摩爾定律放緩 靠啥提升AI晶片運算力?
作者 : 黃燁鋒,EE Times China
2021-07-26
對於電子科技革命的即將終結的說法,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的,但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……
人工智慧(AI)的技術發展,被很多人形容為第四次科技革命。前三次科技革命,分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭,比如有人說第四次科技革命是生物技術革命,還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術,而且作為資訊技術的組成部分,卻又獨立於資訊技術,即表示它有獨到之處。
電子科技革命的即將終結,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有,但這波革命始終也沒有結束。
AI技術本質上仍然是第三次科技革命的延續,它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度,那麼這個領域自然就不可小覷,就像當年GPU出現專門為圖形運算服務一樣。
所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現,很大程度上也是因為摩爾定律的發展進入緩慢期:電晶體的尺寸縮減速度,已經無法滿足需求,所以就必須有某種專用架構(DSA)出現,以快速提升晶片效率,也才有了專門的AI晶片。
另一方面,摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期,電晶體製程進步為晶片帶來了相當大的助益,那是「happy scaling down」的時代——CPU、GPU都是這個時代受益,不過Dennard Scaling早在45nm時期就失效了。
AI晶片作為第三大類處理器,在這波發展中沒有趕上happy scaling down的好時機。與此同時,AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節,燧原科技創始人暨CEO趙立東說:「現在訓練的GPT-3模型有1750億參數,接近人腦神經元數量,我以為這是最大的模型了,要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題,說最大模型超過萬億參數,又是10倍。」
英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說:「前兩年用GPU訓練一個大規模的深度學習模型,其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪,以及提供運算力的AI晶片不夠高效。
不過作為產業的底層驅動力,半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到,針對這個問題的一些前瞻性解決方案——有些已經實現,有些則可能有待時代驗證。
XPU、摩爾定律和異質整合
「電腦產業中的貝爾定律,是說能效每提高1,000倍,就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說,「若每瓦功耗只能支撐1KOPS的運算,當時的這種運算形態是超算;到了智慧型手機時代,能效就提高到每瓦1TOPS;未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求,如果依然沿著CMOS這條路去走,當然可以,但會比較艱辛。」
針對性能和效率提升,除了尺寸微縮,半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化,以及處理架構的革新。
(1)AI晶片本身其實就是對處理器架構的革新,從運算架構的層面來看,針對不同的應用方向造不同架構的處理器是常規,更專用的處理器能促成效率和性能的成倍增長,而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU,即AI處理器),乃至更專用的ASIC出現,都是這類思路。
CPU、GPU、NPU、FPGA等不同類型的晶片各司其職,Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情,「整合起來各取所需,用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類,Core CPU、Xe GPU,以及透過收購獲得的AI晶片Habana等。
另外針對不同類型的晶片,可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令,本質上是特別針對深度學習做加強。「專用」的不一定是處理器,也可以是處理器內的某些特定單元,甚至固定功能單元,就好像GPU中加入專用的光線追蹤單元一樣,這是當代處理器普遍都在做的一件事。
(2)從電晶體、晶片結構層面來看,電晶體的尺寸現在仍然在縮減過程中,只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降,需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後,電晶體變為FinFET結構,在3nm之後,電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET),其本質都是電晶體本身充分利用Z軸,來實現微縮性能的提升。
劉明認為,「除了基礎元件的變革,IC現在的發展還是比較多元化,包括新材料的引進、元件結構革新,也包括微影技術。長期賴以微縮的基本手段,現在也在發生巨大的變化,特別是未來3D的異質整合。這些多元技術的協同發展,都為晶片整體性能提升帶來了很好的增益。」
他並指出,「從電晶體級、到晶圓級,再到晶片堆疊、引線接合(lead bonding),精準度從毫米向奈米演進,互連密度大大提升。」從晶圓/裸晶的層面來看,則是眾所周知的朝more than moore’s law這樣的路線發展,比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮,來彈性擴展性能的方案。
台積電和Intel這兩年都在大推將不同類型的裸晶,異質整合的技術。2.5D封裝方案典型如台積電的CoWoS,Intel的EMIB,而在3D堆疊上,Intel的Core LakeField晶片就是用3D Foveros方案,將不同的裸晶疊在一起,甚至可以實現兩片運算裸晶的堆疊、互連。
之前的文章也提到過AMD剛發佈的3D V-Cache,將CPU的L3 cache裸晶疊在運算裸晶上方,將處理器的L3 cache大小增大至192MB,對儲存敏感延遲應用的性能提升。相比Intel,台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連,而不是micro-bump,做到更小的打線間距,以及晶片之間數十倍通訊性能和效率提升。
這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面,即新材料的導入專家們沒有在論壇上多說,本文也略過不談。
1,000倍的性能提升
劉明談到,當電晶體微縮的空間沒有那麼大的時候,產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market,理論上應該也屬於成本的一部分。
電晶體微縮方案失效以後,「多元化的技術變革,依然會讓IC性能得到進一步的提升。」劉明說,「根據預測,這些技術即使不再做尺寸微縮,也會讓IC的晶片性能做到500~1,000倍的提升,到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進;單裸晶儲存容量變得越來越大,IC依然會為產業發展提供基礎。」
500~1,000倍的預測來自DARPA,感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應,而且有更實際的工程問題待解決,比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。
不過1,000倍的性能提升,的確說明摩爾定律的終結並不能代表第三次科技革命的終結,而且還有相當大的發展空間。尤其本文談的主要是AI晶片,而不是更具通用性的CPU。
矽光、記憶體內運算和神經型態運算
在非傳統發展路線上(以上內容都屬於半導體製造的常規思路),WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣,或者仍在商業化的極早期。
(1)近記憶體運算和記憶體內運算:處理器性能和效率如今面臨的瓶頸,很大程度並不在單純的運算階段,而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率,可能是提升整體系統性能時,一個非常靠譜的思路。
這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的,應該不在少數。所謂的近記憶體運算,就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3),以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」,cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。
這兩年在近記憶體運算方面比較有代表性的,一是AMD——比如前文提到3D V-cache增大處理器的cache容量,還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構,也更早應用了HBM2記憶體方案。這些實踐都表明,儲存方面的革新的確能帶來性能的提升。
另外一個例子則是Graphcore的IPU處理器:IPU的特點之一是在裸晶內堆了相當多的cache資源,cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作,極大提升頻寬、降低延遲和功耗。
近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中,多層級的儲存結構,資料的搬運不僅僅在處理和儲存之間,還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。
構建非馮(non-von Neumann)架構,把傳統的、以運算為中心的馮氏架構,變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。
記憶體內運算的就現在看來還是比較新,也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法,儲存單元本身就有運算能力,理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目,畢竟可極大減少海量資料的移動操作。
其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部,部分執行資料處理工作;主要應用於神經網路(因為非常契合神經網路的工作方式),以及這類晶片具體的工作方法上,可能更傾向於神經型態運算(neuromorphic computing)。
對於AI晶片而言,記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時,有比較頻繁的資料存取操作,這對性能和功耗都有影響。不過記憶體內運算的具體實施方案,在市場上也是五花八門,早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構,用40nm嵌入式NOR,在儲記憶體內部執行運算,不過替換掉了數位週邊電路,改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。
劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中,近記憶體運算的這個方案應該和AMD的3D V-cache比較類似,把儲存裸晶和運算裸晶疊起來。
劉明指出,「這是我們最近的一個工作,採用hybrid bonding的技術,與矽通孔(TSV)做比較,hybrid bonding功耗是0.8pJ/bit,而TSV是4pJ/bit。延遲方面,hybrid bonding只有0.5ns,而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上,前文也提到了它具備更高的互連密度和效率。
另外這套方案還將DRAM刷新頻率提高了一倍,從64ms提高至128ms,以降低功耗。「應對刷新率變慢出現拖尾bit,我們引入RRAM TCAM索引這些tail bits」劉明說。
記憶體內運算方面,「傳統運算是用布林邏輯,一個4位元的乘法需要用到幾百個電晶體,這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法,然後利用基爾霍夫定律完成列的累加。」劉明表示,「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存,沒有資料搬運。」這是記憶體內運算的常規思路。
「無論是基於SRAM,還是基於新型記憶體,相比近記憶體運算都有明顯優勢,」劉明認為。下圖是記憶體內運算和近記憶體運算,精準度、能效等方面的對比,記憶體內運算架構對於低精準度運算有價值。
下圖則總結了業內主要的一些記憶體內運算研究,在精確度和能效方面的對應關係。劉明表示,「需要高精確度、高運算力的情況下,近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術,這幾年的進步也非常快。」
去年阿里達摩院發佈2020年十大科技趨勢中,有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式,這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題:是記憶體廠商,還是數文書處理器廠商?(三星推過記憶體內運算晶片,三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)
(2)神經型態運算:神經型態運算和記憶體內運算一樣,也是新興技術的熱門話題,這項技術有時也叫作compute in memory,可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是,這種結構更偏「類人腦」。
進行神經型態研究的企業現在也逐漸變得多起來,劉明也提到了AI晶片「最終的理想是在結構層次模仿腦,元件層次逼近腦,功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。
傳說中的Intel Loihi就是比較典型存算一體的架構,「這片裸晶裡面包含128個小核心,每個核心用於模擬1,024個神經元的運算結構。」宋繼強說,「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來,構成接近1億神經元的系統,讓學術界的夥伴去試用。」
「它和深度學習加速器相比,沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線,功耗很低,也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為,不採用同步時脈,「刺激的時候就是一個非同步電動勢,只有工作部分耗電,功耗是現在深度學習加速晶片的千分之一。」
「而且未來我們可以對不同區域做劃分,比如這兒是視覺區、那兒是語言區、那兒是觸覺區,同時進行多模態訓練,互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片,似乎也是Intel在XPU方向上探索不同架構運算的方向之一。
(2)微型化矽光:這個技術方向可能在層級上更偏高了一些,不再晶片架構層級,不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面,已有應用了,發出資料時,連接埠處會有個收發器把電訊號轉為光訊號,透過光纖來傳輸資料,另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高,內部元件數量大,尺寸也就比較大。
Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的,就是把光和電子相關的組成部分高度整合到晶片上,用IC製造技術。未來的光通訊不只是資料中心機架到機架之間,也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大,也就是所謂的I/O功耗牆,這是這類微型化矽光元件存在的重要價值。
這其中存在的技術挑戰還是比較多,如做資料的光訊號調變的調變器調變器,據說Intel的技術使其實現了1,000倍的縮小;還有在接收端需要有個探測器(detector)轉換光訊號,用所謂的全矽微環(micro-ring)結構,實現矽對光的檢測能力;波分複用技術實現頻寬倍增,以及把矽光和CMOS晶片做整合等。
Intel認為,把矽光模組與運算資源整合,就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上,這類技術還是頗具前景,Intel此前說目標是實現每根光纖1Tbps的速率,並且能效在1pJ/bit,最遠距離1km,這在非本地傳輸上是很理想的數字。
還有軟體…
除了AI晶片本身,從整個生態的角度,包括AI感知到運算的整個鏈條上的其他組成部分,都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面,針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體,透過軟體最佳化就能實現幾倍的性能提升。
宋繼強說,「我們發現軟體最佳化與否,在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。
在AI開發生態上,雖然Nvidia是最具發言權的;但從戰略角度來看,像Intel這種研發CPU、GPU、FPGA、ASIC,甚至還有神經型態運算處理器的企業而言,不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台,用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。
在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下,處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升;而一些新的技術方向,包括近記憶體運算、記憶體內運算和微型矽光,能夠在資料訪存、傳輸方面產生新的價值;神經型態運算這種類腦運算方式,是實現AI運算的目標;軟體層面的最佳化,也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩,AI晶片的性能、效率提升在上面提到的這麼多方案加持下,終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。
資料來源:https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg
共 創 智慧移動大未來 論壇 在 SEMI 國際半導體產業協會 Facebook 的最讚貼文
【SEMI產業觀察🧐|科技與醫療的結合,讓醫療形式變得更智慧!】
#什麼是智慧醫療
隨著物聯網技術的快速興起及進步,大量醫療資訊被交流及分析運用,成為醫療大數據的基礎,同時導入人工智慧,作為數據的歸納使用。在物聯網及人工智慧的結合下,即時移動性的醫療概念隨即出現,成為智慧醫療的核心🌟
#半導體技術助攻智慧醫療
去年開始爆發的疫情,大幅加速半導體與微機電產業的技術升級,也加快科技與醫療整合的腳步。而在具備完整電子產業供應鏈的台灣,SEMI透過委員會、國際級展會與論壇、標準制定與政策倡議等,串連產業交流,如MEMS & Sensor委員會、SEMI FlexTech軟性混合電子產業委員會,持續協助半導體技術發展、智慧醫療再進化:
✅MEMS & Sensor 委員會:藉由定期會議加強重要業者間的連結,提供業界精英技術及市場資訊交流的機會,加速關鍵技術的演進,並大量導入智慧醫療等創新應用領域中。
✅SEMI-FlexTech軟性混合電子產業委員會:推廣的軟性電子技術有助於精準偵測生理訊號。SEMI和多家產業代表、學術單位合作,從設備、材料、設計製造、系統到終端應用等產官學研平台,一同洞察市場的趨勢與需求,解決共同挑戰、加速技術演進及商轉速度,建立在地完整軟性混合電子產業生態圈。
SEMI持續透過跨界合作與創新,加速實現台灣智慧醫療策略願景,讓台灣有機會在未來引領國際!💪
👇點擊下圖了解智慧醫療六大科技應用!
#SEMI
#SEMIisMore
#SmartMedtech
#智慧醫療
共 創 智慧移動大未來 論壇 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
跨界圍攻:「AI 視覺」公司已集體殺入智能駕駛圈
2021-05-22
雷鋒網
如今的智能汽車賽道,說挨肩迭背也不為過。
新勢力派引領變革,最為二級市場所看好;泛網際網路派占流量高地,擅技術遷移;傳統車企派根基夯實,品牌名聲享譽在外。
甚至財大氣粗的某地產派也曾放下豪言――力爭 3-5 年成為世界規模最大、實力最強的新能源汽車集團。
如華山比武般,大俠們個個嚴陣以待,各方勢力黃巾高擎,左右開弓。
你看看,前有行業鐵幕,中夾破釜沉舟之心,後是險峻江湖,哪還有初進牛犢的落腳之處?
即便如此,在月前燥熱尚未消退的上海車展後,鮮少被提及的AI視覺公司還是擠了進來。
看慣了巨頭們的聲勢浩蕩,轉身發現AI視覺企業們的入局講究一個循序漸進,起承轉合。
而他們的悄然進入,也給智能駕駛領域增添了幾段新故事。
海康威視:左手自研、右手投資
AI安防老大哥海康,深耕智能駕駛市場履行一貫的低調風格。
其對智能駕駛的綢繆始於2015年,當時海康內部計劃開展新業務,起初確定的業務有三:海康汽車電子、海康機器人、海康螢石。
2016年7月,耗資1.5億的海康汽車技術正式成立。
在此前後,海康還分別於2016年6月投資了威視汽車科技,2017年7月成立了海康汽車軟體。
2018年是海康智能駕駛的上升之年,市場渠道、技術研發上均有突破。
2018年2月,他們上線高級駕駛輔助系統、自動泊車APA+,同年又成功打入2019款保時捷卡宴的配置中。
汽車產業以穩為重,鏈條長、利益盤根錯節,新入者切入並不容易,而海康卻出其不意一舉打入高端。
數據顯示,截至2018年底,海康汽車已經通過了20家OEM的審核並成為其合格供應商,公司的主要客戶包括一汽集團、北京汽車、上汽榮威、上汽名爵、本田汽車等。
其中,定點項目超過200個,已量產的項目超過100個,覆蓋500家渠道合作夥伴。
成立子公司自研之外,投資也是海康較為看中的一大路徑。
在成立汽車電子公司之前,海康就曾在2016年入股毫米波雷達企業森思泰克,並成為後者的第二大股東。
2013年成立的森思泰克既是毫米波雷達第一批探路者,也是成績較為優秀的領軍企業之一。
森思泰克創始人秦屹是英國海歸的雷達專家,在英從事雷達研發和製造十餘年。
據悉,森思泰克所聚團隊成員中80%具有軍工背景,掌握雷達硬體、軟體和量產工藝等幾乎全部核心技術。
據悉,森思泰克毫米波雷達在北京、石家莊設研發中心,在蕪湖設總廠,在杭州設車載事業部。
石家莊,有軍工雷達大本營之稱,軍民毫米波雷達研發人才密集,且電科雷達研發54所和13所都在石家莊。
森思泰克也頗為爭氣。
2019年,思泰克首次實現大批量77GHz車載毫米波雷達國產化、突破國際巨頭壟斷。
森思泰克的77GHz毫米波雷達成為國內首個真正實現「上路」的ADAS毫米波雷達傳感器。
目前,森思泰克已成為紅旗、一汽、韓國現代、東風日產、長城、長安等國內外車企體系內供應商。
海康與森思合作的高分毫米波成像雷達+視覺融合技術,或許將對壘低線束雷射雷達。
大華股份:立足整車,三電、網聯、自動駕駛多點齊發
零跑汽車脫胎於大華股份的汽車部門,獨立後獲得了大華股份的技術和資金支持。
2015年,大華股份副董事長兼任大華股份CTO朱江明親自下場,成立零跑。
經歷2019年新能源補貼大退坡,不少新勢力造車企業已經出現嚴重資金問題,且變現存疑。
零跑汽車亦不例外。
2018年,零跑虧損 3.07 億元後,2019 年上半年又持續虧損約 2 億元。
2019年1月4日,零跑汽車第一款車S01上市,該車2019年全年交付約1000輛。
對於連續虧損的零跑,唱衰論一直也在網上發酵。
朱江明對此表示,「即使不融資,零跑也能再活三年。」他透露,大華股份將持續為零跑輸送資金,「當然我們希望能更多的融資,發展得更快些。」
在經歷融資受阻後,2021年伊始,零跑官宣融資43億元,合肥政府投資平台亦在其中。
今年年初,此前曾投資蔚來的合肥市政府與零跑方面簽訂戰略合作協議,未來合肥方面將對零跑B輪融資投資約20億元,並展開更多合作。
現金流方面,從不被業界看好,到巨額融資的到帳,仿佛又讓市場看到了可能性。
技術層面,零跑汽車稱自主研發了三電系統、智能網聯繫統、自動駕駛系統三大核心技術,並完全掌握自動駕駛核心硬體平台和算法技術,實現對自動駕駛感知、決策、執行層關鍵技術的自主化全覆蓋。
產品層面,零跑汽車目前旗下擁有3款量產車型,分別為:零跑T03、零跑S01以及零跑C11。
三款產品風格各異,銷量不一。
2020年,零跑汽車官方消息稱,2020年累計銷量達11391輛,其中T03為主力軍,貢獻了10266輛。
創始人朱江明也底氣頗足:「2023年零跑進入造車新勢力TOP3、2025年在國內新能源汽車市占率達到10%」。
商湯:求精感知技術,並進艙內艙外
與其他AI獨角獸相比,商湯在自動駕駛上布局較早,也更全面。
2017年進軍自動駕駛,商湯的汽車產業布局可分為艙內(智能車艙)和艙外(智能駕駛)兩大層面。
智能車艙層,基於前裝量產解決方案,以視覺感知技術為錨點,由點及面,覆蓋用戶從上車到用車的多個場景。
商湯的SenseAuto Cabin智能車艙解決方案包括駕駛員感知系統、座艙感知系統、智能進入等等功能。
據悉,在過去的兩年多時間裡,商湯已經拿下了30多個國內外頭部夥伴的智能車艙定點量產項目,覆蓋車輛總數超過1300萬輛,其中10 余個項目已經實現了量產交付。
智能駕駛層,商湯選擇與主機廠合作,做汽車廠商(OEM)及一級供應商(Tier1)的解決方案供應商。
在自動駕駛感知、決策和執行三大要素中,汽車廠商和Tier1占據重要角色。
2017年,商湯與OEM廠商本田簽訂了為期5年的長期合作協議,研發適合乘用車場景的L4級自動駕駛方案。
2018年,商湯完成杭州、上海半開放場地內實現無接管自動駕駛。2019年,在日本落地「AI自動駕駛公園」,將用於自動駕駛汽車的研發和測試,並面向公眾開放。
商湯的自動駕駛業務定位,是以視覺為主,其他元素為輔。
視覺之外,商湯在高精度地圖和雷射雷達、毫米波雷達等方面皆有技術儲備。
通過搭配多種不同傳感器,實現感知、分析預測、決策規劃控制、城市級三維地圖重建及無人車高精度定位能力等技術功能。
目前,商湯對自動駕駛技術進行了多次疊代,形成了一套較為成熟的智能駕駛方案:SenseAuto Pilot智能駕駛解決方案,聚焦 L2+ 級高級輔助駕駛至L4級自動駕駛創新,並在上海車展首次發布SenseAuto Pilot-P駕駛領航方案。
軟體之外,2019年3月,商湯還推出首款原創機器人SenseRover X自動駕駛小車,這是款針對自動駕駛的教學產品。
奧比中光:戰投+自研,兩條腿走路
奧比中光是AI初創企業中對智能汽車投入最多的公司之一。
作為一家AI 3D感知技術方案提供商,成立於2013年的奧比中光現今已在3D傳感領域深耕近8年。
3D傳感作為人工智慧領域最核心的視覺感知技術,融合了晶片、算法、光學、軟體等多交叉學科技術,是人工智慧時代感知識別、新型人機互動等最為核心的技術載體。
除3D結構光外,奧比中光在雙目、iTOF、dTOF、雷射雷達等主流3D視覺感知技術領域也有長遠布局。
早在2018年,奧比中光就投資雷射雷達晶片級解決方案提供商飛芯電子。
飛芯電子成立於2016年,是一家專注於光電設備、雷射雷達研發、集成電路設計的高新技術企業。
成立僅2年,飛芯電子獲得了博世等注資。
據悉,飛芯電子以研發、生產雷射雷達系統及核心晶片為主要業務,客戶群體主要面向國內外汽車、機器人、無人機等生產研發廠商。
飛芯電子稱,其針對行業痛點,採用了連續波載調製或相干外差探測方案,利用焦平面點雲測距技術,滿足較高的空間解析度和較大的視場角,探測距離可超過200m,且無需複雜昂貴的機械掃描裝置,不斷提高系統可靠性,也使獲得的圖像更為清晰。
2019年4月,奧比中光成立車載3D視覺傳感方案提供商奧銳達。
奧銳達的業務重心在智能座艙,產品包括ToF攝像頭模組、雷射雷達等硬體以及3D ToF智能座艙方案。
承襲了奧比中光的3D視覺感知技術,奧銳達可為智能汽車帶來DMS、OMS、手勢識別、人臉識別、身份驗證等多種3D化智能功能。
其金融級安全的3D人臉識別方案,保護駕乘人員的信息安全;通過3D-ToF 攝像頭,實現多區域手勢控制;同時,智能汽車還可以通過3D信息,判斷駕乘人員體型、座艙內位置等。
近日,奧銳達還發布了為智能汽車量身定製的3D ToF智能座艙方案。
虹軟:主攻艙內,走軟硬一體之路
2018年,為應對手機市場見頂飽和,虹軟正式將業務從智慧型手機領域拓展至智能汽車、IoT等領域,一舉橫向突進自動駕駛市場。
虹軟科技創始人兼CEO鄧暉曾表示,未來每輛汽車裡都有10個以上的攝像頭,智能座艙將成為智能駕駛視覺AI的重點應用場景。
與其手機定位一樣,虹軟的智能汽車走軟硬一體解決方案,力圖做車載視覺一站式解決方案的供應商。
從招股書看,截至2018年底,虹軟科技的「汽車等loT產品」的業務收入僅367.95萬元,占比不足1%。
與多數視覺企業加裝雷射雷達等技術不同,虹軟的的自動駕駛解決方案完全基於視覺層面,且核心聚焦在車內智能。
虹軟科技的智能駕駛視覺解決方案,包括車內安全駕駛預警、駕駛員身份識別、車內安全輔助、輔助駕駛預警、自動泊車等眾多解決方案。
2019年3月,虹軟入股開易(北京)科技,後者主營業務包括主動安全智能終端(ADAS+DMS+人臉識別)、SDK軟體服務以及硬體整體解決方案。
2019年,虹軟在科創板上市。
虹軟表示,其在計算機視覺領域積累深厚,融合其暗光高反差拍攝、防抖等影像視頻增強算法技術,即使在車內光線不佳、人臉角度多變、車輛晃動等特殊情況下,也能夠很好地完成車輛周圍環境監測和車內人員監測等功能。
上市後,虹軟大力布局智能汽車及其他 IoT 智能設備領域,目前成效初現。
據虹軟表示,智能汽車板塊2019年開始真正量產。
數據顯示,2020年,智能駕駛視覺解決方案業務增長較快,實現營業收入6592.99萬元,同比增長310.61%。
據悉,虹軟智能駕駛相關產品包括DMS(駕駛員識別系統)、ADAS(高級駕駛輔助系統)、BSD(盲區檢測系統)、OMS(乘客識別系統)、Interact(視覺互動系統)、Authenticate(生物認證)、AVM(3D環景監視系統)、AR HUD(AR抬頭顯示)和智能後備箱等各類以核心算法為基礎的相關軟體解決方案。
高工智能汽車研究院數據顯示,DMS(駕駛員識別系統)的算法業務是其智能汽車業務的主要收入來源。
虹軟今年透露,其智能駕駛業務已實現37+7個前裝車型定點開發(37款量產車型定點,7款車型預研),以提供純算法為主,公司直接與Tier1或整車廠簽約,涉及多家國內主流車企(含造車新勢力)及部分合資車企。
格靈深瞳:最早入局,協同成長
成立於2013年,格林深瞳是最早的一批AI視覺公司,也是最早一批投入自動駕駛的AI視覺公司。
當年,格靈深瞳聯合英特爾研究院院長吳甘沙、國家智能車未來挑戰賽冠軍團隊負責人姜岩等一同創辦了一家專注於自動駕駛領域的公司――馭勢科技。
2016年,馭勢科技在北京誕生,格靈深瞳作為投資方入股馭勢科技。
過去五年,馭勢科技在洶湧潮水中奮力前行。
2017年1月的CES,馭勢科技向世界推出了無人駕駛概念車「城市移動包廂」,該車型成為了全球第三款獲得紅點設計大獎的無人車。
同年,這家公司分別在4月和6月,於白雲機場、杭州來福士率先展開面向普通公眾的無人駕駛商業化運營。
今年1月21日,香港國際國際機場宣布,由馭勢科技與香港國際機場管理局共同研發的無人駕駛物流車將替代人力駕駛拖車,承擔往返機場和海天客運碼頭的行李運輸任務,意味著其在機場的運用已逐步上量。
在過去的一年中,馭勢科技與長安民生物流、一汽物流、巴斯夫(BASF)等數十家企業建立了商業合作。
據透露,在國內某豪華品牌車型上,馭勢科技提供的軟體算法也已前裝量產,並幫助該自主品牌率先推出 L3 級自動駕駛功能。去年馭勢科技交付了數百套「AI駕駛員」,實現年度業績同比增長150%。
前不久,馭勢科技宣布完成累計超10億元人民幣的新一輪融資,在這場融資中馭勢科技獲得了國家資本的參投。
馭勢科技在無人物流埋頭苦幹,潛心鑽研,其成績是在無人物流領域的業務布局幾乎占到了國內市場的70%。
2016年誕生至今,馭勢科技經歷萬千辛酸,在密如繁星的棋子中探索出一條最優解法,以機場定式,在精進自我的路上捨命狂奔。
而格林深瞳的自動駕駛之路,也隨著馭勢科技越走越遠。
曠視:立足AI視覺,做車載全套解決方案
2018年11月,曠視曾公開展示過車載AI視覺解決方案。
彼時的曠視,其解決方案基於車載系統和駕駛過程的人臉解鎖、帳戶切換、駕駛員識別、多模態交互等功能為主,並收取相應軟體使用費和服務費。
「人臉解鎖」可通過車外的攝像頭捕捉駕駛員人臉信息並進行身份的識別與確認,實現人臉解鎖車門、臨時授權人臉解鎖車門;
通過車內的攝像頭實現刷臉啟動發動機、保險箱等,「帳戶切換」功能可通過人臉識別無感知精準識別駕駛員身份,配合車載智能系統,快速調整用戶預設的車輛各項個性化配置(座椅位置、反光鏡角度、空調溫度、音樂、燈光、導航等)。
「駕駛員識別系統」可通過車內攝像頭,實時查看駕駛員駕駛狀態和行為,在駕駛員出現疲勞駕駛或分心駕駛跡象時觸發預警,保障行車安全。
曠視曾表示,其與蔚來汽車實現了未來在智能汽車應用上的深度合作,真正的無人駕駛商用較遠,曠視聚焦對人類駕駛員的理解和輔助。
的盧深視:基於3D視覺相機,為產業賦能
的盧深視在智能汽車領域的角色,更多是與第三方合作的方式。
作為三維視覺領域的佼佼者,的盧深視在高精度深度感知成像、三維實時高精度重建、三維跟蹤識別及感知等技術方向上深耕多年。
上月,的盧深視出席了2021全球自動駕駛高峰論壇,並展示了其最新3D CV相機及其應用。
的盧深視兩款自研3D CV相機,其在5米範圍誤差小於1mm,指標超越國際3D相機巨頭,量產良率達99%以上。
基於前端低功耗嵌入式平台,兩款相機均可實現非接觸式精準識別,基於結構光原理,更可還原人臉高精度3D細節信息,通過人臉立體尺寸信息精準辨識人員身份,同時對於二維和三維攻擊識別正確率高達99.99%。
多提一句,安全性上,可達金融級別。
據悉,除了智能汽車領域,兩款相機也在智能家居、金融支付、智慧交通等領域展開布局。
智能駕駛:AI視覺第二春
AI視覺眾企入局智能駕駛賽道,並非跑題創作。
其一,布局智能駕駛,是戰略向外牽引使然。
自計算機視覺出走實驗室樊籠,AI安防、自動駕駛便拿到一大波投資人的「S卡」。
當年AI落地之時,安防提供了絕佳的土壤,AI公司在此實現技術與產業的交融。
期間,AI與安防彼此成就:
安防向世界輸送的海大宇等驕子,幾乎主導了全球安防市場話語權,行業極速擴容,向城市各個領域蔓延。
AI獨角獸們也從安防起家,並逐漸走向千行百業,邁向全域。
左邊是AI安防成主要營收來源,右邊是AI安防逐漸占領一席之地。擺在入局者眼前的,是如何保持縱向持續增長的必答題。
擺脫路徑依賴,尋找AI安防之外的市場,已是當務之急。
如果說,過去五年,AI視覺公司的路徑是「通用AI SDK 重定製集成項目實施」的話,那麼未來五年,他們可嘗試「非標領域的標準市場 形成標準化產品 低成本規模化複製」的路子。
非標領域的標準市場在哪?自動駕駛、醫療、晶片赫然在列。
縱觀AI市場,目光所及賽道幾近全員虧損,掘金志認為,與高成本人力無關,因為虧損在放大;與硬體儲備也無關,因為可以OEM。
核心在於:AI安防未能標準化,項目需求又無窮多。
那就去標準化市場?有人問。
標準化市場可以一夜之間把價格做到無窮低,但高額運營支出非AI企業所能承受。
標準化市場上不去,定製化市場下不來,AI公司的突破口在哪?答案是:非標準化市場裡找到標準化路子。
賽道上,自動駕駛正是明顯的非標領域的標準市場。與AI安防共通的是,智能駕駛初創企業也依賴資本輸入。
但前者場景碎片化、項目定製化,產品標準化之路漫漫;後者以智能汽車為載體,技術上軟體定義、人機協同一旦成型,會一招吃遍天下鮮。
眼下,不少智能駕駛新勢力已實現產品量產,並獲得一定規模的現金流。
對於一眾搶灘的各路豪傑,AI視覺的入場似乎有些遲。
但智能汽車賽道正熱、格局未定,智能汽車產業鏈長、細分領域繁雜,此時入場的AI視覺,你可以說它入場稍晚,但不能說它機遇不在。
其二,自動駕駛或是計算機視覺技術應用必登之高峰。
近幾年,機器學習持續深入,計算機視覺應用亦有了飛速進展。
千山萬水跨越的人臉識別小山,是AI最成功,也最基礎的一環。
真正的AI,是貫穿感知-決策-執行的長鏈條,這一點在自動駕駛上體現得尤為極致。
感知層,通過各類硬體傳感器捕捉車輛的位置信息以及外部環境信息;
決策層的「大腦」,基於感知層輸入的信息作環境建模,從而形成對全局的理解並作出決策判斷,再向車輛發出執行的信號指令;
最後的執行層,將決策層的信號轉換為汽車的動作行為。
自動駕駛技術是人工智慧、高性能晶片、通信技術、傳感器技術、車輛控制技術、大數據技術等多領域技術的結合體,落地難度之大,各路AI無不動容。
計算機視覺應用場景萬千,自動駕駛無疑是極具挑戰性、最具想像力的一條。
越是長在懸崖之巔的花,越讓人著迷。
一直以來,在環境感知環節,存在AI視覺與雷射雷達技術路徑之爭。
不管何種路徑更優,已經在視頻物聯領域經歷過殘酷驗證,AI技術儲備上,AI視覺企業們也已攢下不少經驗。
狼多肉少,能吃幾成飽?
「自動駕駛是很低級的行業嗎?所有人都想來分一杯羹。」
這調侃入局者們聽了,大抵會覺得分外委屈。
大多數困在第一道門檻,錢。
「沒有200億不要造車」的聲量振聾發聵,造車明星蔚來也曾資金一度跌入谷底。
雖說AI視覺公司除了大華的零跑汽車外,其他參與者目前都專注於智能駕駛硬體和系統,但這也是個昂貴的行當。
不少企業本身依靠資本輸血,是否有更多資金和精力參與自動駕駛廝殺,是他們需要思考的問題。
行業壁壘不容小覷。
汽車產業發展百餘年才形成了一套嚴謹而完整的生產流程和制度,乃至於衍生出了一套基於安全的工業文明,不是後來者們在短短的幾年時間裡就能夠顛覆的。
作為智能汽車的核心體現,自動駕駛技術遠未達到成熟的程度;車艙內的智能化體驗也還有豐富的想像空間。
換言之,如果跨界選手想要在智能汽車的世界裡找到自己的一席之地,不僅要高度重視安全這一話題,還要擁有強大的軟體能力。
但在前一輪前沿傳統主機廠以及蔚來、小鵬、理想等新造車勢力的人才軍備賽過後,新入局的玩家要如何吸納更多的專業人才?又如何權衡來自世界各地的人才的意見和建議,從而做出最終決策?
與此同時,智能汽車的研發不是一件只要懂軟體就能夠做成功的事情。
隨著電動化、智能化大潮的到來,造車的門檻看似降低了不少,但在這一過程中遇到的內因外因的難題,可能遠比想像中的要多。
行業資源尚需積累。
相比AI安防、智慧城市等領域,AI視覺跨界者在智能汽車領域品牌影響力和渠道資源不足,短期內,造血盈利能力較低。
而且,AI視覺企業布局智能駕駛時間不一,技術雖有共性但終究有別,相較於大多數垂直企業,尚有諸多不足。
故可見,過去幾年,即使AI視覺巨頭,步伐也較為謹慎,大多圍繞艙內智能、ADAS市場。
如果說巨頭們跨界,自帶熱搜體質,AI視覺企業跨界的光彩,多少暗淡了些。
前者身家優渥,拿著頂流體驗卡入場,高屋建瓴,後者更多是以小舟,涉鯨波。
當然,隨著技術日進一桿,資源聚沙成塔,營收逐年增長,他們將投入包括但不限於研發、營銷、資本等層面,難保這一葉扁舟,哪天出其不意成為可遠航的重磅郵輪。
莫道桑榆晚
眾多跨界玩家湧入智能汽車,激發了新的生機。
無論從何種角度來看,智能汽車的市場都蘊藏著無限機遇。
這個市場需要鲶魚的存在。
在新時代的風潮之下,我們固然期待看到不斷有實力強勁的新玩家們入局,留下中國智能汽車史上濃墨重彩的一筆。
我們也殷切地希望,這是一片能夠承載百花齊放,充滿新的生機和活力的沃土,而不是拔苗助長的投機者的港灣。
憑藉先發優勢,不少入局者或已暫列行業前位,但隨著各方力量的持續加碼,後來居上也並非不無可能。
保持警惕,時刻成長。
資料來源:https://www.chinahot.org/science/83632.html?fbclid=IwAR2Mm9ZU17srF7sCywqUPw-hmRAyGN_sN9XnL0_Q6mE4bUYwUpgGNX3wHps