（文章來源：風語辰）

自動駕駛域控制器，要具備多傳感器融合、導航定位、路徑規劃、計算決策、V2X無線通訊、運動控制的能力。通常需要外接多個攝像頭、毫米波雷達、激光雷達、V2X模塊以及IMU等設備，完成包含圖像識別、數據處理等功能。

隨著自動駕駛商業化趨勢愈演愈烈，其所涉及的環境感知、控制決策、運動控制系統，以及與車身其他域控制系統的交互、車聯網V2X的通訊信息處理，都需要一個強大的域控制器計算平臺支持，而域控制器的處理能力取決于所選型的核心AI芯片的計算能力。目前能夠提供自動駕駛AI芯片的公司不多，業內僅有NVIDIA、華為、瑞薩、NXP、TI、Mobileye、賽靈思、地平線等方案，且都未實現量產。

不同的自動駕駛公司，會因為不同的客戶以及需求，選擇不同的方案。但中間也會有一些共性。當前階段，AI 芯片的主流仍然是GPU + CPU，但隨著機器視覺、語音控制、深度學習的算法在 FPGA以及 ASIC芯片上的不斷優化，此兩者也將逐步占有更多的市場份額，從而形成與GPU長期共存的局面，并逐漸實現反超。但從長遠看，人工智能類腦神經芯片才是發展的終極方向。

AI 芯片是人工智能時代的技術核心之一，決定了自動駕駛計算平臺的軟硬件基礎架構和發展生態。AI 芯片按技術架構分類可分為GPU（Graphics Processing Unit，圖形處理單元）、半定制化的 FPGA、全定制化 ASIC和神經擬態芯片等。GPU 通用性強、速度快、效率高，同樣功耗也高，特別適合用在深度學習訓練方面，但是性能功耗比較低。

FPGA 具有低能耗、高性能以及可編程等特性，相對于 CPU 與 GPU 有明顯的性能或者能耗優勢，但對使用者技術要求較高，行業門檻不容易邁過。ASIC 可以更有針對性地進行硬件層次的優化，從而獲得更好的性能、功耗比。但是ASIC 芯片的設計和制造需要大量的資金，而且深度學習算法仍在快速發展，若深度學習算法發生大的變化，FPGA 能很快改變架構，適應最新的變化，ASIC 類芯片一旦定制則難于進行修改。

FPGA 是在 PAL、GAL、CPLD 等可編程器件基礎上進一步發展的產物。用戶可以通過燒入FPGA 的配置文件來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，比如用戶可以把 FPGA 配置成一個微控制器 MCU，使用完畢后可以編輯配置文件把同一個FPGA 配置成一個音頻編解碼器。因此，它既解決了定制電路靈活性的不足，又克服了原有可編程器件門電路數有限的缺點。

FPGA?可同時進行數據并行和任務并行計算，在處理特定應用時有更加明顯的效率提升。對于某個特定運算，通用 CPU 可能需要多個時鐘周期；而 FPGA 可以通過編程重組電路，直接生成專用運算電路，僅消耗少量甚至一次時鐘周期就可完成運算。

由于FPGA的靈活性，很多使用通用處理器或 ASIC難以實現的底層硬件控制操作技術，利用 FPGA 可以很方便地實現。這個特性為算法的功能實現和優化留出了更大空間和可修改性。同時 FPGA 一次性成本(光刻掩膜制作成本)遠低于 ASIC，在芯片需求還未成規模、深度學習算法暫未穩定，需要不斷迭代改進的情況下，利用 FPGA 芯片具備可重構的特性來實現半定制的人工智能芯片是最佳選擇之一。

功耗方面， FPGA 也具有天生的優勢。CPU執行指令，都需要有指令存儲器、譯碼器、各種指令的運算器及分支跳轉處理邏輯參與運行，而FPGA每個邏輯單元的功能在重編程時就已經確定，不需要指令且無需共享內存，從而可以極大的降低單位執行的功耗，提高整體的能耗比。

由于 FPGA 具備靈活快速的特點，因此在眾多領域都有替代 ASIC 的趨勢。尤其是在需要更多的靈活變更需求驗證和支持擴展應用方面，FPGA 在人工智能領域的應用如圖所示。

目前深度學習、視覺融合等人工智能計算需求，主要采用 CPU+GPU、FPGA 等已有的適合并行計算的芯片來實現。在自動駕駛應用沒有大規模興起之前，使用這類已有的通用芯片可以避免專門研發定制芯片（ASIC）的高投入和高風險。但是，由于這類通用芯片設計初衷并非專門針對深度學習，因而天然存在性能、功耗等方面的局限性。
? ? ? （責任編輯：fqj）