德州仪器（TI）并非对自动驾驶不感兴趣，身为业界领先的汽车芯片供应商，只是有一张完全不同的路线图罢了。据了解，TI 准备利用现有 ADAS 平台实现 Level 4 或 Level 5 自动驾驶。
近日，德仪 ADAS 部门业务经理 Brooke Williams 接受媒体采访时表示，TI 在 5 年前就开始接到汽车厂商的询价了，其中一些是为了达到 Level 4 和 Level 5 自动驾驶，其他厂商则想透过 ADAS 系统拿到五星评级。“我们能满足他们所有要求”，Williams 说。
Williams 表示，TI 的首要目标是“满足厂商的系统级安全需求”。
TI 信心满满是因为在 ASIL（汽车安全完整性等级）评价中已有 30 年经验，此外 TI 还有一连串技术，包括功耗管理、模拟装置、网络解决方案（低压差分信号和以太网）和感测器（如雷达）等。在车载电子方面，TI 唯一的弱点恐怕就是 CMOS 图像感测器和内存了。
“系统级安全”虽然是这次访谈中一直强调的，但从该公司的财务状态明显可看出温和的策略是多么重要。借助其他厂商不屑一顾的 Level 2 自动驾驶，TI 今年第一季在汽车和工业市场的营收增速远超预期。
VSI 创始人兼首席顾问 Phil Magney 指出，“TI 并没有大幅度改革架构，主力产品依然是各种新增的 ADAS 功能，现在 TI 并不忙于开发 Level 4 和 Level 5 功能。时机成熟时，架构同样会支持更高等级的自动驾驶，但现在 TI 更重视车辆安全和舒适性功能，因为这才能带来真金白银。”
“平台不会发生大变化”
如今的 TI 确实心思放在 ADAS 上。
不过，未来如果要从 ADAS 过渡到 Level 4、Level 5，TI 有什么计划？Williams 称，想将汽车带入自动驾驶时代，“我们认为现有平台并不需要大规模变化”。
当然，这种异于常人的看法也让汽车行业分析师多了许多疑问。
IHS Markit 车载电子部门首席分析师 Luca De Ambroggi 表示：“我现在根本想不出 TI 到底要怎么处理现有的 ADAS 解决方案。”如果 TI 要押宝机器视觉，那么就容易理解了。不过，如果 TI 还想在 Level 4 阶段继续使用现有平台，就必须对 Level 2 系统进行大改。
林利集团资深分析师 Mike Demler 同意这观点。他表示：“怎么会有公司设计只能支援 Level 2 系统？这样的系统根本无法兼容神经网络训练，那却是 Level 4 的必需品。当然，两种架构都能兼容数位信号（DSP）处理，但在硬件性能和软件堆叠上的差距却非常大。如果你关注 Mobileye EyeQ 处理器的进化过程，就会发现架构上并没有翻天覆地的变化，但 EyeQ5 性能和功能上却比 EyeQ2 强悍得多。这样的事在辉达 GPU 也正上演。
TI 当然留了一手。Williams 表示公司已做好准备，随时都能透过升级自家硬件架构将深度学习整合进 TDAx 平台。今年初 CES 上，TI 就藉自家 TDA SoC 展示了采用深度学习的语义切分技术。
Williams 解释，TI 想让 TDA SoC 的 EVE（嵌入式视觉引擎）核心负责运行复杂的神经网络算法，而 C66 DSP 核心则担起运行传统机器视觉算法的重任。
▲ TDAx 深度学习转化与切分流程。
TI 的 AI 战略
对于 TI 的 AI 战略，VSI 创始人 Magney 表示：“TI 在 CES 上的表现相当惊艳，居然用低功耗 TDA2 装置实现支援 AI 模组。”Magney 称 TI 这步“相当精明”，让开发者有机会借助最受欢迎的 AI 架构打造自己的算法。
现在市售的 TDA2x SoC 搭载 2 颗 ARM Cortex-A15 核心、4 颗 ARM Cortex-M4 核心、2 颗 C66x DSP 和 4 颗 EVE。可用在前置镜头、环视查看与记录、融合系统等应用中。
如果未来 TI 将深度学习融合进自家 SoC，Magney 认为杀手锏是神经网络转化器，因为这款产品帮 TI 优化了处理器的推理模型，并扩充深度学习库。
DSP 与 EVE 核心的拆分
Williams 指出，TI 不会像辉达一样靠 GPU 之类的产品来运行神经网络算法。它的 EVE 也非常高效，完全可以负责深度学习这一重任。
Magney 解释称，TI 的“DSP 架构倚重 64-bit 浮点运算，而 EVE 则主要依靠32-bit 浮点运算，因此在这对组合中，算法非常重要。”
“由于数据并行能力强且内存架构特殊，因此 EVE 非常适合执行 AI 推理模型。同时，能以非常小的功耗搞定多层级的推理模型。”Magney 补充。
比较 DSP 和 EVE 后，Magney 指出：“使用 64-bit 浮点运算和数学函数其实比 32-bit 浮点运算要慢一些，但精确度更高，同时呈现出的量级也更大。”
当然，处理器架构的主要任务还是解决问题，Demler 解释。“对 CNN 卷积神经网络来说，你需要一个高度并行的架构，无论是以 DSP、GPU 抑或其他特殊的加速器为中心。TI 的引擎是 EVE，辉达则拥有 Cuda 和 DLA，电脑视觉公司 Movidius 靠的是 Shave。值得一提的是，Mobileye 的 EyeQ 虽然有多个特殊核心，但其中一些与 EVE 非常相似。”
De Ambroggi 相信混合模式才是 TI 的最佳选择。最适合用 DSP 来处理传统视觉算法，而 EVE 则用来搞定深度学习，因为这样能解决冗余和一些安全问题。
不过，De Ambroggi 也有些怀疑，因为他担心单一 AI 解决方案是否能通过 ASIL 认证，毕竟在他看来，AI 现在还不够安全。此外，“为了完成优化，你必须拆分核心。”他补充。
当下，对大多数汽车厂商（除了特斯拉）来说，传统的机器学习算法依然握有最大的决定权。
TDAx Next
如今，TI 正在研发全新的 SoC，也就是所谓的“TDAx Next”。由于还未正式公布这款产品，因此 Williams 不愿谈及细节。不过采访中，他暗示新的 TDAx Next 将支援 Level 2 到 Level 5 自动驾驶，不过关于上市时间，TI 拒绝透露。
Williams 反复强调，TI 的战略是要保护汽车厂商和一级供应商在软件上的投资，未来 TI 软件能从 Level 2 车辆迁移到更高等级的自动驾驶汽车上。
Williams 还指出，对自动驾驶汽车的架构，汽车厂商与一级供应商有不同喜好，如边缘处理模式、完整的中央处理器融合或混合模式等。对不同用户的需求，TI 在解决方案上会保持尽可能灵活。
训练 vs. 推理
在深度学习上，TI 明显更器重推理引擎而非为训练提供芯片。这种方式其实在回避一个问题的实质，那就是在深度学习上，一个平台同时兼顾训练和推理是否获得什么固有优势。
Demler 表示：“对主攻推理引擎的供应来说，为转化训练网络提供工具非常重要，一些 CNN-IP 供应商就正在做这一工作。”
Demler 解释称：“从技术上来看，如果开发者正在转换一个预训练网络模型（如 Googlenet 或 Resnet），他们用来校准推理引擎的数据库比训练神经网络的系统还要重要。也就是说，如果开发者想要同时兼顾训练和推理，最好还是使用一套完整工具，虽然从技术上来讲这完全没必要。”
Magney 则坚称：“我认为同时兼顾训练和推理根本无法换来固有优势，特别是当你使用 OpenVX 时。”在他看来，很快这个问题就没有争论意义，因为在训练架构上很快就能有大量选择，而主要的云端计算公司会成为新的服务提供商。
不过，“如果你靠辉达完成训练却部署在 TI 上就很有必要，因为它能像编译器一样帮目标处理器优化推理引擎。”
▲ 德仪的深度学习架构。
Level 2 和 Level 3 的市场有多大？
Level 2 和 Level 3 市场现在依然是个超级聚宝盆，这一观点许多分析师都同意。那么这个市场容量到底有多大？后劲还够吗？
Demler 表示：“每年乘用车销量约为 9,000 万台，眼下 Level 2 的渗透率还很低（Level 3 更是完全为 0），2016 年的新车只有 10% 能用上该技术。”
林利集团认为未来 5 年内搭载该技术的车辆将快速增长，2022 年将达 3,000~4,000 万台。
不过，Demler 也指出，不要把 Level 2 和 Level 3 混为一谈，两者并不相同，未来汽车厂商是否会采用 Level 3 现在谁也说不准。
De Ambroggi 同意这一观点，因为他认为驾驶员还要时刻盯着方向盘的操作方式让人相当疲劳。值得注意的是，IHS 依然未表态 Level 2 和 Level 3 市场的预测。“我们还在调研中”，De Ambroggi 说。
Magney 表示：“我认为 Level 2 和 Level 3 的市场会在未来很长一段时间内继续维持火热。虽然自动驾驶加叫车出游的模式是未来的趋势，但今后几十年，恐怕私人拥有车的传统依然难以扭转。”
（本文由 雷锋网 授权转载；首图来源：shutterstock）
