自動(dòng)駕駛是邊緣計(jì)算的重要應(yīng)用,，自動(dòng)駕駛需要100-1000TOPS邊緣AI算力，其具有高性能,、低功耗特點(diǎn)的邊緣AI（Edge AI）成了行業(yè)壁壘,。

　　AI計(jì)算需要域來(lái)優(yōu)化算法和數(shù)據(jù)流架構(gòu)，摩爾定律已逼近極限,，若沒(méi)有正確的算法和架構(gòu)，僅基于處理技術(shù)的驅(qū)動(dòng)性能將無(wú)法實(shí)現(xiàn)預(yù)期的結(jié)果。

　　整體邊緣計(jì)算市場(chǎng)規(guī)模高速增長(zhǎng),。圖片來(lái)源：IDC

　　未來(lái)計(jì)算平臺(tái)

　　第一類：馮·諾依曼人工智能架構(gòu)

　　哈佛大學(xué)推出了參數(shù)化深度學(xué)習(xí)基準(zhǔn)套件ParaDNN，這是一種系統(tǒng)化,、科學(xué)化的跨平臺(tái)基準(zhǔn)測(cè)試工具,，不僅可以比較運(yùn)行各種不同深度學(xué)習(xí)模型的各類平臺(tái)的性能，還可以支持對(duì)跨模型屬性交互作用的深入分析,、硬件設(shè)計(jì)和軟件支持,。

　　TPU（Tensor Processing Unit, 即TPU張量處理單元）是谷歌打造的處理器，專為機(jī)器學(xué)習(xí)量身定做的,，執(zhí)行每個(gè)操作所需的晶體管數(shù)量更少,，效率更高。TPU對(duì)CNN和DNN的大批量數(shù)據(jù)進(jìn)行了高度優(yōu)化,，具有最高的訓(xùn)練吞吐量,。

　　GPU表現(xiàn)出與TPU類似的性能，但對(duì)于不規(guī)則計(jì)算（如小批量和非MatMul計(jì)算）具有更好的靈活性和可編程性,。

　　CPU在針對(duì)RNN方面實(shí)現(xiàn)了最高的FLOPS利用率,，并且因其內(nèi)存容量大而支持最大模型。

　　第二類：非 馮·諾依曼人工智能架構(gòu)

　　內(nèi)存計(jì)算（CIM）：基于SRAM,、NAND閃存以及新興內(nèi)存（如ReRAM,、CeRAM、MRAM）的CIM陣列被視為神經(jīng)網(wǎng)絡(luò)計(jì)算的可重新配置,、可重新編程加速器,。CIM優(yōu)點(diǎn)：高性能、高密度,、低功耗和低延遲,。當(dāng)前的挑戰(zhàn)：讀出位線模擬信號(hào)傳感和專用RAM處理技術(shù)的ADC。

　　神經(jīng)形態(tài)計(jì)算：神經(jīng)形態(tài)計(jì)算將AI擴(kuò)展到與人類認(rèn)知相對(duì)應(yīng)的領(lǐng)域,，如解釋和自主適應(yīng),。下一代人工智能必須能夠處理新的情況和抽象，以自動(dòng)化普通人類活動(dòng),。

　　量子計(jì)算：在量子計(jì)算中,，最小的數(shù)據(jù)單位是基于磁場(chǎng)自旋的量子位?；诹孔蛹m纏,，量子計(jì)算允許2個(gè)以上的狀態(tài),，糾纏速度非常快（比如：Google Sycamore,、Quantum Supremay,、53個(gè)Qbits、速度快1.5萬(wàn)億倍,、在200秒內(nèi)完成一項(xiàng)需要經(jīng)典計(jì)算機(jī)10000年才能完成的任務(wù)）,。當(dāng)前的挑戰(zhàn)：嘈雜中型量子（NISQ）計(jì)算機(jī)中的錯(cuò)誤率和消相干。

　　量子神經(jīng)形態(tài)計(jì)算：量子神經(jīng)形態(tài)計(jì)算在類腦量子硬件中物理實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò),，以加快計(jì)算速度。

　　邊緣AI與垂直應(yīng)用

　　邊緣人工智能將主導(dǎo)未來(lái)的計(jì)算,，人工智能是一種能實(shí)現(xiàn)未來(lái)水平和垂直應(yīng)用的技術(shù),。

• 水平人工智能應(yīng)用解決了許多不同行業(yè)的廣泛?jiǎn)栴}（例如計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別）；

• 垂直人工智能應(yīng)用是針對(duì)特定領(lǐng)域進(jìn)行高度優(yōu)化的特定行業(yè)（例如高清地圖,、自動(dòng)駕駛定位與導(dǎo)航）,。憑借深厚的領(lǐng)域知識(shí)，高效的AI模型和算法可將計(jì)算速度提高10-100000倍,。這是未來(lái)人工智能中最核心,、最重要的自動(dòng)駕駛技術(shù)。

　　所有垂直應(yīng)用解決方案均需要用于多任務(wù)的多級(jí)AI模型,。

　　AI模型與算法

　　DNN是人工智能的基礎(chǔ),，如今的DNN使用一種稱為反向傳播的學(xué)習(xí)形式。如今的DNN訓(xùn)練速度慢,，訓(xùn)練后是靜態(tài)的,，有時(shí)在實(shí)際應(yīng)用中不能靈活應(yīng)變。

　　遷移學(xué)習(xí)是一種將先前開(kāi)發(fā)的DNN“回收”作為DNN學(xué)習(xí)第二項(xiàng)任務(wù)起點(diǎn)的方法,，有了遷移學(xué)習(xí),，DNN可用較少的數(shù)據(jù)訓(xùn)練DNN模型。

　　持續(xù)（終身）學(xué)習(xí)是指在保留先前學(xué)習(xí)經(jīng)驗(yàn)的同時(shí),，通過(guò)適應(yīng)新知識(shí)不斷學(xué)習(xí)的能力,。例如，與環(huán)境交互的自動(dòng)駕駛需從自己的經(jīng)驗(yàn)中學(xué)習(xí),，且必須能在長(zhǎng)時(shí)間內(nèi)逐步獲取,、微調(diào)和遷移知識(shí)。

　　強(qiáng)化持續(xù)學(xué)習(xí)（RCL）通過(guò)精心設(shè)計(jì)的強(qiáng)化學(xué)習(xí)策略,，為每個(gè)新任務(wù)尋找最佳的神經(jīng)結(jié)構(gòu),。RCL方法不僅在防止災(zāi)難性遺忘方面具有良好的性能，而且能很好地適應(yīng)新的任務(wù),。

　　自動(dòng)駕駛系統(tǒng) （ADS） – 功能框圖,。圖片來(lái)源：ARM

　　自主駕駛技術(shù)需要突破：

　　邊緣精確定位和導(dǎo)航–輕量化,、基于指紋的精確定位和導(dǎo)航。

　　關(guān)鍵實(shí)時(shí)響應(yīng)–20-30毫秒,，類似人腦

　　消除盲區(qū)–V2X,、V2I、DSRC,、5G

　　可升級(jí)–低功耗和低成本

　　圖片來(lái)源：ARM

　　自動(dòng)駕駛需要在高清地圖,、定位和環(huán)境感知中處理大量數(shù)據(jù)，邊緣處理的所有數(shù)據(jù)都需要在關(guān)鍵的幾毫秒內(nèi)完成,。在感知,、定位、導(dǎo)航,、強(qiáng)化交互（駕駛策略）方面智能精確地減少數(shù)據(jù),，將使自動(dòng)駕駛系統(tǒng)縮短延遲，并快速響應(yīng)不斷變化的交通狀況,。

　　強(qiáng)大,、高性能的邊緣人工智能（Edge AI）是自動(dòng)駕駛汽車領(lǐng)域主要壁壘之一。5G連接支持可靠的MIMO連接,、低延遲,、高帶寬。在5G的加持下,，強(qiáng)大的邊緣AI,，加之高清地圖、定位和感知方面的創(chuàng)新,，將使真正的自動(dòng)駕駛成為現(xiàn)實(shí),。