隨著我們邁入自動駕駛車輛（AVs）的時(shí)代，這些車輛在安全性和效率方面帶來了諸多正面影響。據(jù)美國交通部報(bào)道，超過90%的事故是由駕駛員錯(cuò)誤造成的，且交通擁堵導(dǎo)致每個(gè)人每年損失51小時(shí)。加州大學(xué)伯克利分校的研究表明，自動駕駛車輛能至少減少42%的交通流量，顯著降低由人為錯(cuò)誤帶來的風(fēng)險(xiǎn)，因此，對具備自動駕駛能力的車輛的需求正在迅速增長。

為了實(shí)現(xiàn)這些好處，這類車輛必須能精確地實(shí)時(shí)感知周圍環(huán)境——不論在任何條件下。這需要汽車具備高性能計(jì)算能力。

為了讓自動駕駛車輛擁有類似人類的理解能力，需要利用大量的傳感功能。這些傳感器包括多個(gè)高分辨率攝像頭、雷達(dá)、激光雷達(dá)等，共同生成大量必須實(shí)時(shí)處理的數(shù)據(jù)。為了迅速解讀這些信息，并留出足夠的時(shí)間進(jìn)行路徑規(guī)劃和控制生成，AV系統(tǒng)必須具備高性能計(jì)算能力。

隨著駕駛車輛自動化的勢頭增強(qiáng)，我們還經(jīng)歷了從傳統(tǒng)內(nèi)燃機(jī)到電動汽車（EVs）的轉(zhuǎn)變。汽車電池的幾個(gè)主要需求包括動力總成、空調(diào)、信息娛樂系統(tǒng)、內(nèi)部燈光以及前/后燈。隨著向電動汽車的轉(zhuǎn)變，駕駛里程完全依賴于電池容量，而這是一種寶貴的資源。

然而，傳統(tǒng)上，高性能計(jì)算與功耗之間存在著反比關(guān)系。鑒于自動駕駛系統(tǒng)對高性能計(jì)算的需求，像顯卡（GPUs）這樣的傳統(tǒng)解決方案會大量消耗電池，從而顯著影響續(xù)航里程。

在兩輛相同的車輛中——一輛配備了通用自動駕駛計(jì)算解決方案，另一輛配備了為自動駕駛專門設(shè)計(jì)的計(jì)算解決方案，前者犧牲的續(xù)航里程明顯更高。

通用的自動駕駛解決方案需要消耗數(shù)百瓦的電力來處理高分辨率傳感器輸入。然而，專門為自動駕駛設(shè)計(jì)的平臺僅消耗略高于100瓦的電力執(zhí)行同樣的功能。

在汽車的使用壽命期間，當(dāng)前實(shí)施方案的高功耗增加了消費(fèi)者的成本，并對環(huán)境造成了更大的破壞。因此，對于計(jì)算系統(tǒng)來說，除了需要巨大的處理性能，低功耗也至關(guān)重要。

減少對電池容量的需求可以實(shí)現(xiàn)更高的駕駛范圍、更小的電池重量和更低的整體系統(tǒng)成本。這導(dǎo)致從制造商到消費(fèi)者，每一層面的效率都有所提升。如今，像耗電的GPUs這樣的解決方案仍在使用中。相比于重用舊技術(shù)解決新問題，汽車制造商可以采用為實(shí)現(xiàn)車輛自主性能而特別構(gòu)建的解決方案。這種解決方案需要從基礎(chǔ)上創(chuàng)新計(jì)算方式。如通過優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，可以在結(jié)果質(zhì)量幾乎不受影響的情況下實(shí)現(xiàn)巨大的性能提升。

另一個(gè)提高計(jì)算效率的方法是嚴(yán)格使用“片上”內(nèi)存。然而，人工智能模型通常很大，迫使其他解決方案和方法使用片外（外部）內(nèi)存，這會帶來不利的功耗和延遲。通過集群算法創(chuàng)新，實(shí)現(xiàn)所有參數(shù)（權(quán)重）“片上”存儲。這允許我們的解決方案處理最大的網(wǎng)絡(luò)而不需要外部內(nèi)存。

實(shí)現(xiàn)全自動車輛所面臨的電池容量挑戰(zhàn)之一是：如何處理來自各種源頭的大量感測數(shù)據(jù)，并將相關(guān)神經(jīng)網(wǎng)絡(luò)處理應(yīng)用上，同時(shí)保持小功耗足跡和最小延遲。這也是整個(gè)電動汽車行業(yè)遲早要面對的挑戰(zhàn)。