读懂自动驾驶四大核“芯”，这一篇文章就够了！
“FPGA哪里能比得上ASIC，它才是自动驾驶的未来！”
工程师 D“呃……”
从汽车到自动驾驶，芯片之争愈演愈烈！
早期，汽车电子以分布式ECU架构为主，但随着汽车电子化的快速发展，传统的分布式架构已经不能满足汽车的功能需求，中心架构DCU、MDC逐步成为了发展趋势。
这种趋势出现没多久后，人们发现传统CPU算力已经不能满足视频、图像等非机构化数据的需求，而GPU可以同时处理大量计算任务的特性成为了取代CPU在自动驾驶领域的最优方案。
然而，GPU虽然性能优越，但部分业者对FPGA、ASIC等处理器也是报以热枕。
究竟哪款好？一直争议不断……
1
CPU
作为通用处理器，CPU兼顾计算和控制。简单来说，就是计算单元（ALU）、控制单元（Control）和存储单元（DRAM）三大模块，其中Cache也是用来进行高速数据交换的存储器。
图片来源：CSDN
在CPU架构中，70%的晶体管被用于构建Cache及部分控制单元，用来处理复杂逻辑及执行效率，故导致计算通用性很强，而性能一般。
其实，CPU就像一个机器一样，按照冯诺依曼架构（存储程序，顺序执行），配合着人们的指令执行任务，但由于人们的要求越来越高（更快的处理速度、更优的计算能力，更多的数据），这个机器开始手忙脚乱，甚至出现短暂“罢工”现象了。
所以，业内人士开始考虑，能否在芯片上多放几块处理器，分工处理，减少CPU的压力。
于是，GPU诞生了!
2
GPU
GPU即图形处理器，它与CPU最大的区别在于设计机构和功能不同。其最初被用于个人电脑、工作站、游戏机等移动设备商运行绘图运算，可以快速处理图像上的每一个像素点。
CPU逻辑控制能力强，可以进行复杂的逻辑运算，并且延时低，可以高效处理复杂的运算任务，但核心数量较少（一般不超过两位数）。而GPU逻辑控制能力较弱、缓存较小，但并列大量的计算单元，可以同时进行大量较简单的运算任务。
简单来说，就是CPU在图像渲染方面能力不足，所以GPU被发明出来分担这部分工作。
举个例子，在驾驶过程中，司机除了操作车辆外，还需对周围环境以及路线情况实时掌控，而自动驾驶则需要雷达、摄像头等传感器捕捉的环境信息，对路况进行分析，并判断汽车的行驶路线，这也正是GPU的能力。
相比CPU，GPU主要有以下区别：
其一，GPU拥有的核心百倍于CPU，如一枚GPU芯片拥有几千个核心，而CPU最多拥有22个；
其二，GPU为并行运算而生，CPU则为一步步计算而设计；
其三，GPU内存带宽较高，CPU较低；
其四，GPU适合图片、视频、行为预测等任务，而CPU适合文字处理、运行交易数据库等场景。
说到GPU，就不得不提一下它的代表企业——MVIDIA（英伟达）。英伟达在过去几年中，凭借多次AI浪潮的推动，其股价涨了近十倍。在外界人士看来，英伟达是一家卖显卡的硬件公司，但英伟达CEO黄仁勋认为，他们是一家AI公司。
确实，这些年英伟达在AI领域打的火热，也似乎在证明他们就是一家AI公司。在自动驾驶领域，英伟达先后发布了如Drive PX2 Parker、DRIVE PX Pegasus、NVIDIA DRIVE Xavier等平台，强力推动整个市场的发展。
据数据显示，至2017年末，英伟达的NVIDIA DRIVE自动驾驶平台便已经被145家自动驾驶公司采用，这个数据还在持续增长中。
与英伟达自研GPU方式不同的是，英特尔主要通过收购的方式布局自动驾驶芯片领域，如收购Mobileye（ASIC）、Altera（FPGA）、Movidius（VPU）等。其中，奥迪A8计算单元zFAS使用的芯片就包含了Mobileye的EyeQ3和Altera的CycloneV，并内嵌了Movidius的VPU。
有趣的是，市场上除了CPU、GPU之外，还有“XXPU”等，并以很快的速度占领AI界。其中，也有部分芯片被用于自动驾驶领域（仅供参考，不是本文重点）。
数据来源：OpenHW
3
FPGA
FPGA即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。
如何评估FPGA与GPU的性能差异呢？业界主要从峰值性能、平均性能以及计算能耗比等三方面来看！
想象一个场景，GPU上面成千上万的核心同时在GHZ频率上跑，如果可以放大来看，肯定特别壮观。相比而言，FPGA一旦型号选定，逻辑资源上限就确定了，所以设计资源很容易受到限制。此外，在查找逻辑单元、布线方面，FPGA的规则也比较多。整体来看，GPU的峰值性能远高于FPGA，但针对特定的场景来讲吞吐量并不比GPU差。
平均性能，需要综合来看，如果FPGA加速器架构优势能够弥补运行速度的劣势，且这种综合效果优于GPU，那么FPGA的平均性能将会超过GPU。
计算能耗比，应该比较在执行效率相同的情况下所需要的功耗大小。能效指的是程序执行所消耗的能量，能耗等于功耗乘以程序执行的时间。就目前来看，计算能耗比，应该是FPGA＞GPU＞CPU。
在数据中心，FPGA的延迟要远低于GPU，本质区别在于体系结构。FPGA同时拥有流水线并行和数据并行，而GPU几乎只有数据并行。
图片来源：EEFOCUS
整体来看，FPGA在深度学习应用场景，存在的价值在于其灵活性。它可以根据实际应用的需求，构建所需要的硬件组件。但大规模开发难度高，整体的性价比和效率并不如GPU。
那么，自动驾驶为何会需要FPGA呢？
自动驾驶所体现的运算能力主要表现在车端和云端两方面:
在车端，需要通过高精度地图进行实时定位，并按照算法做出驾驶决策；
在云端，则需要对车辆上传的数据进行训练、优化。
目前，自动驾驶汽车均采用较多的处理器是GPU，但它在深度学习方面也有一些局限性，比如：功耗大，车辆散热不好；对串行算法无法优化；硬件结构不具备可编程性。
而FPGA计算架构却可以实现全定制、功耗低、灵活性较好的能力，在某些方面弥补了GPU的劣势，所以，这也是GPU+FPGA被认为是目前自动驾驶主流方案的主要原因之一。
就目前市场上来看，比较支持FPGA的大型企业有微软、比特大陆、地平线、Intel和宝马等。之前很火的比特大陆的挖矿机也是基于FPGA做出来的。
4
ASIC
ASIC是指应特定用户需求或者特定电子系统的需要而设计的集成电路。除了不能拓展以外，在功耗、体积、计算性能以及效率方面都有优势。目前谷歌的TPU、地平线的BPU、寒武纪的GPU等都属于ASIC芯片。
去年12月份，地平线发布了征程AI芯片，对比英伟达的DriverPX2，其采用16nm制程工艺，学习能力是24TFlops，从性能功耗比来看，征程还是比较占优势的。
从技术层面来看，ASIC克服了GPU粒度太粗的缺点，而用户也可以从晶体管开始定义逻辑。这种方式，无论是功耗还是性能，都比GPU要好很多。毕竟在设计的过程中，基本不会出现电路、计算能力、效率等浪费的现象。但这种方式，ASIC的缺点表现的也很明显，比如，投资高、开发周期长，芯片逻辑无法再次更改等。
根据两者性能优势来看，FPGA更适合被用于工业制造领域，ASIC则更适合消费电子、汽车领域。
至于ASIC上市速度比较慢的问题，目前可以使用SoC+IP的方式，IP公司可以专注于加速器前端设计，大公司可以做后端以及芯片/封装验证，这样可以扬长避短，加快芯片上市的速度。另一方面，ASIC芯片周期能否跟上AI算法演讲的速度，仍然是一个很大的挑战。
5
总结
由于自动驾驶芯片对于安全、性能、算力、寿命以及可靠性等要求较高，所以新兴企业很难入局，这个市场未来依旧是诸多老牌IC设计、IP企业角逐的重点。
此外，如何平衡各大AI芯片的性能、算力、价格以及功耗等指标，也是需要IC设计厂商考虑的问题，这也是未来芯片推广的重要因素之一。
着眼未来，自动驾驶技术逐步完善，其芯片对于数据处理、环境适应、深度学习、决策时效等能力的要求也会越来越高。这种情况下，原有的CPU、GPU单处理器模式怕难以胜任自动驾驶需求，而如同GPU+FPGA或FPGA+ASIC等多处理器共存的方式暂时会成为市场主流。
往期精彩回顾
广告投放 | 政府招商 | 产业报告
投融资 | 专家咨询 | 人才服务 | 论坛策划
↙合作需求，请点击“阅读原文”联系我们