GPU现在 vs. ASIC未来
共 6987字，需浏览 14分钟
·
2021-08-15 17:38
本文内容参考自动驾驶系列报告“自动驾驶系列报告：自动驾驶芯片GPU的现在和ASIC的未来（车载芯片）”，梳理车载芯片的发展历程，探讨未来发展方向。自动驾驶专题系列下载方式如下：
来源：全球政企解决方案
系列报告一：综合篇：自动驾驶的时代已经开始到来
系列报告二：决策层篇：自动驾驶系统量产导向还是性能导向
系列报告三：车载芯片篇，自动驾驶芯片GPU的现在和ASIC的未来
系列报告四：传感器篇，多传感器融合
系列报告五：控制执行篇，转向制动电子化，自动驾驶的必由之路
过去汽车电子芯片以与传感器一一对应的电子控制单元（ECU）为主，主要分布与发动机等核心部件上。随着汽车智能化的发展，汽车传感器越来越多，传统的分布式架构逐渐落后，由中心化架构 DCU、MDC 逐步替代。
随着人工智能发展，汽车智能化形成趋势，目前辅助驾驶功能渗透率越来越高，这些功能的实现需借助于摄像头、雷达等新增的传感器数据，其中视频（多帧图像）的处理需要大量并行计算，传统 CPU 算力不足，这方面性能强大的 GPU 替代了 CPU。再加上辅助驾驶算法需要的训练过程，GPU+FPGA 成为目前主流的解决方案。
着眼未来，自动驾驶也将逐步完善，届时会加入激光雷达的点云（三维位置数据）数据以更多的摄像头和雷达传感器，GPU 也难以胜任，ASIC 性能、能耗和大规模量产成本均显著优于 GPU 和 FPGA，定制化的ASIC 芯片可在相对低水平的能耗下，将车载信息的数据处理速度提升更快，随着自动驾驶的定制化需求提升，ASIC 专用芯片将成为主流。本文以如上顺序梳理车载芯片发展历程，探讨未来发展方向。
ECU（Electronic Control Unit）是电子控制单元，也称“行车电脑”,是汽车专用微机控制器。一般 ECU 由 CPU、存储器（ROM、RAM）、输入/输出接口（I/O）、模数转换器（A/D）以及整形、驱动等大规模集成电路组成。
ECU 的工作过程就是 CPU 接收到各个传感器的信号后转化为数据，并由Program 区域的程序对 Data 区域的数据图表调用来进行数据处理，从而得出具体驱动数据，并通过 CPU针脚传送到相关驱动芯片，驱动芯片再通过相应的周边电路产生驱动信号，用来驱动驱动器。即传感器信号——传感器数据——驱动数据——驱动信号这样一个完整工作流程。
随着汽车电子化的发展，车载传感器数量越来越多，传感器与 ECU 一一对应使得车辆整体性下降，线路复杂性也急剧增加，此时 DCU（域控制器）和 MDC（多域控制器）等更强大的中心化架构逐步替代了分布式架构。
人工智能的发展也带动了汽车智能化发展，过去的以 CPU 为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求，同时处理器也需要整合雷达、视频等多路数据，这些都对车载处理器的并行计算效率提出更高要求，而 GPU 同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。
CPU 的核心数量只有几个（不超过两位数），每个核都有足够大的缓存和足够多的数字和逻辑运算单元，并辅助很多复杂的计算分支。而 GPU 的运算核心数量则可以多达上百个（流处理器），每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单。
CPU和 GPU 最大的区别是设计结构不同结构形成的不同功能。CPU的逻辑控制功能强，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。而 GPU逻辑控制和缓存较少，使得每单个运算单元执行的逻辑运算复杂程度有限，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。
GPU 占据现阶段自动驾驶芯片主导地位，相比于消费电子产品的芯片，车载的智能驾驶芯片对性能和寿命要求都比较高，主要体现在以下几方面：
1、耗电每瓦提供的性能；
2、生态系统的构建，如用户群、易用性等；
3、满足车规级寿命要求，至少 1 万小时稳定使用。
目前无论是尚未商业化生产的自动驾驶 AI 芯片还是已经可以量产使用的辅助驾驶芯片，由于自动驾驶算法还在快速更新迭代，对云端“训练”部分提出很高要求，既需要大规模的并行计算，需要大数据的多线程计算，因此以 GPU+FPGA 解决方案为核心；在终端的“推理”部分，核心需求是大量并行计算，从而以 GPU为核心。
NVIDIA 在自动驾驶领域的成就正是得益于他们在 GPU 领域内的深耕，NVIDIA GPU 专为并行计算而设计，适合深度学习任务，并且能够处理在深度学习中普遍存在的向量和矩阵操作。相对于 Mobileye 专注于视觉处理，NVIDIA 的方案重点在于融合不同传感器。
2016 年，英伟达在 Drive PX 2 平台上推出了三款产品，分别是配备单GPU 和单摄像头及雷达输入端口的 Drive PX2 Autocruise（自动巡航）芯片（下图左上）、配备双 GPU 及多个摄像头及雷达输入端口的 Drive PX2 AutoChauffeur（自动私人司机）芯片（右上）、配备多个 GPU 多个摄像头及雷达输入端口的 Drive PX2 Fully Autonomous Driving（全自动驾驶）芯片。
以目前的销售情况，Drive PX 2 搭载上一代 Pascal 架构 GPU 已经实现量产，并且已经搭载在 Tesla 的量产车型 Model S 以及Model X 上。目前PX 2 仍然是 NVIDIA 自动驾驶平台出货的主力，Tesla，Audi 和 ZF 等对外公布 Drive PX 2 应用在量产车上。
Xavier 是 Drive PX 2 的进化版本，搭配了最新一代的 Volta 架构 GPU, 相较于 Drive PX 2 性能将提升近一倍，2017 年年底量产。由于多家主机厂L3 级别以上自动驾驶量产车的计划在 2020 年左右，而 Xavier 的量产计划将能和自动驾驶车的研发周期相互配合（一般 3 年左右），因此 Xavier 的合作都是有量产车落地计划的。
而对于较早与 NVIDIA 达成合作的车厂来说，他们在小批量测试、量产的优先级别以及可定制化空间等方面都能获得一定的优势。
目前，L4 及以上的市场基本上被 NVIDIA 垄断，CEO 黄仁勋称全球有 300余家自动驾驶研发机构使用 Drive PX2。Drive PX 2 单价为 1.6 万美金，功耗达 425 瓦，但目前没有达到车规，按功耗和成本看，只能小规模测试阶段使用。
四维图新国内地图行业龙头，向 ADAS 和自动驾驶进军。公司成立于 2002 年，是国内首家获导航地图制作资质的企业（目前仅 13 家），为领先的数字地图内容、车联网与动态交通信息服务、基于位置的大数据垂直应用服务的提供商之一。其拳头业务——地图业务，以国内 60%的份额稳居垄断地位。2017 年以来，公司收购杰发科技、入股中寰卫星与禾多科技，“高精度地图+芯片+算法+软件”的自动驾驶产业链全方位布局雏形已现。
收购杰发科技布局汽车芯片。杰发科技（2017 年 3 月完成收购）脱胎于联发科，主攻车载信息娱乐系统芯片。现阶段在国内后装市场市占率超 70%，前装超 30%（主要为吉利、丰田等车企），其车规级 IVI 芯片被多家国际主流零部件厂商采用，并计划推出 AMP、MCU 及TPMS（胎压监测）芯片等新一代产品。公司通过收购杰发科技，具备了为车厂提供高性能汽车电子芯片的能力，打通从软件到硬件的关键性关卡，并与蔚来、威马、爱驰亿维等造车新势力公司达成了合作。
该芯片采用 64 位 Quad A53 架构，内置硬件图像加速引擎，支持双路高清视频输出，和四路高清视频输入，能同时支持高级车载影音娱乐系统全部功能和丰富的 ADAS 功能。功能包括：360°全景泊车系统、车道偏移警示系统 LDW、前方碰撞警示系统 FCW、行人碰撞警示系统 PCW、交通标志识别系统 TSR、车辆盲区侦测系统 BSD、驾驶员疲劳探测系统 DFM 和后方碰撞预警系统 RCW 等。
GPU适用于单一指令的并行计算，而 FPGA 与之相反，适用于多指令，单数据流，常用于云端的“训练”阶段。此外与 GPU对比，FPGA 没有存取功能，因此速度更快，功耗低，但同时运算量不大。结合两者优势，形成GPU+FPGA 的解决方案。
FPGA 和 ASIC 的区别主要在是否可以编程。FPGA 客户可根据需求编程，改变用途，但量产成本较高，适用于应用场景较多的企业、军事等用户；而 ASIC 已经制作完成并且只搭载一种算法和形成一种用途，首次“开模”成本高，但量产成本低，适用于场景单一的消费电子、“挖矿”等客户。目前自动驾驶算法仍在快速更迭和进化，因此大多自动驾驶芯片使用GPU+FPGA 的解决方案。未来算法稳定后，ASIC 将成为主流。
计算能耗比，ASIC > FPGA > GPU > CPU，究其原因，ASIC 和 FPGA 更接近底层 IO，同时 FPGA 有冗余晶体管和连线用于编程，而 ASIC 是固定算法最优化设计，因此 ASIC 能耗比最高。相比前两者，GPU 和 CPU 屏蔽底层 IO，降低了数据的迁移和运算效率，能耗比较高。同时 GPU 的逻辑和缓存功能简单，以并行计算为主，因此 GPU能耗比又高于 CPU。
ASIC 是未来自动驾驶芯片的核心和趋势 。结合 ASIC 的优势，我们认为长远看自动驾驶的 AI 芯片会以 ASIC 为解决方案，主要有以下几个原因：
综上 ASIC 专用芯片几乎是自动驾驶量产芯片唯一的解决方案。由于这种芯片仅支持单一算法，对芯片设计者在算法、IC 设计上都提出很高要求。
以上并非下定论目前 ASIC 为核心的芯片一定比 GPU+FPGA 的芯片强，由于目前自动驾驶算法还在快速迭代和升级过程中，过早以固有算法生产ASIC 芯片长期来看不一定是最优选择。
Intel 在 ADAS 处理器上的布局已经完善，包括 Mobileye 的 ADAS 视觉处理，利用 Altera 的 FPGA 处理，以及英特尔自身的至强等型号的处理器，可以形成自动驾驶整个硬件超级中央控制的解决方案。
Mobileye 具有自主研发设计的芯片 EyeQ 系列，由意法半导体公司生产供应。现在已经量产的芯片型号有 EyeQ1 至 EyeQ4，EyeQ5 正在开发进行中，计划 2020 年面世，对标英伟达 Drive PX Xavier，并透露 EyeQ5 的计算性能达到了 24 TOPS，功耗为 10 瓦，芯片节能效率是 Drive Xavier 的2.4 倍。英特尔自动驾驶系统将采用摄像头为先的方法设计，搭载两块EyeQ5 系统芯片、一个英特尔凌动 C3xx4 处理器以及Mobileye 软件，大规模应用于可扩展的 L4/L5 自动驾驶汽车。该系列已被奥迪、宝马、菲亚特、福特、通用等多家汽车制造商使用。
从硬件架构来看，该芯片包括了一组工业级四核 MIPS 处理器，以支持多线程技术能更好的进行数据的控制和管理。多个专用的向量微码处理器（VMP），用来应对 ADAS 相关的图像处理任务（如：缩放和预处理、翘曲、跟踪、车道标记检测、道路几何检测、滤波和直方图等，下图右上）。一颗军工级 MIPS Warrior CPU 位于次级传输管理中心，用于处理片内片外的通用数据。
此外通过行业访谈调研等途径了解到，Mobileye 在 L1-L3 智能驾驶领域具有极大的话语权，对 Tire1 和 OEM 非常强势，其算法和芯片绑定，不允许更改。
寒武纪科技在 2018 产品发布会上发布了多个 IP 产品——采用7nm 工艺的终端芯片 Cambricon 1M、云端智能芯片 MLU100 等。
其中寒武纪 1M 芯片是公司第三代 IP 产品，在 TSMC7nm 工艺下 8 位运算的效能比达 5Tops/w（每瓦 5 万亿次运算），同时提供 2Tops、4Tops、8Tops 三种尺寸的处理器内核，以满足不同需求。1M 还将支持 CNN、RNN、SVM、k-NN 等多种深度学习模型与机器学习算法的加速，能够完成视觉、语音、自然语言处理等任务。通过灵活配置 1M 处理器，可以实现多线和复杂自动驾驶任务的资源最大化利用。它还支持终端的训练，以此避免敏感数据的传输和实现更快的响应。
寒武纪首款云端智能芯片 Cambricon MLU100 同期发布，同时公布了在R-CNN算法下 MLU100 与英伟达 Tesla V100（2017）和英伟达 Tesla P4（2016）的对比，从参数上看，主要对标 Tesla P4。
地平线星云，基于征程 1.0 芯片，能够以车规级标准满足 L1 和 L2 级别的自动驾驶的需求， 能同时对行人、机动车、非机动车、车道线、交通标志牌、红绿灯等多类目标进行精准的实时监测与识别；并可满足车载设备严苛的环境要求，以及复杂环境下的视觉感知需求，支持L2 级别 ADAS 功能。
地平线 Matrix 1.0，内置地平线征程 2.0 处理器架构，最大化嵌入式 AI计算性能，是面向 L3／L4 的自动驾驶解决方案，可满足自动驾驶场景下高性能和低功耗的需求。依托地平线公司自主研发的工具链，开发者和研究人员可以基于 Matrix 平台部署神经网络模型，实现开发、验证、优化和部署。
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，谷歌在其云平台博客上宣布的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。
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。
Zynq 采用单一芯片即可完成 ADAS 解决方案的开发，SOC 平台大幅提升了性能，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 在平台上添加自己的 IP 以及赛灵思自己的扩展。
来源：全球政企解决方案
转载申明：转载本号文章请注明作者和来源，本号发布文章若存在版权等问题，请留言联系处理，谢谢。
推荐阅读
更多架构相关技术知识总结请参考“架构师全店铺技术资料打包”相关电子书(37本技术资料打包汇总详情可通过“阅读原文”获取)。
全店内容持续更新，现下单“全店铺技术资料打包(全)”，后续可享全店内容更新“免费”赠阅，价格仅收198元(原总价350元)。
温馨提示：
扫描二维码关注公众号，点击阅读原文链接获取“架构师技术全店资料打包汇总(全)”电子书资料详情。
