在峰会上午场，地平线首席战略官郑治泰，发表了题为《软件2.0时代AI芯片的挑战》的演讲。
郑治泰认为，AI系统的数据系统和计算系统，是软件2.0时代的两大要素。在未来，机器将解决AI系统中的大部分问题，而人类科学家则负责对AI系统的算法参数进行调优。据此，地平线推出MAPS（在精度有保障范围内的平均处理速度）评估方法，为人类科学家调优AI系统提供辅助。MAPS系统可通过可视化、量化的方式，在合理的精度范围内，从“快”和“准”两个维度评估芯片对数据的平均处理速度。此外，郑治泰透露，地平线征程5芯片正在研发中，将于明年发布。相比业界某品牌同样计划于明年发布的GPU新品，征程5芯片有望实现至少3倍的性能提升。 在过去的五年中，地平线取得了比较好的商业成就。去年到今年，地平线的AI芯片实现量产上车，并已达到10万的出货量。明年，地平线将挑战100万的AI芯片出货量。
这些商业结果源于地平线对技术栈、技术趋势的把握。在今天看得到的商业化落地结果背后，最根本的是面向未来的思考。 借助GTIC 2020 AI芯片创新峰会的平台，郑治泰分享了其对软件2.0时代的思考，并回顾了人工智能发展的历史。 郑治泰认为，在软件2.0时代，数据系统和计算系统两个部分构成了整个AI系统。这其中，无论是数据系统还是计算系统，均由机器学习技术来解决最困难、最复杂的部分，人已经不在其中发挥太多的作用。 当人和专家不再成为数据系统和计算的瓶颈的时候，人类社会将会发生质变，人类将大踏步地进入到AI时代。到那时，由自动驾驶引发的机器人时代也必将开启。
未来要实现AI系统的闭环无人化应用
郑治泰认为，AI问题，特别是面向一个复杂物理世界的问题，需要一个新的解决范式。 传统的算法采用的是拆解问题的范式，即把问题分解为子系统、子系统被分解为子模块、在子模块应用核心的算法。现在看来，这种方式几乎失灵了。 大家可以想见，假设一台车在北京出厂，它的用户可能在新疆、海南、沙漠等地。如果这台车产生的巨量corner case（极端情况），只能依靠专家、标定人员、测试人员进行重新优化和迭代算法，那么我们可能永远无法实现人工智能驱动的自动驾驶。 也就是说，在未来的时候，我们需要实现整个人工智能系统的闭环无人化应用。 回顾机器视觉的发展，非常经典的应用是用机器视觉方法识别图片中的猫狗。这一应用中，计算机识别不同的点阵数据，并进行数据计算。最终，计算机给出一个范式，确定图片中是猫还是狗。这个问题刚被提出时，大家认为它的难度仅相当于一个本科生暑假作业的难度。 但是人类社会对AI走进物理世界的追求并未停止。在整个科技向前发展的过程中，尽管面临失败，科学家仍一次又一次地尝试，去掌控发展的节奏和参与其中。
最初，机器视觉鼻祖马尔提出“分解”的机器视觉方法。1986年到1990年间，人们用分解的方案解决机器视觉问题，即对整个图进行描边，形成有景深信息的二维图片，再通过完整的几何计算，抽象出三维物体。后来，人们发现这一解决方案存在局限性，这是因为当面对不同角度下同一物体的图片，或者同一角度不同光影下的物体图片时，计算机无法用上述的拆解数学模型去定义物体。 在1990年代，人工智能进入到下一个阶段。科学家往后退了一步，将所有的物体类别定义出来，全部由数据系统使用机器识别方法去实现，通过不断调优、不停移动分类面，提升识别的精度和准确率。 后来，人们又发现这一方法仍无法解决所有问题。在整个物理世界中，一台车面对着十分复杂的外部环境，人类想用几个简单的数学公式集合完成整个定义是不可能的。 2012年至今，机器视觉发生了一个深刻的变革。科学家和码农开始把整个计算过程全部交由机器去做，让计算机做识别，而科学家则承担模型结构和算法超参数调优的工作。这一过程中，基于随机的算法和参数，科学家评估输入输出的结果，不断对不正确的gap进行反向调优。 2017年，专家又后退一步，将模型结构设计也交由机器学习来设计，依赖TPU提供的充沛算力。到2019年，机器设计的模型性能远超过人类专家设计出来的模型。 在软件2.0时代，不增加数据的量，而增加计算量的时候，人们发现模型识别的错误率下降一半。如果数据量和计算量都提升的话，模型识别错误率下降三分之二。增加计算量、增加数据量，都可以自动化进行。这意味着机器自动化、持续降低识别错误率是可能的。 为什么在海量数据和大模型的时代，机器会比人更加厉害？郑治泰称，这是因为人类专家在抽象、局部有限的小数据、小模型应用中占据优势。但在大数据、大模型的应用中，计算机的准确识别和网络设计能力，能够超常发挥。 现在，利用机器学习重新开发和设计网络模型、重新计算识别的精度协议的趋势，并没有显示出终止的迹象，这就催生出一个非常重要的可能性，即我们可以面向物理世界，提供AI服务，即全自动无人驾驶汽车等“像人一样的智能”。
针对AI系统的数据和计算，这两大软件2.0时代的核心要素，人类工程师在打造数据系统的闭环、提升数据闭环效率的同时，还要结合软件和硬件底层的逻辑设计，逐步提高计算的效率和性能。 基于此，地平线提出MAPS（在精度有保障范围内的平均处理速度）的概念和评估方法。借助这套方法，客户可以直接面向物理世界，评估AI系统的效能。这一方法并不是单纯计算峰值算力或软件的算法效率，而是计算这两者在物理世界可接受的精度范围内的处理速度。地平线计算的是什么？是AI系统能跑得多快、跑得多准。 为实现数据闭环，几乎所有的AI公司都在围绕数据的搜集、采集、标注、模型训练进行部署。相较而言，地平线是利用自身的核心技术能力，给整个行业赋能。如果客户需要打造一套完整的数据闭环，地平线可以为其提供技术支持和服务。 郑治泰透露，目前，地平线正与国内头部的汽车企业携手，打造不少于3～5个联合实验室。 通过这种联合实验室，地平线计划为车企提供毫无保留的技术支持。地平线秉持开放赋能的宗旨，可以提供芯片，也可以提供芯片+工具链，还可以提供芯片+工具链+算法。此外，就算客户想要完全脱离地平线的技术产品来打造AI能力，地平线也会100%为客户赋能。针对物理世界中的海量数据问题，地平线以帮助合作伙伴具备真正的AI生产力为目标。
2015年，地平线成立，初创团队具备算法背景。当时，团队发现在处理边缘计算时，需要在物理世界中定义一个问题，提出算法模型。根据算法模型重新定义适合这个算法模型的芯片架构，芯片流片后，再回到物理世界中，求得一个最优解。 郑治泰认为，在计算闭环中，人类科学家需要做到三件事： 第一，人类科学家要持续提升这颗芯片的有效计算效率和计算能力； 第二，人类科学家要持续提升算法的效率； 第三，人类科学家需根据要解决的实际问题，进行联合调优，得到最优解。 地平线团队认为，用传统模型来进行计算能力评估的方式是有局限性的。 首先，一些模型早已过时，而要解决未来自动驾驶场景中的实际问题，需要更先进的模型。芯片在设计的时候，就需要考虑到对未来模型、算法的引进。其次，同一个芯片搭载不同的模型，其利用率也会表现出差异。 基于这两点，地平线从算法开始进行产品开发，然后再设计芯片，进而回到场景中去解决实际问题。
地平线征程5芯片明年发布，性能有望超竞品3倍
据郑治泰分享，地平线团队MAPS评测结果显示，市场上的高能效芯片，通常达到约30%的利用率。 人工智能面临识别、检测两个问题。在识别方面，相比市面上现有最好、最普遍的端侧GPU产品，地平线的征程3芯片用8%的功耗实现了50%的MAPS，具备4～6倍的能耗优势；征程5芯片用50%的功耗实现了5倍的MAPS，实现了将近10倍的能耗优势。 检测方面，地平线征程5芯片用50%的功耗实现了13倍的MAPS，达到26倍的提升。据称，明年上述GPU品牌推出的新品，相比其上代产品实现了7倍的性能提升。基于此，地平线将于明年推出的征程5芯片，相比该品牌明年发布的GPU新品，将有至少3倍的提升。 近期，地平线科学家定义的有效评估人工智能计算效能的方法，正为整个产业链赋能。郑治泰提到，地平线希望，产业链伙伴都能使用这一方法，让整个产业进入非常良性的循环。 展望未来，人类科学家要做的事情并不多，其中包括搭建和调优整个系统、看着机器用海量数据输出结果等。这就是软件2.0所暗示的未来，自动驾驶、无人驾驶等人工智能应用，将普惠到每个人的生活。
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
发布文章
