寒武纪行歌王平:智能驾驶系统规模化落地面临多重挑战

简介: 寒武纪行歌王平:智能驾驶系统规模化落地面临多重挑战
3 月 23 日,机器之心「AI 科技年会」的并行论坛之一——首席智行官大会受到了业界广泛关注。本次大会围绕汽车机器人、芯片及自动驾驶等领域,邀请了 11 位业内极具代表性的企业高层及专家,为出行智能化的时代代言。


其中,寒武纪行歌执行总裁王平,在大会上深入剖析了当下自动驾驶技术以及车规级芯片所面临的挑战和趋势,同时也透露了行歌科技的产品规划。

演讲视频回顾(点击「阅读原文」也可观看):https://www.bilibili.com/video/BV1HY4y1p7iW?share_source=copy_web

自动驾驶未来五年的三大趋势

寒武纪行歌是寒武纪控股的车载芯片子公司,致力于打造全球领先的自动驾驶芯片公司。寒武纪行歌专注于汽车赛道,自成立以来,就获得汽车产业资本的青睐,在种子轮得到了包括上汽集团、蔚来汽车、宁德时代等领先的汽车企业的战略投资。

回到自动驾驶的主题。我认为自动驾驶的发展会是一个充满机会、但又陡峭崎岖的山路。未来五年我们看到有三个大的趋势,首先是 L2 + 自动驾驶系统装备率会迅速普及,但是我们认为它也会长期存在。未来五年,L2 + 及以上的总体渗透率会超过 50%。第二个趋势,是受限场景下 L4 级别自动驾驶解决方案将会逐步实现落地,但是距离大规模量产还有很长路要走。第三个趋势是车路云的闭环协同,这将进一步推动驾乘体验持续的升级。

智能驾驶系统规模化落地面临多重挑战

智能驾驶系统规模化落地,面对多重的挑战。

单车智能方面面临如下挑战,第一,目前单片 SOC 的处理能力普遍不足,因此需要 2 片甚至更多片来实现,使得系统复杂度指数级上升,量产困难;第二,多片 SOC 还造成域控制器功耗很大,必须采用风冷甚至液冷,增加了系统成本,从而使得智能驾驶系统在燃油车及 10 万元以下车型都很难普及;最后,国产芯片占比仍然较低,芯片供应受到全球供应链影响巨大;

另外,车路云协同的方案也面临着诸多挑战,首先海量数据的闭环需要大规模 AI 集群的支撑,根据特斯拉的数据,每一辆智能车上路,就需要增加价值 500 美金的云端 AI 计算资源来支撑,成本压力巨大;其次,车企也需要投入大量资源来实现数据安全和隐私保护;最后,云端统一运营数据的模式还不能有效满足车主个性化的需求。

智能驾驶芯片两大趋势是通用开放式和大算力

我们认为,自动驾驶芯片面临两个趋势:一个是通用开放式,另一个是大算力。在 L1 和 L2 时代,我们认为数据量是相对比较少的,很多车厂接受了芯片和算法强耦合的封闭式一体化方案。到了 L3、L4 的时代,我们认为数据量会激增,算法也更加复杂,因此需要大算力芯片才能够满足需求。此外,OTA 的需求也需要有通用开放的软件平台才能够支撑。

寒武纪行歌最新产品发布计划

寒武纪行歌的定位非常明确,就是一家车载芯片公司。我们将与 Tier1 公司、传感器公司、算法公司等一起来与 OEM 密切协同,形成网状的合作关系,最终服务终端消费者。

我们也将联合合作伙伴,来构建成熟的算法及软件解决方案,提供多层级、可裁剪的货架化解决方案来交付,全面满足车企对于质量进度、客户体验差异化等多重需求,提升终端用户的驾乘体验。

为了满足智能汽车市场的需求,我们将推出全面覆盖不同级别的智能驾驶芯片的产品,今明两年,我们将正式发布两款重磅的芯片,一款是面向 L2 + 市场的 SD5223 芯片,另一款是针对 L4 市场,可支持车端训练的 SD5226 系列。当然,后续还将择机推出面向其他细分市场的芯片产品。

面向 L2 + 级别智能驾驶市场的 SD5223 芯片。当前的域控制器方案一般采用两颗甚至三颗的 SoC 实现 L2 + 级别的行车 + 泊车功能,系统复杂,功耗比较高,无法采用自然散热,成本也相应的水涨船高,很难在 10 万元以下的车型进行推广。

而寒武纪行歌 L2 + 行泊一体的芯片解决方案,采用先进工艺,最大算力达到 16 个 TOPS,单颗 SoC 就可实现行泊一体功能,并可采用自然散热,推动自动驾驶系统向 10 万元左右的入门级车型覆盖,这款芯片将在 2022 年发布。

针对 L4 级别智能驾驶市场的 SD5226 芯片。当前面向 L4 级别的自动驾驶域控制器都采用了 2 颗甚至 4 颗 SoC 的解决方案, 带来了系统复杂、板级带宽受限、功耗超标、量产周期长等风险和挑战。


寒武纪行歌 SD5226 系列芯片解决方案在人工智能算力方面将进一步提高到超过 400 个 TOPS,CPU 最大算力超 300K DMIPS,采用 7nm 工艺,独立安全岛的设计,率先提供基于单颗 SoC 的 L4 级别的自动驾驶解决方案。而且,这颗芯片的最大亮点将是可以支持车端训练,支持车端的自学习架构。这一解决方案计划在 2023 年正式发布。

进一步来讲,SD5226 支持车端的自学习架构,因为当前已有的车端芯片以推理架构为主,算法模型更新和训练是需要在云端才能完成的。而寒武纪行歌采用了端云一体、训推一体的 AI 处理器架构,可以支持车端的训练,也就是使智能汽车真正具有自我成长,自我进化的能力,真正成为人类的伙伴。

从车企和车主来说,车端自学习能力可以构建三点优势,首先是千人千面或者千车千面,因为这可以真正满足用户的个性化需求,按照用户具体的路线来进行学习训练或者说不同的驾驶习惯,实现不同的车人交互。

第二,隐私的保护,车端自学习可以更好地保障车主的数据信息安全,(单车的数据可以按照客户的意愿来选择是否上传云端)。还有一点,车端自学习使得数据可以实现闭环分布,有效降低云端 AI 集群的造价,车企也可以更加有效的开展服务和运营。

另外行歌科技还与母公司寒武纪,共同推出云边端车协同的方案,首先在云端,我们已有的高性能的训练芯片,可以帮助处理车端收集的海量数据来进行训练,形成先进的自动驾驶模型,通过 OTA 推送到车端。

在边端的话,基于寒武纪边缘的智能芯片与合作伙伴推出面向车路协同的路测单元,可以感知更远的信息,形成协同感知。

在车端,寒武纪行歌的智能驾驶芯片能够支持未来高等级智能驾驶复杂模型大算力的需求,也能够支持算法模型的持续迭代。这一切都是基于统一的平台级基础架构和技术软件,以及统一的 AI 处理器架构和指令集。

推动国内智能驾驶芯片发展几点建议

从车企角度来说,我们希望车企可以给国内芯片公司更多机会,通过联合的开发项目,牵引国产的 SoC 成为更符合车企需求的 SoC,并提升供应链的安全。

此外,希望车企可以支持我们引导生态的打造,鼓励国内的芯片企业和算法公司,以及 Tier1 企业有一个强强合作。

第三,我们希望半导体企业的兄弟企业能够在制造端早日实现车规级的制造和封装的本土落地。

最后让我们共同努力,推动智能驾驶芯片这个行业健康的发展。

相关文章
|
6月前
|
供应链 新制造
工业智能规模化趋势,对制造业有什么影响
工业智能规模化趋势,对制造业有什么影响
|
3月前
|
机器学习/深度学习 人工智能
智能化转型问题之大模型AI的出现对现有智能技术体系的影响如何解决
智能化转型问题之大模型AI的出现对现有智能技术体系的影响如何解决
42 0
|
22天前
|
存储 人工智能 自动驾驶
智能时代的技术革新与挑战####
本文探讨了智能时代下技术革新的浪潮,重点介绍了人工智能、大数据、云计算等关键技术的发展与应用,并深入剖析了这些技术对传统行业的影响、面临的伦理与隐私挑战以及未来发展趋势。通过具体案例分析和技术原理解读,为读者呈现一个既充满机遇又伴随挑战的智能技术世界。 ####
|
2月前
|
人工智能 算法 新能源
AI在能源管理中的应用:提升能源效率与可持续性
【9月更文挑战第24天】AI技术在能源管理中的应用,正以其独特的优势与潜力,引领着能源行业向更加智能化、高效化和可持续化的方向发展。随着技术的不断进步、政策的持续支持以及应用场景的不断拓展,AI技术将在能源管理中发挥更加重要的作用,为实现全球能源转型与可持续发展贡献更大力量。我们有理由相信,在AI技术的助力下,未来的能源管理将更加高效、智能和可持续。
|
6月前
|
数据采集 人工智能 算法
AIGC推动智能制造转型的制约因素
【2月更文挑战第13天】AIGC推动智能制造转型的制约因素
65 3
AIGC推动智能制造转型的制约因素
|
6月前
|
分布式计算 算法 数据管理
金融大模型落地面临多重挑战
【1月更文挑战第18天】金融大模型落地面临多重挑战
114 2
金融大模型落地面临多重挑战
|
6月前
|
运维 安全 搜索推荐
智能时代对传统商业地产有哪些颠覆性的影响
智能时代对传统商业地产有哪些颠覆性的影响
|
机器学习/深度学习 存储 人工智能
使数据中心更智能:人工智能如何发挥作用?
随着数据成为维持几乎所有业务运营以获取洞察力和业务成果的先决条件,数据中心正处于这种数字化转型的关键。
471 0
使数据中心更智能:人工智能如何发挥作用?
中国自动驾驶成熟度排名第20,“弱”在技术和基础设施
不考虑新进入国家,中国在毕马威的自动驾驶汽车成熟度排名还是很稳的。
671 0
|
传感器 机器学习/深度学习 存储
人工智能改善制造业的3种方式
制造商实际上可能认为人工智能非常复杂和昂贵,需要整个公司的端到端系统正常工作,这就意味着要对整个IT/OT操作进行代价高昂的更新。事实是,人工智能更专注,更容易实现。