算平臺(tái)……這些關(guān)鍵詞承載著我們對(duì)未來(lái)汽車的想象。汽車制造行業(yè)的所有參與者正推動(dòng)著這場(chǎng)變革。
如果你問(wèn)：2022年會(huì)發(fā)生什么？這誰(shuí)知道？
但有一點(diǎn)可以肯定：2022，汽車行業(yè)的軍備競(jìng)賽將快速升級(jí)。
如火如荼的算力競(jìng)賽
曾幾何時(shí)，博世、大陸、德爾福、采埃孚……這些國(guó)際巨頭一級(jí)供應(yīng)商是令自主品牌車企仰望的存在。它們把控著整車上最核心的技術(shù)，擁有著絕對(duì)的議價(jià)能力，甚至他們的開發(fā)進(jìn)度直接決定了車型的研發(fā)周期。從動(dòng)力總成到底盤，在這些傳統(tǒng)汽車電子產(chǎn)品上，巨頭Tier 1們擁有無(wú)可匹敵的競(jìng)爭(zhēng)力。
而到了自動(dòng)駕駛時(shí)代，巨頭Tier 1們的這套打法漸漸開始失效了，因?yàn)樗鼈兟冻隽艘粋€(gè)共同的破綻——算法能力不足。
ADAS這兩年進(jìn)入高光時(shí)刻，除了云端居壟斷地位的英偉達(dá)，華為、高通等巨頭的入局，亦或地平線、黑芝麻的競(jìng)爭(zhēng)，甚至寒武紀(jì)跑步進(jìn)入都引起了業(yè)界極大關(guān)注。算力的不斷提升，也讓各大車企對(duì)進(jìn)入算力的“軍備競(jìng)賽”產(chǎn)生焦慮。
這場(chǎng)算力“軍備賽”的背后，最為直接的驅(qū)動(dòng)力在于，車企原有的計(jì)算平臺(tái)（芯片）的算力不足問(wèn)題逐步凸顯：
一方面，各大車廠正在全力備戰(zhàn)高級(jí)自動(dòng)駕駛的量產(chǎn)，多傳感器融合已經(jīng)成為高階自動(dòng)駕駛應(yīng)對(duì)復(fù)雜場(chǎng)景與安全冗余的必然趨勢(shì)。處理這些數(shù)據(jù)需要非常強(qiáng)大的計(jì)算能力，L2級(jí)自動(dòng)駕駛的算力要求大概是10+TOPS，但是到了L4/L5級(jí)自動(dòng)駕駛算力則需要達(dá)到1000+TOPS，同比翻了100倍
另一方面，包括安波福、博世等Tier1巨頭，以及大眾、寶馬等車企開始探索新型的電子電氣架構(gòu)，傳統(tǒng)分布式的汽車電子電氣架構(gòu)正在向域集中式架構(gòu)演進(jìn)，從而帶動(dòng)了高性能大算力芯片的需求急劇上漲
現(xiàn)階段，汽車產(chǎn)業(yè)在芯片廠家的推動(dòng)下進(jìn)入了算力比拼時(shí)代：
英偉達(dá)最新一款智能汽車和自動(dòng)駕駛汽車芯片組——DRIVE Atlan，單顆芯片的算力能夠達(dá)到1000TOPS，將應(yīng)用于L4及L5級(jí)別自動(dòng)駕駛
特斯拉推超級(jí)計(jì)算機(jī)Dojo，使用720個(gè)80GB版本的8x A100節(jié)點(diǎn)構(gòu)建的超級(jí)計(jì)算機(jī)，總算力達(dá)到了1.8EFLOPS（EFLOPS：每秒千萬(wàn)億次浮點(diǎn)運(yùn)算），有10PB的存儲(chǔ)空間，讀寫速度為1.6TBps
黑芝麻華山二號(hào)A1000 Pro，算力達(dá)到106（INT8）—196TOPS（INT4），單顆芯片可以支持高級(jí)別自動(dòng)駕駛功能
地平線推出面向高級(jí)別自動(dòng)駕駛的征程5，算力最高達(dá)到128TOPS，支持16路高清攝像頭，實(shí)際性能超過(guò)特斯拉FSD
寒武紀(jì)跑步進(jìn)入自動(dòng)駕駛領(lǐng)域，將發(fā)布一款算力超200TOPS智能駕駛芯片
一場(chǎng)算力競(jìng)賽已經(jīng)在各大芯片企業(yè)之間悄然興起，追求TOPS算力真的有那么重要嗎？是不是堆疊芯片的算力，就能達(dá)到目的了？業(yè)內(nèi)似乎進(jìn)入了“唯算力論”的誤區(qū)。
算力堆不出自動(dòng)駕駛
不可否認(rèn)，隨著ADAS、自動(dòng)駕駛技術(shù)的興起，以及軟件定義汽車的逐步深入，智能汽車對(duì)于計(jì)算能力和海量數(shù)據(jù)處理能力等的需求暴增，傳統(tǒng)汽車的芯片“堆疊”方案已經(jīng)無(wú)法滿足自動(dòng)駕駛的算力需求。
作為現(xiàn)代科技工業(yè)中的集大成者和數(shù)字經(jīng)濟(jì)基礎(chǔ)設(shè)施的芯片，匯集了最復(fù)雜、最尖端、最精密的基礎(chǔ)性技術(shù)，以及高端人才和資金，無(wú)疑是未來(lái)爭(zhēng)奪的焦點(diǎn)。
芯片最終是為車企的車載計(jì)算平臺(tái)服務(wù)的。行業(yè)需要思考一個(gè)問(wèn)題是：在“軟件定義汽車”的情況下，解決智能駕駛系統(tǒng)計(jì)算平臺(tái)的支撐問(wèn)題，是否只能通過(guò)芯片算力堆疊來(lái)實(shí)現(xiàn)？
是不是唯芯片算力馬首是瞻呢？顯然不是。
提升硬件很重要，但不能陷入“唯算力論”的怪圈。
我們說(shuō)“數(shù)據(jù)是生產(chǎn)資料”，而提供處理數(shù)據(jù)的芯片是工具，不可能工具反客為主成為核心。工具是必備的，但是更重要的核心是跑在上面的軟件。
芯片就是軟件的舞臺(tái)，衡量芯片優(yōu)劣的標(biāo)準(zhǔn)，要看芯片之上的軟件能否最大化地發(fā)揮作用。當(dāng)然不是說(shuō)算力不重要，算力和軟件之間需要有效匹配。兩款相同算力的芯片比較，能讓軟件運(yùn)行得更高效的芯片才是“好芯片”。
決定算力真實(shí)值最主要因素是內(nèi)存（ SRAM和DRAM)帶寬，還有實(shí)際運(yùn)行頻率（即供電電壓或溫度），以及算法的batch尺寸。
谷歌第一代TPU，理論值為90TOPS算力，最差真實(shí)值只有1/9，也就是10TOPS算力，因?yàn)榈谝淮鷥?nèi)存帶寬僅34GB/s
第二代TPU下血本使用了HBM內(nèi)存，帶寬提升到600GB/s（單一芯片，TPU V2板內(nèi)存總帶寬2400GB/s）
最新的英偉達(dá)的A100使用40GB的2代HBM，帶寬提升到1600GB/s，比V100提升大約73%
特斯拉是128 bitLPDDR4-4266，內(nèi)存的帶寬：2133MHz*2DDR*128bit/8/1000=68.256GB/s。比第一代TPU略好（這些都是理論上的最大峰值帶寬）其性能最差真實(shí)值估計(jì)是2/9。也就是大約8TOPS
為什么會(huì)這樣？這就牽涉到MAC計(jì)算效率問(wèn)題。
如果你的算法或者說(shuō)CNN卷積需要的算力是1TOPS，而運(yùn)算平臺(tái)的算力是4TOPS，那么利用效率只有25%，運(yùn)算單元大部分時(shí)候都在等待數(shù)據(jù)傳送，特別是batch尺寸較小時(shí)候，這時(shí)候存儲(chǔ)帶寬不足會(huì)嚴(yán)重限制性能。但如果超出平臺(tái)的運(yùn)算能力，延遲會(huì)大幅度增加，存儲(chǔ)瓶頸一樣很要命。效率在90-95%情況下，存儲(chǔ)瓶頸影響最小，但這并不意味著不影響了，影響依然存在。然而平臺(tái)不會(huì)只運(yùn)算一種算法，運(yùn)算利用效率很難穩(wěn)定在90-95%。這就是為何大部分人工智能算法公司都想定制或自制計(jì)算平臺(tái)的主要原因，計(jì)算平臺(tái)廠家也需要推出與之配套的算法，軟硬一體，實(shí)難分開。
自動(dòng)駕駛之爭(zhēng)實(shí)質(zhì)上一場(chǎng)軟硬平臺(tái)之戰(zhàn)。單顆芯片算力TOPS是關(guān)鍵指標(biāo)，但并非唯一，自動(dòng)駕是一個(gè)復(fù)雜系統(tǒng)，需要車路云邊協(xié)同。所以它的較量除了芯還有軟硬協(xié)同還有平臺(tái)以及工具鏈等等。
自動(dòng)駕駛芯片的競(jìng)爭(zhēng)壁壘在于算力利用率和可用性。芯片廠商根據(jù)軟件提供底層的硬件支持，在整車設(shè)計(jì)里提供的價(jià)值更高，在供應(yīng)鏈里的議價(jià)能力更強(qiáng)。與Tesla自研汽車中央計(jì)算設(shè)備相比，軟硬件開放式平臺(tái)的解決方案潛力大。
以PC時(shí)代的WinTel聯(lián)盟為例，在WinTel架構(gòu)下，Intel芯片和Windows操作系統(tǒng)高度協(xié)同，最終才能產(chǎn)生壟斷市場(chǎng)份額的效果，缺一不可。
前百度總裁陸奇博士提出過(guò)“母生態(tài)”概念，智能汽車將是繼PC、智能手機(jī)之后更大的母生態(tài)，也是中國(guó)汽車行業(yè)和科技產(chǎn)業(yè)最大的機(jī)遇所在。而且，芯片所在的科技產(chǎn)業(yè)逐步走向成熟的標(biāo)志之一就是形成完整的生態(tài)。
作為車企來(lái)說(shuō)，還有一個(gè)芯片的成本問(wèn)題。算力有多重要，就有多昂貴。據(jù)有關(guān)機(jī)構(gòu)評(píng)估下來(lái)，做一顆車規(guī)級(jí)的AI芯片，就是L2+、L3的 AI芯片大概成本在5億到7億美金之間，時(shí)間是在2~3年。
現(xiàn)在算力的軍備競(jìng)賽是已經(jīng)掀起來(lái)了，但是芯片的算力本質(zhì)上對(duì)于智能駕駛系統(tǒng)還是必要不充分的條件，現(xiàn)在大家更多提的算力是峰值算力。我們經(jīng)常會(huì)看到一個(gè)優(yōu)化程度不好的芯片宣稱有10TOPS算力，實(shí)際跑出來(lái)的應(yīng)用等效只有3~4TOPS的算力。
現(xiàn)在的一種傾向是“L4硬件+L2軟件”，先硬件“預(yù)埋”以達(dá)標(biāo)或者超標(biāo)，軟件上慢慢積累。但是反過(guò)來(lái)說(shuō)，這是不是一種浪費(fèi)？恐怕，還是要對(duì)每一個(gè)TOPS都要精打細(xì)算地使用。
芯片算力的無(wú)限膨脹和硬件預(yù)埋不會(huì)是未來(lái)的趨勢(shì)，硬件也需要匹配實(shí)際，有業(yè)內(nèi)人士就說(shuō)過(guò)：特別是在SoC上，我們需要精準(zhǔn)高效的算力來(lái)適配電子電氣架構(gòu)的變革。
此外，車企面對(duì)的消費(fèi)端是不是立刻就需要那么高端的算力呢？也不見得。
自動(dòng)駕駛算力主要是體現(xiàn)在感知層面的融合，對(duì)于L3 100~200已經(jīng)夠了，對(duì)于L4可能需要200~300，更關(guān)鍵是怎么用算力，不是說(shuō)越多越好，如果要做1000，其實(shí)是沒(méi)有必要的，并且高算力背后是高功耗和低利用率的問(wèn)題。
高功耗、低利用率日益突出
算力也不能說(shuō)無(wú)限增長(zhǎng)，芯片PPA（功耗、成本和面積）都是很要命的。
這是因?yàn)椋瑢?duì)于車載AI芯片來(lái)說(shuō)，算力指標(biāo)重要，能效比更重要。在傳統(tǒng)芯片行業(yè)，PPA是最經(jīng)典的性能衡量指標(biāo)。而現(xiàn)在出于自動(dòng)駕駛對(duì)算力的追求，業(yè)界還是把“峰值算力”當(dāng)作衡量AI芯片的主要指標(biāo)的話，就導(dǎo)致了一種“唯算力論”的偏頗。
評(píng)價(jià)一顆芯片的維度來(lái)講，其實(shí)有這樣幾個(gè)指標(biāo)：
性能，即所謂的算力
成本
功耗
易用性，或者是叫易開發(fā)性
同構(gòu)性，就是芯片平臺(tái)對(duì)其他系統(tǒng)的兼容性
功耗和利用率是兩個(gè)概念：
功耗是如何去平衡整個(gè)板載級(jí)、芯片級(jí)層面功耗。但是對(duì)于芯片公司來(lái)講，芯片的功耗不僅包括AI部分，因?yàn)槟壳昂芏嘈酒际嵌嗪水悩?gòu)的
利用率是AI算法優(yōu)化利用算力的能力。跟每一家神經(jīng)網(wǎng)絡(luò)的架構(gòu)是有關(guān)系的，對(duì)于有的大通量、并行計(jì)算，它的利用率一定是有天花板的
在ASIC方案中，每一家的架構(gòu)是不一樣的，算法也不盡相同
對(duì)于同一個(gè)算法在不同的芯片平臺(tái)上去跑，算子庫(kù)越豐富，算法跨平臺(tái)移植的效果就會(huì)越好，所以ASIC的利用率一定比GPU要高
以英偉達(dá)的芯片為例，它GPU的功耗是最高的。Orin、Xavier的利用率基本上是30%，怎樣優(yōu)化基本都是30%。不同于英偉達(dá)的GPU方案，高通、mobileye、華為，包括國(guó)內(nèi)這些創(chuàng)業(yè)公司都走的是ASIC路線。ASIC芯片針對(duì)不同的神經(jīng)網(wǎng)絡(luò)模型去優(yōu)化，基本上可以做到60%~80%之間，好一點(diǎn)的可能會(huì)做到80%再高一些。
在手機(jī)領(lǐng)域，英偉達(dá)基本上敗給了高通，在PC領(lǐng)域，英偉達(dá)敗給了Intel。在專業(yè)芯片領(lǐng)域，英偉達(dá)其實(shí)并沒(méi)有太多的成功案例和經(jīng)驗(yàn)，其實(shí)本質(zhì)上與它整個(gè)GPU的生態(tài)有關(guān)系。當(dāng)前來(lái)看，英偉達(dá)所有的開發(fā)工具，包括它的算子庫(kù)豐富程度，都是非常好的?？蛻粲糜ミ_(dá)的芯片，除了功耗和利用率之外，別的都特別順手。所以我們現(xiàn)在看到英偉達(dá)能夠如日中天的在整個(gè)行業(yè)里面存在，但是未來(lái)在市場(chǎng)中它肯定會(huì)往下降。
從利用率、功耗這些關(guān)鍵指標(biāo)上來(lái)講，筆者預(yù)測(cè)：高通可能會(huì)在三年之后，2024年2025年這個(gè)期間搶走很大一個(gè)市場(chǎng)。
同時(shí)這也是國(guó)內(nèi)初創(chuàng)企業(yè)的一個(gè)機(jī)會(huì)，從這個(gè)用戶痛點(diǎn)著手，拿下市場(chǎng)。地平線提出了一個(gè)新的方法MAPS（Mean Accuracy-guaranteed Processing Speed，在精度有保障范圍內(nèi)的平均處理速度），用以評(píng)估芯片的AI真實(shí)性能。而在業(yè)內(nèi)沒(méi)有統(tǒng)一的測(cè)評(píng)標(biāo)準(zhǔn)情況下，目前還只能算是一家之言。
不過(guò)功耗方面地平線還是有巨大優(yōu)勢(shì)的。以地平線2020年最先商用量產(chǎn)的征程2芯片為例，它搭載自主研發(fā)的計(jì)算架構(gòu)BPU2.0（Brain Processing Unit）,可提供超過(guò)4TOPS的等效算力，典型功耗僅2瓦，而且，每TOPS的AI能力輸出可達(dá)同等算力GPU的10倍以上。
對(duì)于車企來(lái)說(shuō)，在最高性能模式下，如果自動(dòng)駕駛控制器的芯片功耗級(jí)別較高，即便其自身性能強(qiáng)勁，但也會(huì)引發(fā)某些不可預(yù)知的隱患，如發(fā)熱量成倍增加，耗電率成倍增加，這些結(jié)果對(duì)于智能電動(dòng)車來(lái)說(shuō)毫無(wú)疑問(wèn)是顆“雷”。
高算力AI芯片的致命一擊
當(dāng)今自動(dòng)駕駛領(lǐng)域所運(yùn)用的視覺識(shí)別算法，基本上都基于卷積神經(jīng)網(wǎng)絡(luò)，視覺算法的運(yùn)算本質(zhì)上是一次次的卷積運(yùn)算。這種計(jì)算并不復(fù)雜，本質(zhì)上只涉及到加減乘除，也就是一種乘積累加運(yùn)算。但這種簡(jiǎn)單運(yùn)算在卷積神經(jīng)網(wǎng)絡(luò)中是大量存在的，這就對(duì)處理器的性能提出了很高的要求。
以ResNet-152為例，這是一個(gè)152層的卷積神經(jīng)網(wǎng)絡(luò)，它處理一張224*224大小的圖像所需的計(jì)算量大約是226億次，如果這個(gè)網(wǎng)絡(luò)要處理一個(gè)1080P的30幀的攝像頭，他所需要的算力則高達(dá)每秒33萬(wàn)億次，十分龐大。
實(shí)際上自動(dòng)駕駛領(lǐng)域99%的視覺數(shù)據(jù)在AI處理中是無(wú)用的背景。這就好像檢測(cè)鬼探頭，變化的區(qū)域是很小一部分，但傳統(tǒng)的視覺處理仍然要處理99%的沒(méi)有出現(xiàn)變化的背景區(qū)域，這不僅浪費(fèi)了大量的算力，也浪費(fèi)了時(shí)間。亦或者像在沙礫里有顆鉆石，AI芯片和傳統(tǒng)相機(jī)需要識(shí)別每一顆沙粒，篩選出鉆石，但人類只需要看一眼就能檢測(cè)到鉆石，AI芯片和傳統(tǒng)相機(jī)耗費(fèi)的時(shí)間是人類的100倍或1000倍。
事件相機(jī)的工作機(jī)制是，當(dāng)某個(gè)像素所處位置的亮度發(fā)生變化達(dá)到一定閾值時(shí)，相機(jī)就會(huì)回傳一個(gè)上述格式的事件，其中前兩項(xiàng)為事件的像素坐標(biāo)，第三項(xiàng)為事件發(fā)生的時(shí)間戳，最后一項(xiàng)取值為極性（polarity）0、1（或者-1、1）,代表亮度是由低到高還是由高到低，也常被稱作Positive or Negative Event，又被稱作On or Off Event。
就這樣，在整個(gè)相機(jī)視野內(nèi)，只要有一個(gè)像素值變化，就會(huì)回傳一個(gè)事件，這些所有的事件都是異步發(fā)生的（再小的時(shí)間間隔也不可能完全同時(shí)），所以事件的時(shí)間戳均不相同，由于回傳簡(jiǎn)單，所以和傳統(tǒng)相機(jī)相比，它具有低時(shí)延的特性，可以捕獲很短時(shí)間間隔內(nèi)的像素變化，延遲是微秒級(jí)的。
事件相機(jī)的靈感來(lái)自人眼和動(dòng)物的視覺，也有人稱之為硅視網(wǎng)膜。生物的視覺只針對(duì)有變化的區(qū)域才敏感，比如眼前突然掉下來(lái)一個(gè)物體，那么人眼會(huì)忽視背景，會(huì)將注意力集中在這個(gè)物體上，事件相機(jī)就是捕捉事件的產(chǎn)生或者說(shuō)變化的產(chǎn)生。在傳統(tǒng)的視覺領(lǐng)域，相機(jī)傳回的信息是同步的，所謂同步，就是在某一時(shí)刻t，相機(jī)會(huì)進(jìn)行曝光，把這一時(shí)刻所有的像素填在一個(gè)矩陣?yán)锘貍?，一張照片就誕生了。一張照片上所有的像素都對(duì)應(yīng)著同一時(shí)刻。至于視頻，不過(guò)是很多幀的圖片，相鄰圖片間的時(shí)間間隔可大可小，這便是我們常說(shuō)的幀率（frame rate），也稱為時(shí)延（time latency）。事件相機(jī)類似于人類的大腦和眼睛，跳過(guò)不相關(guān)的背景，直接感知一個(gè)場(chǎng)景的核心，創(chuàng)建純事件而非數(shù)據(jù)。
除了冗余信息減少和幾乎沒(méi)有延遲的優(yōu)點(diǎn)外，事件相機(jī)的優(yōu)點(diǎn)還有由于低時(shí)延，在拍攝高速物體時(shí)傳統(tǒng)相機(jī)會(huì)發(fā)生模糊（由于會(huì)有一段曝光時(shí)間），而事件相機(jī)幾乎不會(huì)。再就是真正的高動(dòng)態(tài)范圍，由于事件相機(jī)的特質(zhì)，在光強(qiáng)較強(qiáng)或較弱的環(huán)境下（高曝光和低曝光），傳統(tǒng)相機(jī)均會(huì)“失明”，但像素變化仍然存在，所以事件相機(jī)仍能看清眼前的東西。
傳統(tǒng)相機(jī)的動(dòng)態(tài)范圍是無(wú)法做寬的，因?yàn)榉糯笃鲿?huì)有線性范圍，照顧了低照度就無(wú)法適應(yīng)強(qiáng)光，反過(guò)來(lái)適應(yīng)了強(qiáng)光就無(wú)法顧及低照度。事件相機(jī)在目標(biāo)追蹤、動(dòng)作識(shí)別等領(lǐng)域具備壓倒性優(yōu)勢(shì)，尤其適合自動(dòng)駕駛領(lǐng)域。
空中一個(gè)球的軌跡，
扔一個(gè)球，看看兩種相機(jī)的軌跡記錄：
事件相機(jī)的出現(xiàn)對(duì)高算力AI芯片是致命打擊，它只需要傳統(tǒng)高算力AI芯片1%甚至0.1%的算力就可完美工作，功耗是毫瓦級(jí)。事件相機(jī)基于流水線時(shí)間戳方式處理數(shù)據(jù)，而不是一幀幀地平面處理各個(gè)像素。傳統(tǒng)卷積算法可能無(wú)用，AI芯片最擅長(zhǎng)的乘積累加運(yùn)算可能沒(méi)有用武之地。為了準(zhǔn)確檢測(cè)行人并預(yù)測(cè)其路徑，需要多幀處理，至少是10幀，也就是330毫秒。這意味著相關(guān)系統(tǒng)可能需要數(shù)百毫秒才能實(shí)現(xiàn)有效探測(cè)，而對(duì)于一輛以60公里每小時(shí)行進(jìn)中的車輛來(lái)說(shuō)，330毫秒的時(shí)間就能行駛5.61米，而事件相機(jī)理論上不超過(guò)1毫秒。
技術(shù)路線展望
中國(guó)自動(dòng)駕駛正在顯示出三條主流技術(shù)路線：
特斯拉路線：純視覺路線，特斯拉芯片+特斯拉算法+視覺傳感器
英偉達(dá)路線：融合感知路線，英偉達(dá)芯片+多種傳感器+OEM自研算法
華為路線：融合感知路線，華為芯片+華為算法+多種傳感器
特斯拉目前最頂配的FSD，8個(gè)攝像頭的分辨率只有130萬(wàn)像素，就已經(jīng)需要144TOPS的算力，而目前英偉達(dá)的自動(dòng)駕駛試驗(yàn)車型用的攝像頭已經(jīng)是800萬(wàn)像素，因此1000TOPS的算力是必須的，如此大的算力不僅帶來(lái)高成本，還有高熱量。除非能挖礦，否則是太浪費(fèi)了。
今年1月初，瑞典初創(chuàng)公司Terranet宣布斬獲了來(lái)自汽車產(chǎn)業(yè)巨頭戴姆勒梅賽德斯奔馳的Voxelflow原型采購(gòu)訂單，訂單價(jià)值31000歐元。這筆采購(gòu)訂單是Terranet和戴姆勒于2020年10月簽署的諒解備忘錄（MoU）的延續(xù)，雙方的諒解備忘錄涉及ADAS和防撞解決方案的原型驗(yàn)證、產(chǎn)品開發(fā)和產(chǎn)業(yè)化。下一步是將VoxelFlow集成到奔馳的測(cè)試車輛中。實(shí)際Terranet的核心是基于事件的圖像傳感器（Event-based Camera Sensor，或Event-driven Camera Sensor）。
事件相機(jī)仍然無(wú)法取代激光雷達(dá)或雙目系統(tǒng)，因?yàn)樗鼰o(wú)法提供深度信息，因此事件相機(jī)必須配合激光雷達(dá)才能實(shí)現(xiàn)完美的3D感知。VoxelFlow技術(shù)能夠憑借很低的算力，以極低的延時(shí)對(duì)動(dòng)態(tài)移動(dòng)物體進(jìn)行分類。每秒可以生成1000萬(wàn)個(gè)3D點(diǎn)云，提供沒(méi)有運(yùn)動(dòng)模糊的快速邊緣檢測(cè)?；谑录膫鞲衅鞯某脱訒r(shí)性能，能夠確保車輛及時(shí)應(yīng)對(duì)“鬼探頭”問(wèn)題，采取緊急制動(dòng)、加速或繞過(guò)突然出現(xiàn)在車輛后方的物體以避免碰撞事故。
現(xiàn)在的AI本質(zhì)上還是一種蠻力計(jì)算，依靠海量數(shù)據(jù)和海量算力，對(duì)數(shù)據(jù)集和算力的需求不斷增加，這顯然離初衷越來(lái)越遠(yuǎn)，文明的每一次進(jìn)步都帶來(lái)效率的極大提高，唯有效率的提高才是進(jìn)步，而依賴海量數(shù)據(jù)和海量算力的AI則完全相反，效率越來(lái)越低，事件相機(jī)才是正確的方向。
