自动驾驶芯片行业深度解析：GPU的现在和ASIC的未来！(3)

[转载出处：www.ii77.com]

[本文来自：www.ii77.com]

4.3.4 百度“昆仑” 

7 月 4 日百度 AI 开发者大会上，李彦宏发布了由百度自主研发的中国首款云端全功能 AI 芯片——“昆仑”。“昆仑”基于百度 8 年的 AI 加速器经验的研发，预计将于明年流片。 

“昆仑”采用 14nm 三星工艺，是业内设计算力最高的 AI 芯片（100+瓦功耗下提供 260Tops 性能）；512GB/s 内存带宽，由几万个小核心构成。 

 “昆仑”可高效地同时满足训练和推断的需求，除了常用深度学习算法等云端需求，还能适配诸如自然语言处理，大规模语音识别，自动驾驶，大规模推荐等具体终端场景的计算需求。此外可以支持 paddle 等多个深度学习框架，编程灵活度高。 

同时也有媒体对该产品提出疑义，主要有以下两点：

1、算力一般采用的是基于浮点计算的 TFLOPS，性能从倍精度、单精度到半精度，例如寒武纪公布算力跨度从 16 TFLOPS 到 166 TFLOPS。昆仑仅提供单一精度数据，且只公开最大整数计算能力（TOPS），与其他芯片的可比性较低；

2、昆仑芯片的 TOPS 参数比 NVIDIA 的 V100 高，但并未公布芯片的规模，只说明了整合了数万个小核心，数据可比性也不高。 

4.3.5 Google TPU

Google TPU于 2016 年在 Google I / O 上宣布，当时该公司表示 TPU已在其数据中心内使用了一年以上。该芯片专为 Google 的 Tensor Flow（一个符号数学库，用于神经网络等机器学习应用）框架而设计。 

Google TPU 是专用的，并不面向市场，谷歌仅表示“将允许其他公司通过其云计算服务购买这些芯片。”今年 2 月，谷歌在其云..博客上宣布的 TPU 服务开放价格大约为每 cloud TPU （180TFLOPS 和 64 GB 内存）每小时 6.50 美元。Google 使用 TPU开发围棋系统 AlphaGo 和 Alpha Zero 以及进行 Google 街景视频文字处理等，能够在不到五天的时间内找到街景数据库中的所有文字，此外 TPU也用于提供 Google 搜索结果的排序。 

TPU与同期的 CPU和 GPU相比，可以提供 15-30 倍的性能提升，以及 30-80 倍的效率（性能/瓦特）提升。 

4.3.6 Xilinx & 深鉴科技 

Xilinx（赛灵思）是 FPGA 的先行者和领导者，1984 年，赛灵思发明了现场可编程门阵列 FPGA，作为半定制化的 ASIC，顺应了计算机需求更专业的趋势。FPGA 的好处是可编程以及带来的灵活配置，同时还可以提高整体系统性能，比单独开发芯片整个开发周期大为缩短，但缺点是价格、尺寸等因素。 

在汽车 ADAS 和自动驾驶解决方案上，赛灵思的 FPGA 和 SOC 产品家族衍生出三个模块： 

自动驾驶中央控制器 Zynq UltraScale+ MPSoC

前置摄像头 Zynq-7000 / Zynq UltraScale+ MPSoC 

多传感器融合系统 Zynq UltraScale+ MPSoC

▲赛灵思Zynq芯片

Zynq 采用单一芯片即可完成 ADAS 解决方案的开发，SOC ..大幅提升了性能，便于各种捆绑式应用，能实现不同产品系列间的可扩展性，可帮助系统厂商加快在环绕视觉、3D 环绕视觉、后视摄像头、动态校准、行人检测、后视车道偏离警告和盲区检测等 ADAS 应用的开发时间。并且可以让 OEM和 Tier1 在..上添加自己的 IP 以及赛灵思自己的扩展。 

▲赛灵思多传感器融合系统

深鉴科技成立于 2016 年，其创始团队有着深厚的清华背景，专注于神经网络剪枝、深度压缩技术及系统级优化。2018 年 7 月 17 日，赛灵思宣布收购深鉴科技。自成立以来，深鉴科技就一直基于赛灵思的技术..开发机器学习解决方案，推出的两个用于深度学习处理器的底层架构—亚里士多德架构和笛卡尔架构的 DPU 产品，都是基于赛灵思 FPGA 器件。 

▲亚里士多德架构

▲笛卡尔架构

对于赛灵思来说，看好深鉴科技基于机器学习的软件、算法，以及面向云侧和端侧硬件架构的优势；对于深鉴科技，后期发展高昂的研发费用、高成本的芯片设计、流片、试制、认证、投片量产，投靠赛灵思能够降低随之而来的风险，进入芯片战争的持久战。 

2018 年 6 月，深鉴科技宣布进军自动驾驶领域，自主研发的 ADAS辅助驾驶系统——DPhiAuto，目前已获得..与欧洲一线车企厂商和 Tier 1 的订单，即将实现量产。 

DPhiAuto，基于 FPGA，是面向高级辅助驾驶和自动驾驶的嵌入式 AI计算..， 可提供车辆检测、行人检测、车道线检测、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，是一套针对计算机视觉环境感知的软硬件协同产品。功耗方面，可以在 10-20W 的功耗范围内，实现等效性能，能效比指标高于目前主流的 CPU、GPU方案。 

▲DPhiAuto性能

▲DPhiAuto样品

五、风险提示 

自动驾驶及车联网行业发展不及预期。可能出现自动驾驶及车联网行业技术发展较慢，或出现相关事故使发展停滞情况。  

自动驾驶装车渗透不及预期。整车厂装车计划延迟。 、

 产品开发不及预期。控制器、芯片、传感器、CID 等开发进度延迟；技术角度来说，自动驾驶越到开发测试的后期技术的提升越困难，提升的幅度越小。需要持续不断的投入、测试，反复验证更新解决方案。 

产品成本下降不达预期。目前大多数系统及零部件的出货量还很小，涉足的公司前期投入非常大，如果出货量不达预期，成本下降有限。 

使用场景限制。复杂路况需要的系统鲁棒性极高，对于自动驾驶解决方案也是很大挑战。 

法律法规限制自动驾驶发展。道路测试、运行安全、驾驶规则、信息安全、责任划分等等都需要法律法规的支持。要想推动智能汽车行业发展，完善立法是核心要素之一。 

自动驾驶事故影响发展。自动驾驶遭遇严重事故案例，类似事故会造成舆论和政策方面的不利影响，延缓自动驾驶进展。 

报告来源：国金证券股份有限公司  新能源汽车研究中心  

原标题《自动驾驶芯片：GPU 的现在和 ASIC 的未来 》