罗恒博士围绕AI计算需求增长带来领域专有架构芯片、自动驾驶软件算法方案、从自动驾驶软件算法方案看对AI芯片的要求、一些设计自动驾驶AI芯片的实践四部分进行了深入解读。
本次专场分为主讲和Q&A两个环节，以下是主讲环节的全程实录：
大家好，很高兴和大家一起探讨地平线在自动驾驶芯片设计方面的一些想法。我是罗恒，2011年博士毕业于上海交通大学，博士期间一直在做深度学习方面的研究，后随图灵奖得主Yoshua Bengio进行博士后研究；2016年加入地平线，做 BPU算法、工具链相关的产品研发工作，先后推动了中国首款边缘AI芯片、首款车规级芯片的诞生。车规级芯片在2020年获得了“第十届吴文俊人工智能专项奖”芯片项目一等奖。
首先，想和大家讲下Jeff Dean在2017年的一张图。这张图解释了AI为什么是可能的。AI有两种算法：一种是传统算法，如上图的紫线部分，随着数据量、模型复杂度的增加，准确度和精度很快达到了饱和，同时传统算法主要依赖于人工设计；另一种算法是机器学习或基于神经网络的算法，这类算法当数据量少、模型小时，可能不如人工设计的算法精度高，但随着数据和计算的增加，它的精度会持续上涨。目前，大多数的AI任务并没有达到饱和，只要数据量越多、模型越大，性能就可能持续提升。
上图纵轴的精度表示一个模型的精度，如果模型能代表一个软件的功能，则可以持续提升软件的功能。例如抖音，它的数据非常容易获取，只需浏览它时就会捕获到数据，而当你不去刷它，则会一直播放当前的内容。这是它在强迫你给一个反馈，然后利用这些反馈在云端进行大量计算来估计你的喜好，而估计你的喜好就是模型的结果，即软件功能本身。当越来越多用户使用抖音时，云端获取计算变得非常容易，就可以持续提升模型的精度，也在持续提升软件功能。
在抖音或其他互联网应用中，由于问题是被充分定义的，所以它们实际上是一个相对简单的任务。但自动驾驶不同，虽然自动驾驶也会用到各种各样的模型，但这些模型无法直接对应到最终的功能。即使能持续提高模型的精度，但能否持续提高自动驾驶的功能仍是一个问题。例如特斯拉，它以端到端的方式不断发展，就是希望能用一个模型，代表软件的功能，然后利用数据与计算持续优化自动驾驶的功能。
自动驾驶是AI计算中的一种，这些年AI计算的需求增长非常快，带来了大量的领域专有架构芯片，它们与以往CPU有明显的区别。但这些AI计算芯片也面临着巨大的挑战，表现在自动驾驶的软件算法方案并没有收敛，即使是在同一家公司，软件算法方案也在持续的迭代、变化。从这些软件算法中也可以看出对AI芯片的需求，而算法本身也在高速演进，然后结合以上这些来看下我们是如何思考、设计自动驾驶AI芯片的。因此，本次讲解内容主要分为以下4个部分：
1. AI计算需求增长带来领域专有架构芯片
2. 自动驾驶软件算法方案
3. 从自动驾驶软件算法方案看对AI芯片的要求
4. 一些设计自动驾驶AI芯片的实践
1
AI计算需求增长带来领域专有架构芯片
上图中的右部分横轴表示时代，2012年AlexNet第一次赢得了ImageNet比赛，并开启了一轮AI热潮的序幕。纵轴表示训练这些模型所需的时间，可以看到呈现出数量级的增长，7年之间对算力的需求增加了6个数量级。但同期的左边图，表示通用计算，即CPU，它的增长速度则在迅速放缓，在摩尔定律发挥作用时，最快每一年半计算性能提升一倍。但现在，已经从每6年翻一倍，增加到每20年翻一倍，所以CPU注定无法提供 AI算力。
当计算需求远远超出摩尔定律和以往人类提升算力、增加计算的速度时，该如何呢？我们发现机器学习和神经网络绝大多数是线性代数的加速运算，而它们相较于一个通用的编程语言，加速的可能性和并行性空间非常大。举一个矩阵乘的例子，如果用 Python运行矩阵乘的速度为1，当利用一个更具机器学习特性的C语言去编写，速度提升了47倍；如果再把一些循环并行起来，能提升到300多倍；如果对存储做一些优化，提升到6000多倍，最后在硬件上对向量的计算增加一些加速指令，则可以提升到6万多倍。从1到6万多倍的提升，就来自于对特定问题的深刻理解。
有了巨大的需求，也有了相应的解决方案，整个行业都开始高歌猛进，朝着 AI专用加速器的方向发展。代表性的产品是2015年谷歌在自有数据中心使用的高度定制化AI推理芯片TPU。2019年，计算需求已经从最早的云端到了自动驾驶领域，特别是特斯拉已经开始使用自有高度定制化的AI推理芯片FSD。同时，2019年全世界已经约有100家组织推出或正在研发AI推理芯片，这个数字到现在可能变得更大。
由于如何设计与如何评估这些芯片是紧密联系在一起的，所以正确的设计/评估这些芯片可以从以下三方面考虑：
- 首先，AI模型在不同的任务、场景中，性能评估目标是不同的；
- 其次，芯片是一个物理的实现，它对成本和功耗限制不同，由于目前只有少量的 AI任务实现收敛，算法本身也在持续迭代；
- 最后，AI算法本身并不是跑得越快越好，不同的算法还存在准确率的问题，要同时考虑到快和准。
把上面三点放在一起充分考虑，能够对设计和评估这些芯片有越来越深刻的认识，就可以在设计中做出取舍。
地平线于2015年6月成立，是中国第一家AI芯片创业公司。地平线的定位是在边缘做 AI芯片，企业定位不同的背后是需求不同。像英伟达、华为、谷歌，它们的整体架构设计，主要面向数据中心，而数据中心往往处理海量数据，需要高吞吐率和限定时间的响应；并且在云端，AI任务种类繁多，基本上各类任务在云端都可以找到；但在云端，任务本身是限定在虚拟世界，是一个封闭的、定义单纯的任务，所以模型加速就是最核心的负载。
相较于数据中心，自动驾驶的需求会非常不同，这些不同的需求也导致了设计上取舍的不同。比如对自动驾驶而言，无论采用什么样的技术路线，有一个事实是无法回避的：处理的数据是流数据，即数据源源不断的通过各种传感器到达车上，这时必须对数据进行马上处理，而且延迟越低越好。延迟越低就越能根据周围的情况作出反应，及时刹车并控制车量，来保证安全。
从设计上来看，我们的芯片和特斯拉FSD，都是面向Batchsize=1去优化的。而 GPU以及其他一些以云为核心业务的公司，设计的AI芯片往往需要比较大的数据量，数据积累比较多，才能把芯片利用率发挥的更好。
2
自动驾驶软件算法方案
对自动驾驶而言，尽管现在有各种各样的传感器，但从计算的角度来看，核心是计算视觉，主要有两个原因：第一个原因是整个物理世界是一个语义的世界，自动驾驶汽车需要识别出前面的交通标志牌、车道线，以及障碍物是普通障碍物，还是随时会动的障碍物，这都是语义的问题，不可能通过视觉以外的其他方案得到解决；第二个原因是视觉能够带来最大量的数据，其他传感器每秒获得数据量比摄像头获得的数据相差了许多数量级。同时，由于软件算法在持续重构中，往往需要不同的方案设计，因此需要不同的加速方式，所以要充分考虑AI加速与CPU、GPU、 DSP的协调。在车上，成本、散热和云端也有完全不同的限制，由于车和人的生命安全相关，所以对它的可靠性要求也高。
下面从需求侧来看自动驾驶软件算法的挑战。首先是技术路线，在纯视觉方案中，主要以特斯拉为主。他们认为视觉能够提供了最大的冗余，而激光雷达或其他传感器提供的数据量很少，所以容易出现问题，但视觉数据量非常大，模型的健壮性非常好。在多类传感器融合的方案中，像国内的华为、小鹏等。除此之外，像 Mobileye，它希望能有两套感知系统来做冗余，当两套感知系统之间的相关性非常低时，就能极大提高整个系统的安全性。
从行业上来看，即使是一家公司，软件算法方案也在持续变化，典型的例子是特斯拉。刚开始特斯拉使用Mobileye的方案来解决自动驾驶问题，之后开始自研算法转向使用 NVIDIA GPU，进一步发现 NVIDIA GPU无论在功耗、算力、成本上都无法满足需求，之后自研了FSD芯片，并于2019年投入使用。
无论是放弃Mobileye，还是转向 NVIDIA，或是自研FSD芯片，每一次硬件的大幅改变，也会带来软件算法的大幅改变。去年特斯拉放弃了Radar，等于完全使用神经网络模型估计物体距离、加速度，这又是一次对软件算法的改变。再到去年的AI Day，多个摄像头的视频直接输入到模型里，然后通过模型最终输出时，已经是时空一致的结果。最近马斯克接受采访时表示，特斯拉已经完成了从视觉到向量空间的完整映射。
通过上面可以看出，当设计一个自动驾驶AI芯片时，首先要对未来算法软件发展方向做积极估计，同时也要尊重客户对不同方案的尝试，所以需要在这些趋势中找大方向，找主要矛盾。
3
从自动驾驶软件算法方案看对AI芯片的要求
回到算法本身，算法也在迅速变化，而且算法的很多变化可能会对芯片设计带来一些致命的影响。像WaveNet，它的技术核心是把文本转换成人一样的语音技术，2016年由谷歌发明。刚出现时，这个算法对计算量的需求非常大，无法实时完成计算，也无法实时与人进行交互。当WaveNet算法做出了一些优化，计算效率提升了1000倍，这时GPU可以20倍实时运行，谷歌马上就把它产品化，并放在谷歌助手中。但这个算法只能在云端用，无法在端侧的AIoT场景使用。
这时谷歌公司想根据当时的WaveNet算法开发一个加速芯片，但2018年算法又一次演进，有数百倍的性能提升，这使得手机CPU能够运行WaveNet。而一个芯片的研发周期很长，芯片的研发一直到2019年才完成，后续也没有听到这个芯片的量产情况。这是一个极端的例子，所以想提醒的是算法在持续变化，我们需要对未来做判断。
我们最关心的是视觉，视觉中最重要的是卷积神经网络。卷积神经网络从上世纪90年代诞生到现在，总体发展不像WaveNet那么快。人们看到的是一张图，而机器看到的是一个矩阵，矩阵里面的像素点表示像素强度、多个Channel 、RGB等。卷积的运算是把输入图像转化为一张可以被机器理解的图，在整个卷积神经网络运算的过程中，分辨率在不断下降，Channel数在不断增多，本质上是不断的看图像更大范围，然后把更大范围用一个点来表示，即把图像高度抽象化，并从不同层面解释这张图。
目前，卷积神经网络对于AI、自动驾驶是一个最重要的模型。特斯拉公开表示，它的模型中卷积的计算量占比达到了98%。卷积的计算过程是利用卷积核中的一组参数，这组参数会扫过图像中的每一个像素点，然后把输入值和参数值点对点相乘，之后累加相乘得到最后的结果。尽管它是一个很简单的计算，但由于卷积本身有各种变形，网络结构在深度、宽度等各方面也做变形，卷积层之间也有不同的连接方式，以及使用各种各样的激活函数，因此可以产生了各种各样的卷积神经网络。
如上图右边所示，每个圈代表一个卷积神经网络，横轴表示卷积神经网络需要多少计算量，纵轴表示精度，圈表示模型参数量。因此可以看到这些模型的表现完全不同，比如最右面的两个大圈，它们的精度可能刚过70%，但它们所需的计算量和其他网络有很大差别，也就是当硬件对所有网络加速完全一致时，得到同样的精度，使用右边模型需要10倍的时间。
而这一时期整个学术界纷纷转向ImageNet，算法精度也随之不断提高。除了右边两个绿圈比较特殊之外，通常随着计算量的增加，精度也在不断上升。而到实际工作中也会面临这样的问题：需要在速度和精度之间找一个折中，这个时期怎么用一个更大的网络得到更好的精度，可以考虑一些专家设计的网络扩展方法。
对于神经网络来说，给它更多的数据和计算，准确性就会迅速提升。从2012年AlexNet第一次参加ImageNet开始，到2017年比赛最后一界，卷积神经网络的精度已经非常高。这时开始寻找在同样的精度下，如何去减少计算，提升模型的效率，出现了一系列有代表性的模型：SqueezeNet、MobileNet、ShuffleNet。这时也出现了卷积神经网络产生以来最重要的一次变化：Depthwise Convolution。另外一个变化是需要在模型的计算量和精度上找折中的方式，这时可以开始在小范围内开始寻找，并使用一些自动化的搜索。
2019年，随着EfficientNet的出现，我们认为卷积神经网络结构的演进暂时进入一个平缓发展的阶段。为什么？因为在卷积发展的二十几年中，出现了Depthwise Convolution，而传统算法都是人工设计的模型结构，再到机器设计的模型结构，这也是一个大的变化。这两个大的变化被很好的结合在EfficientNet中，由此我们认为卷积出现新变化的可能性比较少。这个观点在2019年EfficientNet发表时，我们就已经是看到了，到目前为止，这个观点依旧可靠。
接下来是 Transformer，Transformer实际上是一个非常特别的神经网络，卷积神经网络通过一层一层的卷积，并经过很深的层数后，在feature map上的一个点，可以看见原图一个更大的区域。以识别建筑物为例，如果想识别出建筑物，不仅仅需要看到有窗户，可能还需要看到房顶、天空、地面之间的关系，它们之间是一个长距离的相关性。当天空、草地、窗户等同时符合一定的空间规律时，才能定义这是一个建筑物或庄园。
Transformer来自于自然语言处理，机制是从输入一开始就计算任意两点之间的相关性，即每一层计算都可以直接计算很长距离之间的两两相性，这个能力是CNN不具备的，而它对于理解图像很关键。因此， Transformer在实际应用中也表现了巨大的潜力，但仍存在一个问题：Transformer在视觉任务中很难定义基本单元是什么。基本单元可以很大，也可以很小，像高分辨率语义分割中，基本单元可以是像素级别，而在做一些物体识别时，基本单元可以是车、行人等大的物体。
Transformer在计算任意两点之间的相关性时，会产生非常大的计算量。如果不计算点和点之间的相关性，而是限制计算patch和patch之间的相关性，如果patch设置太大，一些精细的相关性会被忽略，如果patch设置太小，计算量又太大。Transformer等类似工作采取的方式是限制计算相关性的范围，即限制 Self-Attention的范围，无需与全图计算相关性，只需与一些局部进行计算。好处是计算效率得到了保障，坏处则是 Transformer相对于CNN最大的特别性受到了限制，而这个限制一定程度上受限于GPU，因为在很远距离两两计算的计算架构上，GPU不太友好。
总之， Transformer相对于卷积神经网络有全新的特性，但这个全新的特性并没有很好的发挥出来，所以短期之内还是以卷积神经网络为主，Transformer则提供一些特殊的作用。比如特斯拉，它需要把多路摄像头的视频最终融合到一起，得到一个完整的向量空间表示，而对于不同摄像头数据输入到模型之后的特征融合，使用 Transformer是一种非常好的方法。
那过去设计的芯片是否无法使用呢？Transformer本质上大部分计算依然是矩阵乘，所以现有的AI芯片都可以对它进行加速。而真正挑战则是各种 local attention的方式，这对于灵活的数据存取有挑战。
上面介绍了许多外部的需求，当真正有了芯片之后，该如何评估芯片的性能？如何设计它？这通常是一个峰值算力的问题。但仅凭峰值算力还无法真正体现芯片性能。像上图，两个AI加速器的峰值算力相差几倍，但在不同模型中实际运行时，结果有时差不多，有时差距很大。所以，一个大算力芯片不一定跑得很快，而一个小算力芯片不一定跑得很慢。它们受加速器架构、 DDR带宽、编译器优化策略、模型架构、输入大小与对齐情况等各方面的影响。
当计算这么多的模型时，如果知道哪个模型最重要，这个问题会变得比较简单。对自动驾驶而言，什么样的视觉任务最重要呢？自动驾驶的核心是识别周围有哪些物体、它们是什么、它们的属性是什么、与车辆的距离如何，也需要识别一些小物体，即识别远处的物体，所以核心负载是一个高分辨率的物体检测问题。同时，数据是流数据，即数据需要马上要处理，所以它也是一个Batchsize=1的高分辨率物体检测。
选用在COCO数据集上运行各种各样的算法，无论是在我们的芯片上，还是在GPU上，EffcientNet在同样精度下都能达到最快的速度。尽管 GPU对EffcientNet的支持并不友好，但是EffcientNet使用的计算量仍比ResNet少七、八倍。
上图是评估的结果，横轴表示帧率，纵轴表示精度。橙色的线表示在Xavier上运行的结果，可以看到在相对精度比较高时，Xavier能够提供的帧率非常低，但在实际应用中，精度还需要更高，另外需要处理多路的摄像头，而多路摄像头的分辨率往往比COCO还高，这也是为什么Xavier无法很好的支持自动驾驶方案，也是为什么特斯拉要自研芯片。
黄色线是我们估计出来的Orin结果，这里的估计方法一方面结合NVIDIA对Orin算力的公开信息，以及对Orin相对Xavier能力提升的描述；另外一方面根据NVIDIA RTX3090，因为NVIDIA RTX3090与Orin都使用安培架构，我们会从中对利用率做一些调整。从总体评估结果来看，我们的AI芯片相对于Orin提升是非常明显的。如果把不同精度下的帧率平均，大约是Orin的两倍；功耗上看，我们的芯片只有20瓦，Orin的功耗是65瓦；从能效上来看，我们有6倍多的提升。
4
一些设计自动驾驶AI芯片的实践
那怎么设计AI芯片呢？地平线是一家算法基因的公司，与别家企业做AI芯片的最大不同是我们认为算法是动态的、不断变化的，我们随时都在预估未来的趋势，同时我们又是一家芯片公司，并不仅仅看算法本身，更看重算法对计算架构的影响，这也使得在Depthwise Convolution刚推出时，能够迅速的关注到它。仅从算法的表现来看，Depthwise是最核心的计算单元发生改变。如果结合到芯片，可以发现它对计算的需求很不同。
2019年，学术界对AlexNet、GoogleNet和MobileNet三类的模型做了分析，如上图所示，横轴的不同点表示三个模型，纵轴是数据复用的情况。数据复用率越高时，对模型加速带宽要求是不同的。从上图可以看到MobileNet和其他两个模型是非常不同的，有两个数量级的差别，这些不同是会显著影响计算架构。
因为有算法背景，并关注算法发展趋势，所以我们是结合计算来看算法，因此能够在第一时间识别出哪些方面对计算架构有重大的影响，而且它有可能变为未来非常高效率的算法。同时，地平线也是一家软硬结合的公司，不会仅仅满足在软件算法层面上的探讨，也会把它做进硬件，使得芯片效率最大化。
软件算法层面上，在2017年7月，我们发现当模型非常小时，精度的损失很大，因此我们设计了一套量化训练算法，利用量化训练解决Depthwise模型的精度问题，并申请了专利。而学术界到2019年，谷歌才推出相应的量化算法。现在我们的算法、硬件架构又在朝前演进，对于这类模型只需利用浮点模型转换。我们在工具链方面已经支持了100多家的客户，精度问题上也表现得很好。
同时，还有一些其他的考虑，比如Kernel Size，由于在传统卷积中扩大Kernel Size代价很高，但在Depthwise卷积中的计算量非常小，所以这种情况下，扩大Kernel Size代价非常低。根据在软件算法层面上的验证，我们做了FPGA上车实测，并把软件算法方案放进去，最终在2019年获得了CES创新奖。
下面回到自动驾驶场景本身。尽管技术路线、软件算法方案的演进各不相同，但也存在一些共性，像全数据链路考虑、精度和性能的折中、多模型的灵活调度等。除此之外，像自动驾驶要求检测精度很高，在评估软硬件算法方案时，IoU=0.9；当需要把远处的物体检测出来实现小物体检测时，要有高分辨率的输入；还有一些稳定性、高优先级任务抢占的要求等。同时，像一些语义分割任务，涉及许多高分辨率的输出，对带宽压力很大，需要对带宽要做压缩。此外，当自动驾驶为了适应光线强度的大幅变化时，需要融合激光雷达数据。有时还想使用ISP，但是不想要ISP的长延时，需要当ISP处理一部分时，BPU、AI加速提前启动，双方从overlap中往前走，这些都是我们的设计。
根据上面的内容可知，我们需要在一个更大的空间去设计AI芯片，具体做怎样做呢？我们经历了两个阶段，第一个阶段如上图左边所示，一半是硬件，一半是软件，我们希望把硬件和软件联合起来考虑。那怎么把它们结合起来呢？以前公司有几个团队，在右边工作的是软件团队、算法团队、编译器团队，软件团队主要看整体软件方案该怎样调度，各方面的性能瓶颈如何；算法团队主要看整个算法的发展趋势如何，有哪些可能性需要考虑；编译器团队在软件算法方案确定之后，进一步的分析数据复用的情况，对数据计算并行等做分析。
有了这些分析后，可以把更细节的要求给到硬件团队，然后硬件团队结合这些细节要求做指令级的设计、做加速器的设计、做存储的设计。同时，硬件团队在设计过程中又会提出一些新的限制，随后软件团队再去思考双方如何配合，哪些是硬件团队做，哪些是软件团队做，如何既保持很高的效率，又保持未来的灵活性。
经过五六年的合作演化，从原来人和人之间的合作，慢慢变成现在的一些流程和工具，目前主要是上图右边的方式，软件算法团队主要工作在Benchmark，他们定义了哪些Benchmark是需要测试的。目前，主要集中在模型层面，而更加完整的方案还在持续的向前推进。
Model Performance Analysis Tool层可以理解为一个简单的模拟器，也就是编译器团队以往人工的工作，现在变成了一个工具。编译器团队不再直接在一个个模型上工作，只要把工具做好，所有模型结果都可以得到。而它会得到两个内容，一个是硬件给它的各种限制，像硬件的各种配置、各种特性。有了这些之后，可以生成一个指令序列，这个指令序列在BPU Architecture Modeling的建模工具里，它一方面可以直接用一些高阶综合的方式得到功耗面积，另一方面利用这些指令流可以估计出性能。同时，Model Performance Analysis Tool模拟器也可以估计出性能和精度。
当有了这样一个工具，好处在于可以把Benchmark做得很大，而工程师们不再面向一个模型工作，而是面向一个工具工作。架构设计团队也可以有更多的选择，这些选择都是在少量编码的情况下，在更大的空间上完成各种软硬件的结合方案。
以上是我们设计AI芯片不同地方，一方面从需求、软件算法方案、算法演进出发，另一方面把软件、硬件充分结合，来联合优化目标。
