雷鋒網按：本文作者李星宇， 地平線智能駕駛商務總監。 畢業于南京航空航太大學， 獲得了自動化學院測試儀器及儀錶專業的學士和碩士學位；曾任飛思卡爾應用處理器汽車業務市場經理， 原士蘭微電⼦安全技術專家， 有13年半導體行業從業經驗。 在加入飛思卡爾的早期， 任職於i.MX應用處理器研發團隊， 在該領域取得一項NAND Flash存儲應用美國專利。 在士蘭微電子負責安全晶片的公開金鑰加密引擎設計， 該引擎的RSA/ECC加解密性能處於國內領先水準。
晶片業老大Intel收購ADAS業界龍頭Mobileye， 一石激起千層浪！這一重塑行業競爭態勢的收購大案背後， 折射出怎樣的行業趨勢？
演算法+晶片成為通往人工智慧未來的關鍵路徑
憑藉十幾年的積累， Mobileye在ADAS演算法方面的成熟度， 無人望其項背， 所以即使Mobileye制訂了苛刻的排他性商業條款， 眾客戶也只能忍氣吞聲。
Intel在處理器制程、產能方面也有絕對的優勢，
但面對自動駕駛的未來， 無論Intel還是Mobileye， 都不是無懈可擊的。
2016年， Mobileye和意法半導體高調宣佈， 將合作研發Mobileye第五代SoC晶片——EyeQ5， 作為2020年實現全自動駕駛(FAD)的處理器平臺， 預計在2018年上半年可提供EyeQ5的工程樣品。 但在晶片業界看來， 這無疑破壞了行規：按照通常做法， 至少要等晶片樣品出來之後才能宣佈， 而Mobileye提前近兩年宣佈， 一度被圈內人笑稱PPT造芯。
尷尬的背後， 凸顯的是Mobileye在高性能計算晶片設計方面的實力不足， 畢竟和Intel、NXP、NVIDIA等一眾資深玩家比起來，
目前的人工智慧商業化應用， 絕大部分還集中在雲端， 而不是嵌入式領域， 其主要原因就在於目前基於GPU的系統售價高昂。 但汽車其實是一個對成本極度敏感的行業， GPU不菲的售價已經成為量產的關鍵制約因素， 此外， 其較大的發熱量也對長期工作穩定性帶來挑戰。 如果不能以經濟的成本實現人工智慧， 那麼自動駕駛的普及就依然遙不可及。
FPGA被越來越多的公司使用， 其計算構架可重構特性能滿足深度學習對於專有計算構架的需求， 這是Intel收購FPGA巨頭Altera的重要原因：靈活、可快速部署。
↑ 被收購於Intel的Altera晶片
但FPGA再往上走， 計算資源的擴展會讓成本上升到很難接受的地步， 於是就會輪到ASIC出場了。 半導體業界無數的歷史都表明， FPGA往往是定制化ASIC的前哨站。 一旦某個應用的量足夠大， 定制化ASIC就會變得更經濟。
Intel已經制定了相關的路線圖， 對於Mobileye的收購， 補齊了其戰略拼圖中缺失的一塊：演算法以及對應的專用演算法處理器IP的設計經驗。
將演算法和晶片進行協同設計， 可以輕易地獲得超過10倍的性能提升、10倍的功耗下降和10倍的成本下降， 並且縮短了客戶導入時間， 由此獲得的商業競爭優勢， 想想就覺得恐怖。
同時掌握演算法與晶片， 已經成為通往人工智慧未來的關鍵路徑。
演算法與晶片深度整合非一日之功
雖然NVIDIA是人工智慧計算平臺的領導者， 但一個引人深思的事實是， 一開始並非NVIDIA選擇了人工智慧， 而是人工智慧的研究者選擇了GPU， 進而成就了NVIDIA。
在2012年， Alex利用深度學習+GPU的方案， 一舉贏得ImageNetLSVRC-2010圖像識別大賽， 並奇跡般地將識別成功率從74%提升到85%。 NVIDIA敏銳地覺察到了這一趨勢， 並大力優化基於GPU的深度學習生態系統， 並加速反覆運算開發，三年時間將GPU性能提升了65倍，從而奠定了目前的王者之位。
在GPU設計之初，並非針對深度學習，而是圖形加速，在NVIDIA推出CUDA架構之前，GPU並無太強對深度學習運算能力的支援。而如今，NVIDIA可以提供基於其GPU的從後端模型訓練到前端推理應用的全套深度學習解決方案，一般的開發人員都可以非常容易地上手使用GPU進行深度學習開發，或者高性能運算。而CUDA架構的開發，耗費了NVIDIA巨大的人力物力。
可以說，是CUDA這個中間層（computing framework）的優化，才使得開發者真正愛上了GPU，NVIDIA勝在軟體。而CUDA還不能稱之為演算法，它只是計算硬體與演算法之間的橋樑。
演算法的優化更是絕非易事，目前頂尖的人工智慧演算法人才都是厚積薄發的，板凳坐得十年冷，在人工智慧的春天到來之前，他們憑藉艱難努力和頑強的意志熬過漫漫寒冬。
更難的是，你很難找到既懂得演算法，又懂得計算構架的開發人員。如果他們分別來自兩家公司，那麼溝通的時間成本是巨大的，溝通的效率也相當地低。
演算法和晶片的協同設計，需要極深的整合和優化功力，Intel缺乏針對演算法設計晶片的人才,而Mobileye也難以在短時間內提升車規級高性能處理器設計能力。毫無疑問，將兩者整合到同一家公司進行開發，是最優路徑。
在過去，Intel也在努力加強其在人工智慧演算法方面的積累，對Nervana和Movidius的收購反映了這一點，並且提供了面向深度學習優化的數學函式程式庫（MKL）。
但遠水解不了近渴，自動駕駛需要極高的系統可靠性，這意味著你需要時間。而當下的競爭態勢已呈白熱化態勢，時不我待，在商業競爭中，快人一步就意味著贏者通吃，彌補短板往往不如發揮長處，在高通、NVIDIA、NXP等巨頭虎視眈眈的情況下，Intel與Mobileye的整合，無疑是一個強強聯手的絕佳組合。
從本質上講，購買Mobileye，就是買時間優勢。
佈局自動駕駛全產業鏈，加速產業化進程
Intel去年成立自動駕駛事業部（ADG），宣佈與寶馬合作、收購高精地圖供應商Here 15%的股份，到如今收購Mobileye, 可以直接獲得其已經極為穩固的客戶群，成為其殺入自動駕駛行業最穩固的基石。加上其在雲計算平臺方面的扎實基礎，以及積極投入5G研發，Intel佈局自動駕駛全產業鏈的宏大計畫，正逐漸浮出水面。這個統治了PC行業數十年的巨頭，在錯失了移動互聯網時代之後，重裝出擊，在自動駕駛的時代能否上演王者歸來，值得期待。
結語
圖靈獎獲得者Alan Kay，曾經說過：如果你要嚴肅地思考你的軟體，就必須做你自己的硬體。Intel對於Mobileye重磅收購案，再次為這一論斷加上了濃墨重彩的一筆。
如果說過去是演算法根據晶片進行優化設計的時代，那麼Intel對於Mobileye收購，預示著一個新時代的到來：演算法和晶片協同進化的時代。已經有一批先知先覺者在行動，Google自己已經開發了TPU，用於CNN加速。地平線也在開發BPU，結合高度優化的的深度學習演算法構架，打造核心競爭力。
誰能同時掌握演算法和晶片，誰就能在產業化方面獲得巨大的競爭優勢，最終贏得這個人工智慧無處不在的時代。
並加速反覆運算開發，三年時間將GPU性能提升了65倍，從而奠定了目前的王者之位。在GPU設計之初，並非針對深度學習，而是圖形加速，在NVIDIA推出CUDA架構之前，GPU並無太強對深度學習運算能力的支援。而如今，NVIDIA可以提供基於其GPU的從後端模型訓練到前端推理應用的全套深度學習解決方案，一般的開發人員都可以非常容易地上手使用GPU進行深度學習開發，或者高性能運算。而CUDA架構的開發，耗費了NVIDIA巨大的人力物力。
可以說，是CUDA這個中間層（computing framework）的優化，才使得開發者真正愛上了GPU，NVIDIA勝在軟體。而CUDA還不能稱之為演算法，它只是計算硬體與演算法之間的橋樑。
演算法的優化更是絕非易事，目前頂尖的人工智慧演算法人才都是厚積薄發的，板凳坐得十年冷，在人工智慧的春天到來之前，他們憑藉艱難努力和頑強的意志熬過漫漫寒冬。
更難的是，你很難找到既懂得演算法，又懂得計算構架的開發人員。如果他們分別來自兩家公司，那麼溝通的時間成本是巨大的，溝通的效率也相當地低。
演算法和晶片的協同設計，需要極深的整合和優化功力，Intel缺乏針對演算法設計晶片的人才,而Mobileye也難以在短時間內提升車規級高性能處理器設計能力。毫無疑問，將兩者整合到同一家公司進行開發，是最優路徑。
在過去，Intel也在努力加強其在人工智慧演算法方面的積累，對Nervana和Movidius的收購反映了這一點，並且提供了面向深度學習優化的數學函式程式庫（MKL）。
但遠水解不了近渴，自動駕駛需要極高的系統可靠性，這意味著你需要時間。而當下的競爭態勢已呈白熱化態勢，時不我待，在商業競爭中，快人一步就意味著贏者通吃，彌補短板往往不如發揮長處，在高通、NVIDIA、NXP等巨頭虎視眈眈的情況下，Intel與Mobileye的整合，無疑是一個強強聯手的絕佳組合。
從本質上講，購買Mobileye，就是買時間優勢。
佈局自動駕駛全產業鏈，加速產業化進程
Intel去年成立自動駕駛事業部（ADG），宣佈與寶馬合作、收購高精地圖供應商Here 15%的股份，到如今收購Mobileye, 可以直接獲得其已經極為穩固的客戶群，成為其殺入自動駕駛行業最穩固的基石。加上其在雲計算平臺方面的扎實基礎，以及積極投入5G研發，Intel佈局自動駕駛全產業鏈的宏大計畫，正逐漸浮出水面。這個統治了PC行業數十年的巨頭，在錯失了移動互聯網時代之後，重裝出擊，在自動駕駛的時代能否上演王者歸來，值得期待。
結語
圖靈獎獲得者Alan Kay，曾經說過：如果你要嚴肅地思考你的軟體，就必須做你自己的硬體。Intel對於Mobileye重磅收購案，再次為這一論斷加上了濃墨重彩的一筆。
如果說過去是演算法根據晶片進行優化設計的時代，那麼Intel對於Mobileye收購，預示著一個新時代的到來：演算法和晶片協同進化的時代。已經有一批先知先覺者在行動，Google自己已經開發了TPU，用於CNN加速。地平線也在開發BPU，結合高度優化的的深度學習演算法構架，打造核心競爭力。
誰能同時掌握演算法和晶片，誰就能在產業化方面獲得巨大的競爭優勢，最終贏得這個人工智慧無處不在的時代。