冬至已過，2017年最冷的時節(jié)也日漸逼近。然而，即便是在最冷的日子里，如果你乘坐的是一輛搭載著英偉達的Drive PX 2計算平臺的無人駕駛汽車，你可能根本就不用開空調。因為，這是一輛“有情懷有溫度”的“暖車”。 

但千萬別高興得太早——不用開空調當然好，但過分的是，極有可能，每過兩個小時，你便不得不停下來打開窗戶“吸吸外面的冷氣”。冬季尚且如此，到夏季，就更麻煩了——作為無人車“大腦”的PX 2被“熱暈”、“熱死”也有可能。

功耗太高、運行中產(chǎn)生的熱量太多，已經(jīng)成為GPU最大的軟肋之一。正因為如此，特斯拉在最近“悍然宣布”要自己研發(fā)芯片時，也把“降低功耗”作為主要動機之一。 

事實上，早在特斯拉之前，GPU的“功耗太高”，已經(jīng)成為眾多“友商”向它發(fā)起進攻的突破口——英特爾、谷歌、Mobieye、Wave Computing、Graphcore、地平線、寒武紀等多家芯片廠商都在以“我的功耗更低”為資本來跟GPU搶生意，一場針對英偉達的圍剿正在展開。 

一．GPU：生命不能承受之“熱”

首先必須澄清一下，通常所說的“GPU功耗”，并不是單顆芯片的功耗，而是基于GPU及對應算法的整個計算平臺的功耗；因為，GPU常常是跟算法結合在一起，作為整體方案一起使用的，脫離計算平臺談單顆芯片的功率，沒有多大實際意義。 

目前，特斯拉Model S上的Autopilot 2.0使用的自動駕駛計算平臺是英偉達的Drive PX 2。 PX 2使用的處理器為GPU TeslaP100，功耗最高可達250W，10小時2.5度電。10小時2.5度電是什么意思呢？ 

Model S75與Model S P100D的電池容量分別為75kWh、100kWh，續(xù)航里程分布為417公里、540公里，算下來，每1度電可以跑5.4公里，2.5度電，可以跑13.5公里。也就是說，Drive PX 2每運行10小時，Model S的續(xù)航里程可能就減少13.5公里。（英偉達提供給Tesla的PX 2，是定制版，相對于通用版，在功耗上得到了優(yōu)化。）

根據(jù)中國科技部在去年8月份發(fā)布的《“新能源汽車”試點專項2017年度項目申報指南建議》，到2020年之前，電動車的耗電應降低到10度/100公里以內(nèi)，算下來，也就是，1度電至少可以跑10公里。假如到時Drive PX 2被裝在“中國標準”的電動汽車上，將可能產(chǎn)生什么后果？PX 2每多運行10小時，車輛的續(xù)航里程就會減少25公里以上。 

如果搭載PX 2的無人駕駛汽車是私家車，那么，連續(xù)運行10小時的情況并不常見，但如果這輛無人駕駛汽車是出行運營車輛，則連續(xù)運營10—20小時便是家常便飯。在這種情況下，PX 2的高功耗無疑會提高無人車的充電頻次，從長期看，還會加速電池的“折壽”。 

并且，對運營車輛來說，充電頻次過高，還會增加時間成本，減少盈利。 

如果說GPU功耗過高對電池帶來的耗損還主要是“錢的問題”，那么，散熱問題則可能“事關人命”，這也是更令人頭疼的問題。 

芯片功耗太高最大的問題并不是“太費電”，而是散熱困難——夏天，車內(nèi)的自然溫度可以達到四五十度，再跟計算平臺產(chǎn)生的熱量疊加再一起，器件的溫度達到100-200度，輕則發(fā)燙，重則燒壞，進而導致系統(tǒng)“死機”、或“自動關機”。 

手機在死機后重啟一下就可以了，但無人駕駛汽車要是在高速行駛的過程中系統(tǒng)崩潰，是性命攸關的事，馬虎不得。為了避免系統(tǒng)崩潰，很多以GPU為核心處理器的無人駕駛汽車，每開兩個小時就要停下來散熱。 

為應對功耗太高的問題，PX 2的用戶們紛紛搭載水冷系統(tǒng)、小電風扇、散熱片等各種散熱設備。對電子產(chǎn)品來說，散熱設備本是常識，無甚新奇之處，但需要強調的是，功耗越高的器件/系統(tǒng)，需要搭配的散熱設備就越多，而這個散熱設備，也是需要耗電的，這就等于新增了一次功耗。 

并且，設計中需要的風扇和散熱器等硬件越多，系統(tǒng)故障的概率就越大，這將影響系統(tǒng)的可靠性，甚至是壽命。 

由于被用戶吐槽太多，英偉達也已意識到功耗是它的軟肋，因此，它曾經(jīng)做過“設計低功耗的GPU”的努力，但結果并不理想。 

英偉達在2017年CES展上推出了新款處理器Soc Xavier（由GPU TeslaV100集成而來），運算速度為30 TOPs。當時媒體紛紛在計算，說Xavier的計算能力提高至PX 2（24 TOPs）的1.3倍，而功率只有30w，僅為后者的幾分之一。這進步，真是杠杠滴！ 

但是，先別急著高興，據(jù)《建約車評》向英偉達工程人員確認，Soc Xavier并非是像PX 2那樣能夠“獨當一面”的產(chǎn)品，它們之間不存在可比性。 

Xavier只是英偉達在2017年10月份推出的最新計算平臺Drive PX Pegasus上面的“半成品“。可是，當以Xavier為基礎的PX Pegasus出來后，”一切都變了“——Pegasus的深度學習計算能力為320萬，是PX 2的13.3倍，而最高功耗也升高至500W。 

雖然從能效（計算能力/功率）的角度看，PX Pegasus相比于PX 2是進步了不少，但每2個小時一度電，這個還是挺可怕的。因此，英特爾首席工程師兼自動駕駛解決方案首席架構師杰克·威仕特“黑”PX Pegasus功率依然太高，不是沒有道理的。 

二．FPGA：五十步笑百步

在英偉達搭上了AI的東風一路青云直上的歲月里，昔日芯片市場上絕對的霸主英特爾是很不服氣的，它總想著如何扳回一局。在AI芯片市場上，英特爾最主要的動作就是買買買，這其中，就包括對FPGA領軍公司Altera的收購。 

英特爾的FPGA，在多傳感器融合中發(fā)揮著重要作用。FPGA，是公認的比GPU“能效更高”的AI芯片。 

我們可以將英特爾的FPGA之Stratix系列中等級最高的Stratix 10（14nm）與英偉達GPU中目前等級最高的Tesla V100(12nm)做個比較：計算能力方面，Stratix 10為10 TFLOPs，Tesla V100為14 TFLOPs；最高功耗方面，前者為 120W，而后者為300W。雖然Stratix 10的計算能力稍微遜色一點，但如果綜合來看（功率/計算能力），完成相同的計算能力，它所需要的功耗要比Tesla V100小得多。 

FPGA之所以比GPU能效更高，主要有以下幾個原因—— 

1.多線作戰(zhàn)

FPGA雖然和GPU都擅長“并行處理”來提高計算效率，但兩者并行處理的方式并不完全相同：

GPU只有數(shù)據(jù)并行，比如把一組龐大的數(shù)據(jù)拆分成6400份，然后分別輸入6400個小的計算單元中，所有的計算單元都聽命于同一個指令、按照統(tǒng)一的步驟計算，等6400份計算都分別完成后，再統(tǒng)一輸出，匯總到一起；而如果是在FPGA中，則不僅數(shù)據(jù)并行，而且還有“流水線并行”，即這6400份數(shù)據(jù)在各自的計算單元中是由不同的指令操控著，每處理完一份，就能馬上輸出。 

基于這種特質，在面對壓縮、圖像處理、機器學習等計算量比較密集的任務時，F(xiàn)PGA更有能力避免延時，效率要比GPU高很多。因此，完成同樣的計算任務，F(xiàn)PGA所需要的功耗也要比GPU少得多。 

2.不需要“兜圈子” 

跟CPU一樣，GPU在運行中也依賴于傳統(tǒng)的馮.諾依曼架構，即指令和數(shù)據(jù)均存儲于外部存儲器中，處理器需要從存儲器中取出指令、解碼,然后再執(zhí)行該指令。GPU里面有數(shù)千個小的計算單元，它同時運行最多數(shù)十萬個小程序，因訪問存儲器需要“排隊”，所以實際上大部分小程序都被“卡”住了，真正在GPU上”動起來“的只是很小的一部分。然而，這些正在“排長隊”的小程序卻要占用芯片面積、消耗內(nèi)存帶寬，結果，抬高了GPU的功耗。

而對于可編程的FPGA來說，由于硬件電路是通過程序來定義的，它不需要取指令與指令譯碼過程，計算得到的結果也無需在主存儲器臨時保存，可以被直接送到下一步。因此，相比于通過GPU實現(xiàn)，不僅提高運算速度，而且對存儲器帶寬的需求也會低很多，這就節(jié)省了功耗。 

3.計算資源的浪費少 

GPU的硬件資源是由加法器、乘法器這樣的硬件單元組成的，并且，一經(jīng)配置，就無法更改。比如，加法器配置15個、乘法器配置15個，但實際使用的時候，可能前者的用量是2個，而后者的用量只需要2個，這就白白浪費了13個加法器的資源。 

而FPGA則具有“可編程”的靈活性，用戶可以根據(jù)特定應用的需求對硬件進行編程，如果應用里面的加法運算非常多就可以調用大量的邏輯資源去實現(xiàn)加法器，從而保證計算資源被充分利用。計算資源浪費少，同時就意味著功耗的節(jié)省。 

不過，具體到個案中，F(xiàn)PGA是否真的就在功耗上比GPU更有優(yōu)勢，還得結合應用場景來看，不能簡單地生搬硬套。 

具體地說，如果FPGA的架構優(yōu)化能做得很好以致于一塊FPGA的平均性能能夠接近一塊GPU，那么FPGA方案的總功耗遠小于GPU，散熱問題可以大大減輕。反之，如果需要二十塊FPGA才能實現(xiàn)一塊GPU的平均性能，那么FPGA在功耗方面并沒有優(yōu)勢。 

總體上，基于FPGA的計算平臺的功耗在30W—200W,雖然上限要比基于GPU的Drive PX 2要低一些，但根據(jù)業(yè)內(nèi)人士的說法，使用了FPGA方案的谷歌無人駕駛汽車依然無法逃避“每開兩個小時就要停下來散熱”的命運。 

英特爾總不忘在各種場合向它的潛在客戶黑一下英偉達，黑一下GPU的功耗，但站在旁觀者的角度，F(xiàn)PGA黑GPU功耗高，也許只是“五十步笑百步”而已。 

三．ASIC：做減法，追求“小而美”

如果要降低功耗，需要從哪些方面入手？這是很多人都好奇的問題。在芯片領域有近30年經(jīng)驗的地平線機器人公司首席芯片架構師周峰博士認為，影響芯片功耗的主要是制程和架構，那么，要降低功耗，也應該從這兩個角度入手。 

制程

在架構不變的前提下，芯片的制程等級越高，功耗就越低。比如，一款芯片，在14nm的制程下做出來，要比在28nm的制程下做出來功耗更低。通過提高制程等級來降低功耗，一般發(fā)生在同一系列產(chǎn)品的更新?lián)Q代上，比如，28nm制程下的FPGA Stratix V在升級到14nm制程下的Stratix 10后，功耗降低了40~70%。

不過，對廠商來說，改制程的成本往往是一個天文數(shù)字，如果沒有一個可觀的預期銷量，廠商通常很難僅僅為了降低功耗就去改制程。 

架構

在不改變制程的條件下，可以通過對芯片架構進行重新設計，通過調整結構、縮小面積、并配合一定的算法等方式把功耗降下來。這種做法，比改變制程的難度更大，并且，重新設計架構的周期也很長，但如考慮到高能效帶來的功耗節(jié)省以及效率提升所能帶來的總體維持/營運成本的降低，有遠見的公司還是愿意這樣做。

通過修改架構來降低功耗，往往發(fā)生在不同產(chǎn)品、不同廠商之間的競爭中。比如，谷歌推出的TPU、Mobileye推出的EyeQ、地平線推出的BPU，就是通過改變芯片架構來降低功耗。 

那么，為什么通過調整架構就可以降低功耗呢？ 

GPU和FPGA都是通用芯片。所謂“通用”，即功能“大而全”，某些功能在特定的應用場景中是派不上用場、被浪費的，然而，就是這些派不上用場的功能，卻硬是要運行、要“發(fā)光放熱”。 

GPU，本不是為了做AI計算而設計的，它的主要功能是用來做圖像處理的，這就導致，在AI計算中，僅有占芯片總面積不到4成的計算單元被有效利用。比如，GPU 有6400個微小處理器，在做圖像處理時，這6400個處理器全部都用上了，但在做AI計算時，只有效利用了一小部分，可能是2000個，結果，剩下的那一部分計算資源就被浪費了。然而，GPU 仍然需要為這部分被浪費的計算量承擔功耗。   

因此，被應用在AI計算中的GPU，要降低功耗，就得“做減法”，把傳統(tǒng)的圖像處理功能給砍掉。 

FPGA也存在“產(chǎn)能利用不足”的問題。FPGA的運算電路基于查找表，比如說，F(xiàn)PGA內(nèi)部有1000萬個自定義邏輯部件，一個4輸入的查找表單元需要96個晶體管來支持，然而，這96個晶體管中，絕大部分都屬于冗余。這些冗余也必然體現(xiàn)在芯片的面積和功耗上。 

要想避免因為“產(chǎn)能利用不足”而導致的功耗浪費，最好的方法就是，通過重新設計芯片架構，開發(fā)針對特定應用場景的專用芯片，這就是走“小而美”路線的ASIC。在ASIC中，除了必要的對外連接及對內(nèi)中控部分，所有的晶體管都可以完全被用于計算上，而那些“閑置產(chǎn)能”都被砍掉了，因此，對應的功耗浪費也省掉了。 

因為是“專用”，所以，ASIC的設計難度和開發(fā)成本都要比GPU和FPGA高得多，而且，周期也更長——一般來說，基于FPGA的開發(fā)周期大約為6個月，而相同規(guī)格的ASIC則需要1年左右。但一旦量產(chǎn)，成本就會比GPU和FPGA低得多（特定的用戶不需要像對GPU那樣為某些“閑置”的功能買單）。 

并且，由于計算能力和計算效率都可以根據(jù)算法需要進行定制，ASIC與通用芯片相比，在節(jié)省功耗的同時，還具有計算性能高、體積小等多種優(yōu)點。 

馬斯克曾表示，“人工智能專用芯片將大幅度降低能耗和成本”，而他的搭檔吉姆?凱勒也表示，專用芯片可以提升效率。由此看，特斯拉正在研發(fā)的芯片應該也是ASIC。 

在這里，我們列舉三款已經(jīng)有成型產(chǎn)品的ASIC芯片。 

1.谷歌—TPU 

很早之前，谷歌就意識到GPU更適合訓練，卻不善于做訓練后的分析決策，因此，它得自己開發(fā)一款專門用于做分析決策的AI芯片。在低調使用了一兩年后，在2016年5月份召開的Google I/O大會上，這款專用芯片TPU終于閃亮登場了（在2017年5月份又公布了TPU 2.0版）。 

谷歌聲稱TPU（以下簡稱TPU 1）的運算速度“比當前CPU和GPU快15-30倍”，同時“功耗還要低30—80倍”，但很快遭到黃仁勛及其擁護者的“打臉”，他們紛紛表示，谷歌是拿自己新出的產(chǎn)品跟英偉達兩年前的舊產(chǎn)品TeslaK80做比較，不太厚道。 

甚至，直到谷歌在2017年推出新一代TPU即TPU2時，英偉達方面也稱，他家的最新款GPU Tesla V100在計算性能可以秒殺TPU2。 

TPU2的最高功耗在130-160W之間，但其計算能力，公開資料只能查到其半精度浮點計算能力為45 TFLOPs，至于流傳的180 TFLOPs是什么情景下的則語焉不詳；而GPU Tesla V100，最高功耗300W，計算能力為單精度浮點15 TFLOPs，半精度浮點計算能力暫不清楚，因此，無法直接比較。但即便是Tesla V100的計算能力超過TPU 2,這也是以超過后者兩倍的功耗為代價的，論能效的話，應該還是TPU 2更占優(yōu)勢。 

之所以說在功耗戰(zhàn)爭中TPU 2能贏過GPU,就因為它是 ASIC，由于只執(zhí)行單一工作，速度更快也在情理之中。TPU和GPU之間除了性能較量，更多代表的是ASIC和通用型芯片這兩種設計思路間的博弈。 

不過，由于TPU只用于云端計算，不在終端使用，并且，也只是谷歌自己用，而不對外銷售，因此，它跟其他廠商的AI芯片之間并不存在太強的競爭關系。 

2. Mobileye—EyeQ 

被英特爾收購的Mobileye所產(chǎn)的ADAS視覺處理芯片EyeQ，也屬于ASIC。在跟英偉達走到一起之前，特斯拉就使用的EyeQ。EyeQ目前已經(jīng)更新到第四代，最近蔚來汽車剛發(fā)布的量產(chǎn)車ES8，即為全球首款使用EyeQ 4作為自動駕駛處理器的量產(chǎn)車。

將EyeQ 4與英偉達的最新處理器Xaiver做個比較會很有意思。 

EyeQ 4 可以在 3W 的功耗下提供 2.5 TOPs 的計算能力，Xavier在30W的功率下提供 30 TOPs的計算能力，計算一下能效可知，在EyeQ 4中，每1W可支持0.8 TOPs的計算能力，而在Xavier中，每1W可支持1 TOPs的計算能力，Vavier的能效更高。 

不過，在這場比較中，Xavier以微弱優(yōu)勢勝出，卻并不能否認ASIC在降低功耗方面的能力——有一個關鍵的問題忽略了，制程，EyeQ 4是基于28nm的制程生產(chǎn)的，而Xavier則是基于16nm的制程。也就是說，Xavier在能效上超過EyeQ 4，要歸功于更先進的制程，而非芯片架構。 

當EyeQ的制程從28nm升級到7nm的時候，它在功耗上的優(yōu)勢就立馬可以秒殺Xavier。2016年5月，當時尚未被英特爾收購的Mobieye發(fā)布了最新一代芯片EyeQ 5，這款芯片將于2020年上市。在本月初的洛杉磯車展上，英特爾執(zhí)行長Brian Krzanich強調，“EyeQ 5，在深度學習中的能效要比英偉達的Xavier高出1倍以上?！?nbsp;

英偉達的人聽了這句話可能會很不舒服，但我們可以做個簡單的比較——計算能力方面，EyeQ 5是 24 TOPs，Xavier是30 TOPs；功耗方面，前者是5-10W，而后者則為30W。 再比較一下能效（計算能力/功率），EyeQ 5為Xavier的2.4—4.8倍。 

可以，在降低功耗的問題上，Mobileye走的是ASIC和改進制程“兩手抓，兩手都要硬”的路線。 

3. 地平線—BPU 

這場功耗戰(zhàn)爭中，還有一個后起之秀，即由原百度自動駕駛創(chuàng)始人余凱博士創(chuàng)辦的地平線機器人公司。地平線自2015年成立之初就以生產(chǎn)“低成本低功耗”的AI芯片為使命，2017年12月20日，他們的第一代低功耗芯片“征程”（Journey）和“旭日”（Sunrise）系列也正式發(fā)布。 

其中，“征程”將主要用做于智能駕駛平臺的核心處理器，而“旭日”將主要運用于智能城市、智能商業(yè)中的人臉識別等。

地平線將這兩款自研的芯片架構命名為BPU(BrainProcessUnit)。第一代BPU的計算能力為1Tops，延時低于30ms，可實時處理1080P@30幀，并對每幀中的200個目標進行檢測、跟蹤、識別，而其功率則僅為0.5—2.5W，典型功耗為1.5W。 

數(shù)據(jù)要經(jīng)過比較才有意義。 

比如英偉達Drive PX 2，圖像處理能力可達2800幀/秒，不到BPU的3倍，但功耗卻高達250W，是后者的上百倍。從能效的角度，BPU的優(yōu)勢十分明顯。 

與PX 2相比，BPU能識別的目標數(shù)量確實是“少了點”，但在周峰博士看來，這并不能算是一個遺憾。“芯片應該達到怎樣的能力，取決于應用場景。從能力上來說，我們也可以做到每禎識別400個目標，但畢竟這樣會影響檢測速度、增加功耗，而且也不必要——人在開車的時候，才能同時處理多少個目標？針對自動駕駛的ADAS系統(tǒng)，每禎識別200個目標，最小分辨率達到32*32，這就已經(jīng)足夠了。” 

說200個目標“足夠了”，是因為BPU能夠對目標進行“精準識別”。通常，圖像處理中有大量并不重要的冗余信息，而地平線則通過算法設計“無視”掉那些跟無人駕駛無關的干擾圖像信息。這就減少了處理器的計算負擔，將處理效率提高10倍以上，同時，也節(jié)省了功耗。 

為芯片設計獨特算法的另一個優(yōu)勢是，芯片中的乘法器利用率得到了提供。通常，芯片中的乘法器利用率在20%—60%，而地平線BPU乘法器利用率的平均值為96%，峰值甚至達到了100%。這就減少了計算資源的浪費，提高了能效。 

意即，BPU的低功耗，不僅得益于專用的芯片架構，也要歸功于專用的算法。 

在自動駕駛領域，第一代BPU“征程”（Jounery）具備同時對行人、機動車、非機動車、車道線、交通標志牌、紅綠燈等目標進行精準的實時檢測與識別的處理能力，將應用于基于視覺感知的ADAS(雨果平臺)上；明年，地平線還將發(fā)布第二代BPU,搭載第二代BPU的雨果平臺將支持多傳感器融合，應用于L3和特定場景下L4級的自動駕駛，感知能力強大到連行人“下一個5秒鐘將怎么走”這樣的細節(jié)都可以預測。

目前，地平線已在全球四大汽車市場（美國、德國、日本和中國）同博世等多家頂級Tier1和整車廠建立起合作關。不過，需要注意的是，地平線并不直接向客戶賣BPU，而是跟算法捆綁在一起，作為整體方案來銷售。 

其實，在創(chuàng)立地平線之前，余凱博士就已經(jīng)意識到，要想達到在同等性能下功耗更低、成本更小的目標，就必須構建“芯片+算法”的一整套解決方案，因為，無人駕駛的某些核心算法要跟專用的芯片匹配，才能達到最好的效果，而芯片的功耗也會受算法的影響。在AI時代，用算法和軟件來定義芯片，并通過算法來優(yōu)化芯片將成為一種趨勢。 

今后，地平線還將構建一個芯片訓練平臺，用戶可以在這個平臺上做各種模擬測試、訓練，積累數(shù)據(jù)、改進算法。 

細數(shù)全球范圍內(nèi)的無人駕駛方案供應商，Mobieye跟地平線的相似度最高：視覺方案為主，軟硬一體化，本地計算。但余凱認為，地平線的方案更適合中國的道路場景。 

“Mobileye的車尾檢測做得很好，但車輛的側面檢測效果就并沒有那么理想，這是因為歐美的高速路況大家很少變道。地平線在國內(nèi)與一些保有自主車輛的公司，今年有50輛車載華東地區(qū)和重慶路測，而路測得到的數(shù)據(jù)，讓我們看到了車輛側面檢測、行人檢測這些中國特有的問題，并做了針對性的算法優(yōu)化?！?nbsp;余凱說。 

由于中國的路況更復雜，搞定了中國市場，再對其他路況更好的汽車市場進行“降維進攻”就容易多了。這也讓地平線在2025年前實現(xiàn)“有3000萬輛汽車都內(nèi)置著地平線的自動駕駛處理器BPU”這一愿景有了更大的底氣。 

不僅如此，在文本所聚焦的功耗問題上，地平線也跟能提供“最優(yōu)解”的Mobieye“有得一拼”。 

地平線的BPU 1.0跟Mobileye的量產(chǎn)產(chǎn)品EyeQ 3（2014年發(fā)布）一樣，都是基于40nm的制程，參數(shù)上，EyeQ 3是計算能力0.256 TOPs，功耗2.5W，而BPU則是計算能力1.0 TOPs，功耗1.5W；也就是說，BPU用比EyeQ 3更低的功耗實現(xiàn)了更強的計算能力，綜合計算后得知，后者的能效是前者的6.5倍。 

可能有人會質疑，為什么不拿BPU 1.0跟EyeQ 4做比較？很簡單，QyeQ 4是基于28nm制程的，不具有可比性。BPU 1.0跟相同制程的Eye Q3做比較，功耗上的明顯優(yōu)勢，更能充分證明地平線所設計的芯片架構（高斯架構）對降低功耗的貢獻。 

值得注意的是，這次發(fā)布的BPU 1.0只是地平線團隊用不到兩年半時間搞出來的“處女作”，而EyeQ 3則是Mobileye用六年時搞出來的第三代產(chǎn)品。可見，在某種意義上，地平線的芯片設計能力，已經(jīng)超過了Mobileye。明年，地平線將發(fā)布基于28nm制程的BPU 2.0，到時，我們可以再拿它跟同樣是28nm制程的EyeQ 4做比較，相信能看到更多的驚喜。 

無人駕駛時代正在快速到來，中國也將成為無人駕駛汽車最大的產(chǎn)銷地，遺憾的是，作為無人車“大腦的大腦”的核心芯片，一直掌握在英偉達、英特爾等國際巨頭中，中國公司在這個關鍵領域是缺席的。產(chǎn)業(yè)內(nèi)早就在急切地等待著“中國芯”的出現(xiàn)。 

如今，地平線攜專用芯片BPU“拔地而起”，在追求高性能的同時，還重點從成本、功耗等方面入手，建立起自己的競爭壁壘，從眼下看，這對中國的芯片產(chǎn)業(yè)及無人駕駛產(chǎn)業(yè)從業(yè)者都是一個極大的鼓舞；從長期看，還將有望重塑全球汽車芯片、無人駕駛產(chǎn)業(yè)的競爭格局。

返回第一電動網(wǎng)首頁 >