自动驾驶

• 首先是核心算法，怎么去通过人工智能的算法（包括增强学习、深度学习以及基于规则）去打造这样一个算法平台；

• 其次，怎么样去设计一个硬件处理器的架构，使得能够去高效的支撑这样一个计算。

因为我们知道，面向自动驾驶每一天我们要处理大概 4-10 个 TB 的数据，一天里面我们 2000 辆自动驾驶的汽车，他所处理的数据比整个百度搜索引擎检索的数据量还要大，所以未来面向自动驾驶真正的是大数据的问题、大数据的时代，我们需要有全新的思路去思考他的软件算法，全新的思路去定义这个硬件架构，就是他的核心处理器。

这样一个自动驾驶的汽车，考虑它的计算，不仅仅是算法和处理器，其实也包括在云端去做这种大数据的计算，还包括在云端去做大规模的仿真，未来大量的测试实际上是在仿真平台上面去实现。所以，我们定义我们自己的核心角色是一个技术平台的供应商，我们的支点主要是三个：第一是算法，第二是芯片，第三是云。

运用于自动驾驶的芯片架构主要有4种：CPU、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路），那么这几中芯片架构都有什么区别呢？

GPU：是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，如名字一样，图形处理器，GPU善于处理图像领域的运算加速。但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。

FPGA：和GPU相反，FPGA适用于多指令，单数据流的分析，因此常用于预测阶段，如云端。FPGA是用硬件实现软件算法，因此在实现复杂算法方面有一定的难度，缺点是价格比较高。将FPGA和GPU对比发现，一是缺少内存和控制所带来的存储和读取部分，速度更快。二是因为缺少读取的作用，所以功耗低，劣势是运算量并不是很大。结合CPU和GPU各自的优势，有一种解决方案就是异构，如GPU+FPGA。

ASIC芯片：是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的TPU、寒武纪的GPU，地平线的BPU都属于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，与CPU和GPU相比，TPU把控制缩小了，因此减少了芯片的面积，降低了功耗。

其实总的来说，它们各具特点，CPU的数据处理能力弱；GPU的功耗大，散热高；FPGA比GPU的功耗低，但相对于ASIC，一次性成本较高；ASIC的体积小、功耗低、计算性能及效率高，但开发周期长，初期成本高。