汽车导航 汽车导航
Ctrl+D收藏汽车导航
首页 > 汽车资讯 > 正文

地平线罗恒博士:如何打造一颗好的自动驾驶AI芯片

作者:

时间:1900/1/1 0:00:00

1月20日,地平线在智东公开课开设的“地平线AI芯片技术专场”圆满结束。在本次专场中,地平线BPU算法负责人罗恒博士以“如何打造一款好的自动驾驶AI芯片”为主题进行了直播讲解。罗恒博士对四个部分进行了深入解读:人工智能计算需求增长带来的领域特定架构芯片、自动驾驶软件算法解决方案,从自动驾驶软件算法解决方案的角度对AI芯片的要求,以及设计自动驾驶AI芯片的一些实践。本次特别会议分为主讲人和问答环节;以下是整个讲座的记录:

特斯拉,发现,世纪,DS,小鹏

大家好,很高兴能和大家讨论地平线在自动驾驶芯片设计方面的一些想法。我叫罗恒,2011年毕业于上海交通大学,获得博士学位。在博士期间,我一直在做深度学习的研究,后来与图灵奖得主Yoshua Bengio一起进行博士后研究;2016年,他加入地平线,从事与BPU算法和工具链相关的产品研发,先后推动了中国首个边缘AI芯片和首个汽车级芯片的诞生。2020年,车标芯片荣获“第十届吴文军人工智能特别奖”芯片项目一等奖。

特斯拉,发现,世纪,DS,小鹏

首先,我想和大家分享一张杰夫·迪恩2017年的照片。这张图解释了为什么人工智能是可能的。人工智能有两种算法:一种是传统算法,比如上面的紫色线段。随着数据量和模型复杂性的增加,精度和精度迅速达到饱和。同时,传统算法主要依靠人工设计;

笔记

拼音 双语对照另一种算法是基于机器学习或神经网络的算法。当数据量小、模型小时,这种算法可能不如人工设计的算法准确。然而,随着数据和计算的增加,它们的准确性将继续提高。目前,大多数人工智能任务还没有达到饱和。只要数据量增加,模型变得更大,性能就可能继续提高。上图中垂直轴的精度表示模型的精度。如果模型能够代表软件的功能,那么它就可以不断地改进软件的功能。例如抖音,它的数据非常容易获取,当你只浏览它时,它会捕捉到数据。当你不刷它时,当前的内容会一直播放。这是因为它迫使你给出反馈,然后使用这个反馈在云中执行大量计算来估计你的偏好。估计您的偏好是模型的结果,也就是软件功能本身的结果。当越来越多的用户使用抖音时,云计算变得非常容易,可以不断提高模型和软件功能的准确性。在抖音或其他互联网应用中,因为问题是完全定义的,所以它们实际上是一项相对简单的任务。然而,自动驾驶不同。尽管自动驾驶也使用了各种型号,但这些型号并不能直接对应最终的功能。即使模型的准确性能够不断提高,自动驾驶的功能能否不断提高仍然是个问题。例如,特斯拉继续以端到端的方式发展,希望使用一个代表软件功能的模型,然后使用数据和计算不断优化自动驾驶的功能。自动驾驶是一种人工智能计算,多年来对人工智能计算的需求快速增长,带来了大量特定领域的架构芯片,这些芯片与以前的CPU有很大不同。然而,这些人工智能计算芯片也面临着巨大的挑战,表现为自动驾驶的软件算法解决方案并不收敛,即使在同一家公司,软件算法的解决方案也在不断迭代和变化。从这些软件算法中,我们也可以看到对人工智能芯片的需求,算法本身也在高速发展。然后结合以上内容,让我们看看我们是如何思考和设计自主AI芯片的。因此,本演示主要分为以下四个部分:1对人工智能计算的需求不断增长,导致了特定领域的架构芯片2自动驾驶软件算法方案3从自动驾驶软件的算法解决方案角度对人工智能芯片的要求4自动驾驶人工智能芯片设计的一些实践1。对人工智能计算日益增长的需求带来了特定领域的架构芯片

特斯拉,发现,世纪,DS,小鹏

上图中右边的横轴代表了那个时代。2012年,AlexNet首次赢得ImageNet比赛,并掀起了一轮人工智能热潮。纵轴表示训练这些模型所需的时间,可以看出,在过去7年中,对计算能力的需求增加了6个数量级。然而,同一时期左侧的图表显示,通用计算或CPU的增长速度正在迅速放缓。当摩尔定律发挥作用时,最快的计算性能可以每一年半翻一番。但现在,它已经从每6年翻了一番,变成了每20年翻一番,所以CPU注定无法提供AI计算能力。当计算需求远远超过摩尔定律和以前人类为提高计算能力和速度所做的努力时,我们该怎么办?我们发现,机器学习和神经网络大多是线性代数的加速运算,与通用编程语言相比,它们具有很大的加速和并行空间的可能性。以矩阵乘法为例,如果在Python中运行矩阵乘法的速度为1,那么当使用具有更多机器学习功能的C语言进行编写时,速度会提高47倍;如果将一些循环并行化,它可以增加到300多次;

笔记

拼音 双语对照如果你对存储进行一些优化,并将其增加到6000多次,最后在硬件上为矢量计算添加一些加速指令,它可以增加到60000多次。从1万次提高到6万次,来自于对具体问题的深刻理解。随着巨大的需求和相应的解决方案,整个行业开始在人工智能专用加速器方面取得快速进展。代表产品是谷歌2015年在自己的数据中心使用的高度定制的人工智能推理芯片TPU。2019年,计算需求已经从最早的云转移到了自动驾驶领域,尤其是随着特斯拉开始使用自己的高度定制的人工智能推理芯片FSD。与此同时,2019年,全球约有100个组织已经推出或正在开发人工智能推理芯片,而这个数字现在可能会变得更大。由于如何设计和评估这些芯片是密切相关的,因此可以从以下三个方面考虑这些芯片的正确设计/评估:首先,人工智能模型在不同的任务和场景中有不同的性能评估目标;其次,该芯片是一种具有不同成本和功率约束的物理实现。由于目前只有少量人工智能任务实现收敛,算法本身也在不断迭代;最后,人工智能算法本身并没有尽可能快。不同的算法也有准确性问题,同时考虑快速和准确是很重要的。充分考虑以上三点,我们可以更深入地了解这些芯片的设计和评估,并在设计中进行权衡。地平线成立于2015年6月,是中国第一家人工智能芯片创业公司。地平线的定位是做边缘的人工智能芯片,不同的企业定位背后是不同的需求。与英伟达、华为和谷歌一样,他们的整体架构设计主要面向数据中心,这些数据中心通常处理大量数据,需要高吞吐量和有限的时间响应;并且在云中,有很多类型的人工智能任务,基本上所有类型的任务都可以在云中找到;然而,在云中,任务本身局限于虚拟世界,这是一个封闭的、定义明确的任务,因此模型加速是最核心的负载。与数据中心相比,自动驾驶的要求可能非常不同,这些不同的要求也会导致不同的设计权衡。例如,对于自动驾驶来说,无论采用何种技术路线,都有一个无法避免的事实:处理后的数据是流式数据,即数据通过各种传感器不断到达车辆。此时,必须立即处理数据,并且延迟越低越好。延迟越低,对周围条件的反应就越灵敏,及时制动,并控制车辆的体积以确保安全。从设计角度来看,我们的芯片和特斯拉FSD都针对Batchsize=1进行了优化。GPU和其他以云为核心业务的公司经常设计需要相对大量数据并积累更多数据的人工智能芯片,以实现更好的芯片利用率。2自动驾驶软件算法方案对于自动驾驶,虽然有各种传感器,但从计算的角度来看,核心是计算视觉,主要有两个原因:第一个原因是整个物理世界是一个语义世界,自动驾驶汽车需要识别交通标志、前方车道线,以及障碍物是普通障碍物还是随时移动的障碍物,这些都是无法通过视觉以外的解决方案解决的语义问题;

笔记

拼音 双语对照第二个原因是视觉可以带来最大的数据量,而其他传感器每秒获得的数据量与相机获得的数据相差许多数量级。同时,由于软件算法在连续重构过程中往往需要不同的方案设计,因此需要不同的加速方法。因此,有必要充分考虑人工智能加速与CPU、GPU和DSP的协调。在车辆上,在成本、散热和云计算方面也有完全不同的限制。由于车辆关系到人的生命安全,因此对其可靠性也有很高的要求。以下是从需求端来看自动驾驶软件算法的挑战。首先是技术路线。在纯视觉解决方案中,特斯拉是主要参与者。他们认为,视觉可以提供最大的冗余,而激光雷达或其他传感器提供的数据量很小,容易出现问题。然而,视觉数据量非常大,并且模型的鲁棒性非常好。在多传感器融合方案中,例如中国的华为和小鹏。此外,像Mobileye一样,它希望有两套传感系统来实现冗余。当两套传感系统之间的相关性很低时,可以大大提高整个系统的安全性。从行业角度来看,即使对一家公司来说,软件算法解决方案也在不断变化,特斯拉就是一个典型的例子。起初,特斯拉使用Mobileye的解决方案来解决自动驾驶问题,然后开始开发自己的算法来使用NVIDIA GPU。人们进一步发现,NVIDIA GPU在功耗、计算能力和成本方面都无法满足需求。后来,特斯拉开发了自己的FSD芯片,并于2019年投入使用。无论是放弃Mobileye,转向NVIDIA,还是开发FSD芯片,硬件的每一次重大变化都会带来软件算法的重大变化。去年,特斯拉放弃了雷达,这相当于完全使用神经网络模型来估计物体的距离和加速度。这是对软件算法的又一次更改。去年的人工智能日,来自多个摄像头的视频被直接输入到模型中,然后最终通过模型输出,这已经是时空一致的结果。在最近的一次采访中,马斯克表示,特斯拉已经完成了从视觉到矢量空间的完整映射。从上文可以看出,在设计自动驾驶AI芯片时,首先需要对算法软件的未来发展方向做出积极的估计,同时尊重客户对不同解决方案的尝试。因此,有必要找出这些趋势的主要方向和主要矛盾。从自动驾驶软件算法方案看对人工智能芯片的要求

特斯拉,发现,世纪,DS,小鹏

回到算法本身,算法也在迅速变化,算法的许多变化可能会对芯片设计产生一些致命影响。与WaveNet一样,其核心技术是谷歌于2016年发明的将文本转换为文本的语音技术。当它首次出现时,这种算法对计算能力的需求非常大,无法实时完成计算或与人实时交互。当WaveNet算法得到优化,计算效率提高1000倍时,GPU可以实时运行20次。谷歌立即将其商业化,并将其放置在谷歌助手中。然而,该算法只能在云中使用,不能在端到端AIoT场景中使用。此时,谷歌想开发一种基于当时WaveNet算法的加速芯片,但在2018年,该算法再次进化,性能提高了数百倍,使手机CPU能够运行WaveNet。“芯片的开发周期很长,直到2019年才完成芯片的开发。我还没有听说将来会大规模生产这种芯片。“。这是一个极端的例子,所以我想提醒你,算法在不断变化,我们需要对未来做出判断。我们最关心的是视觉,而视觉最重要的方面是卷积神经网络。从20世纪90年代卷积神经网络的诞生到现在,整体发展没有WaveNet那么快。人们看到的是图形,而机器看到的是矩阵,其中像素点代表像素强度、多通道、RGB等。卷积的操作是将输入图像转换为可以理解的图形……

笔记

拼音 双语对照通过机器。在卷积神经网络操作的整个过程中,分辨率不断降低,通道数量不断增加。本质上,它是不断地观察更大范围的图像,然后用一个点来表示更大的范围,也就是说,对图像进行高度抽象,并从不同的层面解释图形。目前,卷积神经网络是人工智能和自动驾驶最重要的模型。特斯拉曾公开表示,卷积占其模型计算量的98%。卷积的计算过程是使用卷积核中的一组参数,它会扫描图像中的每个像素,然后将输入值和参数值逐点相乘,然后累加相乘,得到最终结果。尽管这是一个非常简单的计算,但由于卷积本身的各种变形,以及在深度、宽度和其他方面变化的网络结构,可以生成各种卷积神经网络。卷积层之间也有不同的连接方法,以及各种激活函数的使用。特斯拉,发现,世纪,DS,小鹏

如上图右侧所示,每个圆圈代表一个卷积神经网络,横轴代表卷积神经网络需要多少计算,纵轴代表精度,圆圈代表模型参数的数量。因此,可以看出,这些车型的性能是完全不同的。例如,最右边的两个大圆圈的精度可能略高于70%,但它们所需的计算量与其他网络的计算量有很大不同。也就是说,当硬件均匀地加速所有网络时,获得相同的精度需要10倍的时间来使用正确的模型。在此期间,整个学术界都转向了ImageNet,算法的准确性也在不断提高。除了右边的两个相对特殊的绿色圆圈外,精度通常会随着计算量的增加而增加。然而,在实际工作中,也存在一个问题:需要在速度和准确性之间找到折衷方案。在这一时期,专家设计的一些网络扩展方法可以考虑如何使用更大的网络来实现更好的精度。对于神经网络来说,如果有更多的数据和计算,它们的准确性将迅速提高。从2012年AlexNet首次参加ImageNet到2017年比赛的最后阶段,卷积神经网络的准确性一直很高。在这一点上,我们开始寻找在相同精度下减少计算并提高模型效率的方法。出现了一系列具有代表性的模型:SqueezeNet、MobileNet和ShuffleNet。此时,也出现了自卷积神经网络出现以来最重要的变化:深度卷积。另一个变化是需要在模型的计算复杂性和准确性之间找到折衷方案。此时,您可以开始在小范围内进行搜索,并使用一些自动搜索。2019年,随着高效网络的出现,我们认为卷积神经网络结构的演变暂时进入了逐步发展的阶段。为什么?因为在过去二十年的卷积发展中,出现了深度卷积,而传统算法是人工设计模型结构,然后到机器设计模型结构的,这也是一个重大的变化。这两个主要变化在EfficientNet中结合得很好,因此我们认为卷积中出现新变化的可能性较小。“自2019年在EfficientNet上发表以来,我们已经看到了这一观点,到目前为止,它仍然是可靠的。”。接下来是Transformer,它实际上是一个非常特殊的神经网络。卷积神经网络通过多层卷积,在通过非常深的层数后,可以在特征图上的一点上看到原始图像的更大区域。以识别建筑为例,如果你想识别一座建筑,你不仅需要看到有窗户,还需要看到屋顶、天空和地面之间的关系。它们之间存在着远距离的相关性。当天空、草地、窗户等同时符合一定的空间规则时,可以将其定义为建筑或庄园。Transformer来自自然语言处理,其机制是从输入开始计算任意两点之间的相关性。也就是说,每一层计算都可以直接进行……

笔记

拼音 双语对照在很长一段距离内成对极性。CNN不具备这种能力,它对理解图像至关重要。因此,Transformer在实际应用中显示出了巨大的潜力,但仍然存在一个问题:Transformer很难定义可视化任务中的基本单元是什么。基本单元可以是大的也可以是小的。例如,在高分辨率语义分割中,基本单元可以是像素级的,而在一些对象识别中,基本单位可以是汽车和行人等大型对象。当Transformer计算任意两点之间的相关性时,它会生成大量的计算。“如果你不计算点之间的相关性,而是限制斑块之间相关性的计算。如果斑块设置太大,一些精细的相关性将被忽略。如果斑块设定太小,则计算量太大。”。类似工作如Transformer所采取的方法是限制计算相关性的范围,即,以限制自我注意的范围。不需要计算与整个图的相关性,而只需要计算与某些部分的相关性。优点是保证了计算效率,而缺点是Transformer相对于CNN的最大特异性是有限的,并且这种限制在某种程度上受到GPU的限制,GPU在长距离成对计算的计算架构中不是很友好。总之,与卷积神经网络相比,Transformer有一个全新的功能,但这个全新的功能尚未得到充分利用。因此,在短期内,它仍将专注于卷积神经网络,而Transformer提供了一些特殊的功能。例如,特斯拉最终需要将多个摄像头的视频融合在一起,以获得完整的矢量空间表示。对于在模型中输入不同的相机数据后的特征融合,使用Transformer是一种非常好的方法。过去设计的芯片无法使用吗?Transformer基本上仍然在大多数计算中执行矩阵乘法,因此现有的人工智能芯片可以加速它。真正的挑战是各种局部注意力的方式,这对灵活的数据访问提出了挑战。

特斯拉,发现,世纪,DS,小鹏

上面描述了许多外部需求。当芯片真正可用时,您如何评估其性能?如何设计?这通常是一个峰值计算能力问题。然而,仅靠峰值计算能力并不能真正反映芯片性能。如上图所示,两个人工智能加速器的峰值计算能力相差数倍,但当实际运行在不同的模型中时,结果有时相似,有时存在显著差异。因此,一个大的计算芯片不一定运行得很快,而一个小的计算芯片也不一定运行很慢。它们受到各种方面的影响,如加速器体系结构、DDR带宽、编译器优化策略、模型体系结构、输入大小和对齐。当计算这么多模型时,如果你知道哪个模型最重要,问题就会变得更简单。自动驾驶最重要的视觉任务是什么?自动驾驶的核心是识别周围有哪些物体,它们是什么,它们的属性是什么,以及它们离车辆有多近。它还需要识别一些小物体,即识别远处的物体。因此,核心负载是一个高分辨率的物体检测问题。同时,数据是流数据,需要立即处理,因此它也是Batchsize=1的高分辨率对象检测。选择在COCO数据集上运行各种算法,无论是在我们的芯片上还是在GPU上,EfficientNet都可以以相同的精度实现最快的速度。尽管GPU对高效网络的支持并不友好,但高效网络的计算能力仍然是ResNet的七到八倍。

特斯拉,发现,世纪,DS,小鹏

上面的图像显示了评估结果,横轴表示帧速率,纵轴表示精度。橙色线表示在Xavier上运行的结果。可以看出,当相对精度相对较高时,Xavier可以提供非常低的帧速率。然而,在实际应用中,精度仍然需要更高。此外,需要处理多个摄像头,并且多个摄像头的分辨率往往高于COCO。这就是为什么Xavier不能很好地支持自动驾驶计划,也是为什么特斯拉必须开发自己的芯片。黄线是我们估计的Orin结果。一方面,这里的估计方法结合了……

笔记

拼音 双语对照s NVIDIA关于Orin计算能力的公开信息,以及Orin在Xavier能力方面的相对改进描述;另一方面,根据NVIDIA RTX3090,由于NVIDIA RTX3090和Orin都使用安培架构,我们将对利用率进行一些调整。从整体评估结果来看,与Orin相比,我们的AI芯片有了显著的改进。如果你在不同精度下平均帧速率,它大约是Orin的两倍;在功耗方面,我们的芯片只有20瓦,而Orin的功耗为65瓦;在能源效率方面,我们已经提高了六倍多。4.设计自动驾驶人工智能芯片的一些实践如何设计人工智能芯片?地平线是一家算法公司,与其他公司在人工智能芯片方面的最大区别在于,我们相信算法是动态的,不断变化的,我们总是在预测未来的趋势。同时,我们是一家芯片公司,不仅要看算法本身,还要看重新计算对计算架构的影响,这也让我们能够在深度革命刚刚推出时迅速关注它。仅从算法的性能来看,最核心的计算单元Depth已经发生了变化。如果与芯片相结合,可以发现其计算要求非常不同。

特斯拉,发现,世纪,DS,小鹏

2019年,学术界对三种类型的模型进行了分析:AlexNet、GoogleNet和MobileNet。如上图所示,横轴的差异代表三个模型,纵轴代表数据重用。数据重用率越高,对模型加速的带宽要求就越高。从上图中可以看出,MobileNet和其他两个模型非常不同,有两个数量级的差异,这会显著影响计算架构。因为我们有算法背景,并且关心算法的发展趋势,所以我们将算法与计算结合起来看待,因此我们可以快速识别哪些方面对计算架构有重大影响,并且它可能在未来成为一种非常高效的算法。同时,地平线也是一家集硬件和软件于一体的公司。它不仅可以满足对软件算法的讨论,还可以将其集成到硬件中,以最大限度地提高芯片效率。在软件算法层面,2017年7月,我们发现当模型很小时,准确性的损失是显著的。因此,我们设计了一套定量训练算法来解决深度模型使用定量训练的准确性问题,并申请了专利。在学术界,谷歌直到2019年才推出相应的量化算法。现在我们的算法和硬件架构正在向前发展,我们只需要对这些模型使用浮点模型转换。我们已经为工具链中的100多个客户提供了支持,在准确性问题上也表现良好。同时,还有其他考虑因素,例如内核大小。由于传统卷积中扩展内核大小的成本很高,而深度卷积中的计算量很小,因此在这种情况下扩展内核大小成本很低。在软件算法层面验证的基础上,我们在FPGA上进行了现场测试,并引入了软件算法方案。最终,我们获得了2019年CES创新奖。让我们回到自动驾驶场景本身。尽管技术路线和软件算法方案的演变各不相同,但也有一些共性,如完整的数据链路考虑、准确性和性能之间的权衡以及多个模型的灵活调度。此外,自动驾驶对检测精度要求很高。在评估软件和硬件算法方案时,IoU=0.9;当需要检测远处物体以实现小物体检测时,需要高分辨率输入;

笔记

拼音 双语对照对高优先级任务的稳定性和抢占性也有要求。同时,与一些涉及许多高分辨率输出的语义分割任务一样,带宽压力很大,需要进行带宽压缩。此外,当自动驾驶需要适应光强的显著变化时,需要融合激光雷达数据。有时我想使用ISP,但我不希望ISP的延迟太长。当ISP处理其中的一部分时,BPU和AI加速会提前启动,双方都会从叠加中向前推进。这些都是我们的设计。

特斯拉,发现,世纪,DS,小鹏

根据上述内容,我们需要在更大的空间内设计人工智能芯片。我们应该具体做些什么?我们经历了两个阶段。第一阶段如上图左侧所示,一半是硬件,一半是软件。我们希望同时考虑硬件和软件。那么你是如何将它们结合起来的呢?过去,公司有几个团队,右边是软件团队、算法团队和编译器团队。软件团队主要关注整体软件解决方案应该如何安排,以及各个方面的性能瓶颈是如何出现的;算法团队主要关注整个算法的发展趋势以及需要考虑哪些可能性;在确定软件算法方案后,编译团队将进一步分析数据重用情况,并分析数据计算的并行性。有了这些分析,可以向硬件团队提交更详细的需求,然后硬件团队将这些详细的需求结合起来进行指令级设计、加速器设计和存储设计。同时,硬件团队会在设计过程中提出一些新的限制,然后软件团队会考虑双方如何合作,哪些由硬件团队完成,哪些由软件团队完成,以及如何在保持未来灵活性的同时保持高效率。经过五六年的合作进化,从最初的人与人之间的合作,逐渐成为现在的一些流程和工具。目前,主要是上图右侧所示的方式。软件算法团队主要致力于Benchmarks,他们已经定义了哪些Benchmark需要测试。目前,它主要集中在模型层面,而更完整的解决方案仍在继续推进。模型性能分析工具层可以理解为一个简单的模拟器,这意味着编译器团队以前的手动工作现在变成了一个工具。编译器团队不再直接对单个模型进行工作,只要工具做得好,就可以获得所有的模型结果。它将得到两个内容,一个是硬件施加的各种限制,例如硬件的各种配置和特性。有了这些,您可以生成一系列指令,这些指令可以在BPU架构建模的建模工具中使用。一方面,它可以直接使用一些高级综合方法来获得功耗面积,另一方面,可以使用这些指令流来估计性能。同时,模型性能分析工具模拟器还可以估计性能和准确性。当这样的工具可用时,其优点是它可以使Benchmark变得更大,工程师不再研究模型,而是研究工具。架构设计团队也可以有更多的选择。这些选项是用少量编码在更大的空间内完成各种软件和硬件解决方案的组合。以上是我们设计人工智能芯片的不同方面。一方面,我们从需求、软件算法解决方案和算法进化开始,另一方面,充分整合软硬件,共同优化我们的目标。

笔记

拼音 双语对照

标签:特斯拉发现世纪DS小鹏

汽车资讯热门资讯
成都车展众生相:疫情打不垮的是扛着压力前行的人们

来势汹汹的德尔塔病让一个月之前的我们不得不去揣测这次车展是否会选择取消或者无限期延迟。但是现在看来,我们只猜对了一半,或者说猜对的部分也可以忽略不计。

1900/1/1 0:00:00
1.5T干到200匹马力,第五代途胜L原厂车就有如此狂暴的动力

作为一款全新换代车型,第五代途胜参数询价L可不止命名多个“L”那么简单,它不仅采用焕然一新的风格、配置,而且基于全新iGMP平台,搭载Hyundaismartstream新一代动力总成,

1900/1/1 0:00:00
2021成都车展最具“舍我其谁”气质的车型:MG ONE

当下汽车圈有两个发展的主线,第一是智能化,第二就是年轻化。目前中国汽车市场中,完美契合这两条主旋律发展的汽车品牌,非MG莫属。

1900/1/1 0:00:00
越级“大”尺寸,皇冠陆放诠释什么叫“真”七座SUV?

多年来,SUV一直是中国汽车市场上的香饽饽。纵观车市,从前的“唯轿车论”变成了如今“遍地SUV”的盛景。而随着“二胎”和“三胎”政策的落地,在这一细分市场中用户的购车需求也逐渐由五座转向了七座。

1900/1/1 0:00:00
你最讨厌的3缸机,被超跑榨出千匹马力

和很多底蕴深厚的超跑品牌不同,科尼塞克的历史并不长。创始人克里斯蒂安冯科尼塞克的故事也没有费鲁吉欧兰博基尼那般传奇。从小喜欢赛车,梦想是造属于自己的跑车。

1900/1/1 0:00:00