GIV2022|后摩智能吴强：智能驾驶芯片不能依赖走先进制程的路线

2022年12月16日-17日，由安徽省发展和改革委员会作为指导单位，合肥市人民政府、中国电动汽车百人会作为共同主办单位的“2022全球智能汽车产业峰会”在安徽合肥举行。本届论坛围绕“全球新变革与智能汽车发展新战略”主题，设置了五场主题论坛和两场闭门会议，与行业组织、高校、龙头企业代表共同探讨中国智能汽车发展新路径。

其中，在12月17日举办的“生态论坛”上，厚模智能创始人兼CEO吴强发表了精彩演讲。以下为现场演讲:

大家早上好！很高兴代表厚摩智能参加本次峰会。我今天分享的主题是“如何以自主创新打造更加自主可控的智能驾驶芯片”。

汽车的电动化、智能化给国产汽车带来了难得的历史机遇。PPT左图显示我国电气化普及程度已经处于世界前列，右图显示智能驾驶L2及以上普及率和渗透率也处于世界前列。L2及以上智能驾驶给计算芯片带来新需求。比如智能驾驶芯片相比传统的车载芯片MCU，复杂度和计算能力更接近以前的云芯片或者超级计算芯片。设计、包装等。，与传统的MCU不一样。智能驱动芯片的计算能力接近传统超级计算芯片。很多人说智能驾驶芯片是一个移动的超级计算中心。

此外，低功耗。在传统的超算中心，我对功耗没那么敏感。我在数据中心用电，有空调和制冷，但是在车上，用电有很多问题。汽车是电池驱动的，每个人都是这方面的专家。另外，汽车冷却系统其实挺严密的，对环境温度要求比较高。

第三，成本低。从成本计算来说，一个芯片是很贵的。一台基于A100的服务器能卖几十万，一个企业需要好几台。但是对于汽车，刚才沈老师说了，我们希望每一辆车都能买得起，买得起，装上这样的芯片。我们的车大多在10-30万之间。这些车是主流，高端车是另一个故事。对于10-30万人民币的车，成本是很敏感的。如何做出高性价比，让每辆车都买得起芯片，也是新的需求。

近年来，我们遇到了一个新的话题，这个话题将过去在超级计算中心制造大型计算芯片的人与制造传统车载芯片的人结合起来。这是近几年才出现的有趣现象。

对于L2芯片的发展趋势来说，计算能力是适中的。对于L2+或L2++芯片或更先进的芯片，也有许多最近的发展趋势。它有越来越多的传感器，因为它需要持续支持L1、L2、L2+甚至L2++。随着传感器越来越多，对计算能力的需求也越来越高。其次，对于L2++来说，一些智能驾驶算法越来越复杂，需要不断迭代，BEV出来，Transformer出来，芯片的开放性也很高。这是高级智能驾驶带来的新需求，尤其是近几年。

当前的解决方案存在几个问题。第一个依赖于先进的制造技术。传统MCU就算40 nm，最大也是28nm。现在的智能驾驶正在走向16、14、7甚至5、3nm。先进的技术带来两个问题:1。成本极其昂贵。一个7nm芯片的研发费用需要1亿多美元，7nm芯片需要上亿美元。共享放在车上很贵；2、容易卡脖子，现在这种大形势下，非常容易卡脖子。这是一个问题。

另外，牺牲通用性，解决效率问题，需要计算能力和功耗。我该如何解决这些问题？如果我专门做，不符合整个算法的发展趋势。这是一对矛盾，目前在高级智能驱动芯片上面临矛盾。计算能力越大，耗电量越大。为了解决这个问题，我们面临着如何部署芯片，我们都需要液体冷却吗？高端车一定是液冷的。对于低端车来说，如果采用液冷，整个系统的复杂度会上升，成本又会上去，“如何让每辆车买得起、用得起”的问题又会回来。

我们需要的不是依靠继续走向先进制造工艺的做法。能否从更低层次的结构创新或技术创新来解决此类问题？而更底层的创新方法，也可以解决计算能力、功耗、成本的问题。这可能是我们国内芯片厂商需要探索的问题。在所有的技术创新方向中，有一个非常有前景，那就是存储与计算的融合，也就是将存储与计算融合，重构智能驱动芯片。传统的计算架构是冯诺依曼架构，教科书上都有研究。计算和存储是分开的。每次通过总线加载数据时，都会在计算后将其放回。这是冯·诺依曼建筑。这种计算架构适用于传统CPU，已有60年的历史。很适合做CPU。对于智能驾驶芯片，是AI计算和基于数据的计算，是近几年才出现的。这种事情其实并不合适，数据总线成为瓶颈。另外，计算能力上不去，或者上得去，但是代价很大。我的数据不停的移动，做了很多无效的移动，造成了很大的电量消耗。这是存储和计算的结合。希望从底层架构的创新，或者计算方式的创新，从根本上解决这个问题。

如果计算能力大，不用那么高阶昂贵的先进技术也能做到。另外避免了大部分的数据处理，可以保存90%的数据，也节省了功耗和成本。这是我们很多行业的同事探索的一个新的技术方向。比如存储和计算一体化的能效还是有一个数量级的提升，这是技术优势。体现在产品上，能做些什么？举个例子，你们很多人都是汽车专家，知道汽车需要散热，散热的方式有几种，自然风冷，风扇散热，液冷。对于大多数汽车厂商来说，最理想的方式是自然风冷或者自然冷却或者被动散热，成本更低，系统复杂度更低，但是有一种是刚需，功耗在15瓦或者20瓦以内。如果想要大的计算能力，那么自己和低功耗是天然的矛盾。如何解决这个问题？我想自然散热或者低功耗散热，所以计算能力不高，只能做到几十t到20T，按照现在的技术已经是极限了。除非你去更贵的5nm和3nm，你可以上去这个数。如果用正常的技术，只能做到这个数。如果采用存储和计算一体化的方式，或许可以突破这个极限，在自然散热的情况下，达到60T、80T甚至100T。这其实也是我们希望探索或达到的目标，这是存储和计算在产品层面融合的实实在在的好处。

此外，存储和计算的集成还有一个好处。它可以使用相对成熟的技术，使计算能力和能效比与先进技术相当，在当前的国际环境下具有一些特殊的意义。即使出现极端情况，依然可以不卡脖子，实现国产自主可控。这样还能造出高能效比、高性能的芯片，在国际形势下又是一个特殊意义。

先来介绍一下厚墨智能，成立于2020年底。有两个人……在公司，一个是集存储和计算于一体的专家，一个是学术背景的技术专家。也有和我一样在行业干了20年，做大芯片，高运算芯片的。以前做云芯片，后来做汽车芯片。两组人一起探索，一起碰撞，发现这些问题。我们认为这可能是解决高计算能力或高性能智能驱动芯片问题的根本方案。我们的人已经建立这家公司大约两年了。去年八月，我制作了第一个视频，这是一个技术样本。今年年初，我把智能驾驶的算法和演示跑了一遍。今年第一个芯片成功投产，希望明年上半年春节后给客户。

我们的第一个芯片是基于一个集成芯片的存储器架构的设计，时间关系不具体。一般来说，从右到左，PPT的橙色部分是以内存盒为主，其次是分布式计算单元。不同的计算单元组成AI核心，最后它成为一个HOC，以cars或Tier1或cars的形式呈现给客户。

去年第一个芯片流片，运行常规智能驱动算法成功点亮。这里有一个PPT上的简单演示，20秒，基于第一个大计算芯片的常规智能驾驶场景。11种常规的检测、分割、识别和其他算法都在集成的存储芯片上运行。我们可以看到，帧是检测，地面是各种分割。它的效果和传统的GPU非常相似，我们可以达到相似或者更好的效果。

从软件的角度来说，我们是一家智能驾驶芯片公司。我在业内多年，我知道客户是怎么想的。客户还是希望软件能尽量接近巨头英伟达的编程模式，这样最方便客户迁移。我们采用了类似CUDA的编程方法，降低了客户的开发成本。

整个算法和软件的发展趋势是软硬解耦。我们希望基于软硬解耦的理念，让我们的芯片和工具链尽可能的开放，让更多的第三方算法公司或者Tier1或者OEM厂商能够以比较快的速度开发自己的软件，这也是我们自己的想法。整个芯片和软件都是基于这个理念设计的，这也是我们和Mobileye黑盒模型的区别。

这两年从第一代芯片到现在，我们和一些客户有合作，主要是物流、零售、乘用车等无人车领域，和Tier1级别的OEM合作。总的来说，后摩尔智能的愿景是做一个后摩尔时代的智能计算平台，公司的名字也来源于这个愿景。目前我们其实是在专注于无人车，智能驾驶，乘用车。这是我们目前重点关注的主要场景。我们希望在这两个领域站稳脚跟，也希望和更多的合作伙伴一起做。在未来的万物智能时代，希望我们能为仿生机器人和AR/VR场景提供更高效的智能计算平台，为万物智能的美好愿景做出我们公司的微薄贡献。

以上是我的分享，谢谢！

(注:本文根据现场速记整理，未经发言人审核。)2022年12月16日-17日，由安徽省发展和改革委员会作为指导单位，合肥市人民政府、中国电动汽车百人会作为共同主办单位的“2022全球智能汽车产业峰会”在安徽合肥召开。本届论坛围绕“全球新变革与智能汽车发展新战略”主题，设置了五场主题论坛和两场闭门会议，与行业组织、高校、龙头企业代表共同探讨中国智能汽车发展新路径。

其中，在12月17日举办的“生态论坛”上，厚模智能创始人兼CEO吴强发表了精彩演讲。以下为现场演讲:

大家早上好！很高兴代表厚摩智能参加本次峰会。我今天分享的主题是“如何以自主创新打造更加自主可控的智能驾驶芯片”。

汽车的电动化、智能化给国产汽车带来了难得的历史机遇。PPT左图显示我国电气化普及程度已经处于世界前列，右图显示智能驾驶L2及以上普及率和渗透率也处于世界前列。L2及以上智能驾驶给计算芯片带来新需求。比如智能驾驶芯片相比传统的车载芯片MCU，复杂度和计算能力更接近以前的云芯片或者超级计算芯片。设计、包装等。，与传统的MCU不一样。智能驱动芯片的计算能力接近传统超级计算芯片。很多人说智能驾驶芯片是一个移动的超级计算中心。

此外，低功耗。在传统的超算中心，我对功耗没那么敏感。我在数据中心用电，有空调和制冷，但是在车上，用电有很多问题。汽车是电池驱动的，每个人都是这方面的专家。另外，汽车冷却系统其实挺严密的，对环境温度要求比较高。

第三，成本低。从成本计算来说，一个芯片是很贵的。一台基于A100的服务器能卖几十万，一个企业需要好几台。但是对于汽车，刚才沈老师说了，我们希望每一辆车都能买得起，买得起，装上这样的芯片。我们的车大多在10-30万之间。这些车是主流，高端车是另一个故事。对于10-30万人民币的车，成本是很敏感的。如何做出高性价比，让每辆车都买得起芯片，也是新的需求。

近年来，我们遇到了一个新的话题，这个话题将过去在超级计算中心制造大型计算芯片的人与制造传统车载芯片的人结合起来。这是近几年才出现的有趣现象。

对于L2芯片的发展趋势来说，计算能力是适中的。对于L2+或L2++芯片或更先进的芯片，也有许多最近的发展趋势。它有越来越多的传感器，因为它需要持续支持L1、L2、L2+甚至L2++。随着传感器越来越多，对计算能力的需求也越来越高。其次，对于L2++来说，一些智能驾驶算法越来越复杂，需要不断迭代，BEV出来，Transformer出来，芯片的开放性也很高。这是高级智能驾驶带来的新需求，尤其是近几年。

当前的解决方案存在几个问题。第一个依赖于先进的制造技术。传统MCU就算40 nm，最大也是28nm。现在的智能驾驶正在走向16、14、7甚至5、3nm。先进的技术带来两个问题:1。成本极其昂贵。一个7nm芯片的研发费用需要1亿多美元，7nm芯片需要上亿美元。共享放在车上很贵；2、容易卡脖子，现在这种大形势下，非常容易卡脖子。这是一个问题。

另外，牺牲通用性，解决效率问题，需要计算能力和功耗。我该如何解决这些问题？如果我专门做，不符合整个算法的发展趋势。这是一对矛盾，目前在高级智能驱动芯片上面临矛盾。计算能力越大，耗电量越大。为了解决这个问题，我们面临着如何部署芯片，我们都需要液体冷却吗？高端车一定是液冷的。对于低端车来说，如果采用液冷，整个系统的复杂度会上升，成本又会上去，“如何让每辆车买得起、用得起”的问题又会回来。

我们需要的不是依靠继续走向先进制造工艺的做法。能否从更低层次的结构创新或技术创新来解决此类问题？而更底层的创新方法，也可以解决计算能力、功耗、成本的问题。这可能是我们国内芯片厂商需要探索的问题。在所有的技术创新方向中，有一个非常有前景，那就是存储与计算的融合，也就是将存储与计算融合，重构智能驱动芯片。传统的计算架构是冯诺依曼架构，教科书上都有研究。计算和存储是分开的。每次通过总线加载数据时，都会在计算后将其放回。这是冯·诺依曼建筑。这种计算架构适用于传统CPU，已有60年的历史。很适合做CPU。对于智能驾驶芯片，是AI计算和基于数据的计算，是近几年才出现的。这种事情其实并不合适，数据总线成为瓶颈。另外，计算能力上不去，或者上得去，但是代价很大。我的数据不停的移动，做了很多无效的移动，造成了很大的电量消耗。这是存储和计算的结合。希望从底层架构的创新，或者计算方式的创新，从根本上解决这个问题。

如果计算能力大，不用那么高阶昂贵的先进技术也能做到。另外避免了大部分的数据处理，可以保存90%的数据，也节省了功耗和成本。这是我们很多行业的同事探索的一个新的技术方向。比如存储和计算一体化的能效还是有一个数量级的提升，这是技术优势。体现在产品上，能做些什么？举个例子，你们很多人都是汽车专家，知道汽车需要散热，散热的方式有几种，自然风冷，风扇散热，液冷。对于大多数汽车厂商来说，最理想的方式是自然风冷或者自然冷却或者被动散热，成本更低，系统复杂度更低，但是有一种是刚需，功耗在15瓦或者20瓦以内。如果想要大的计算能力，那么自己和低功耗是天然的矛盾。如何解决这个问题？我想自然散热或者低功耗散热，所以计算能力不高，只能做到几十t到20T，按照现在的技术已经是极限了。除非你去更贵的5nm和3nm，你可以上去这个数。如果用正常的技术，只能做到这个数。如果采用存储和计算一体化的方式，或许可以突破这个极限，在自然散热的情况下，达到60T、80T甚至100T。这其实也是我们希望探索或达到的目标，这是存储和计算在产品层面融合的实实在在的好处。

此外，存储和计算的集成还有一个好处。它可以使用相对成熟的技术，使计算能力和能效比与先进技术相当，在当前的国际环境下具有一些特殊的意义。即使出现极端情况，依然可以不卡脖子，实现国产自主可控。这样还能造出高能效比、高性能的芯片，在国际形势下又是一个特殊意义。

先来介绍一下厚墨智能，成立于2020年底。有两个人……在公司，一个是集存储和计算于一体的专家，一个是学术背景的技术专家。也有和我一样在行业干了20年，做大芯片，高运算芯片的。以前做云芯片，后来做汽车芯片。两组人一起探索，一起碰撞，发现这些问题。我们认为这可能是解决高计算能力或高性能智能驱动芯片问题的根本方案。我们的人已经建立这家公司大约两年了。去年八月，我制作了第一个视频，这是一个技术样本。今年年初，我把智能驾驶的算法和演示跑了一遍。今年第一个芯片成功投产，希望明年上半年春节后给客户。

我们的第一个芯片是基于一个集成芯片的存储器架构的设计，时间关系不具体。一般来说，从右到左，PPT的橙色部分是以内存盒为主，其次是分布式计算单元。不同的计算单元组成AI核心，最后它成为一个HOC，以cars或Tier1或cars的形式呈现给客户。

去年第一个芯片流片，运行常规智能驱动算法成功点亮。这里有一个PPT上的简单演示，20秒，基于第一个大计算芯片的常规智能驾驶场景。11种常规的检测、分割、识别和其他算法都在集成的存储芯片上运行。我们可以看到，帧是检测，地面是各种分割。它的效果和传统的GPU非常相似，我们可以达到相似或者更好的效果。

从软件的角度来说，我们是一家智能驾驶芯片公司。我在业内多年，我知道客户是怎么想的。客户还是希望软件能尽量接近巨头英伟达的编程模式，这样最方便客户迁移。我们采用了类似CUDA的编程方法，降低了客户的开发成本。

整个算法和软件的发展趋势是软硬解耦。我们希望基于软硬解耦的理念，让我们的芯片和工具链尽可能的开放，让更多的第三方算法公司或者Tier1或者OEM厂商能够以比较快的速度开发自己的软件，这也是我们自己的想法。整个芯片和软件都是基于这个理念设计的，这也是我们和Mobileye黑盒模型的区别。

这两年从第一代芯片到现在，我们和一些客户有合作，主要是物流、零售、乘用车等无人车领域，和Tier1级别的OEM合作。总的来说，后摩尔智能的愿景是做一个后摩尔时代的智能计算平台，公司的名字也来源于这个愿景。目前我们其实是在专注于无人车，智能驾驶，乘用车。这是我们目前重点关注的主要场景。我们希望在这两个领域站稳脚跟，也希望和更多的合作伙伴一起做。在未来的万物智能时代，希望我们能为仿生机器人和AR/VR场景提供更高效的智能计算平台，为万物智能的美好愿景做出我们公司的微薄贡献。

以上是我的分享，谢谢！

(注:本文根据现场速记整理，未经发言人审核。)

标签：理念曼发现

汽车资讯热门资讯