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。