编者按：

昨天，地平线第二期微讲座正式开讲，主讲人仍是地平线智能驾驶商务总监李星宇。本次讲座主题为“自动驾驶计算平台发展趋势”。很巧的是，最近业界有两个爆炸性的新闻：第一个是英特尔收购Mobileye，第二个是英伟达和博世结成了深度合作联盟。这两个新闻的主角都是自动驾驶计算平台领域的重量级玩家。这让这个讲座题目突然间变得火热起来。

▼

应该说现在自动驾驶在商业化的路径方面，计算平台是一个巨大的挑战，我们看到每家主机厂的实验车的车尾全都是依托机器，所以真的要把自动驾驶这件事情落地，我们要在计算平台上能够达到一个量产化的要求，这里面有三个关键性的指标，第一个就是每瓦的性能，第二个就是每瓦的成本，第三个就是生态系统，包括使用这个计算平台的用户群，还有它的易用性。

在过去大约十年的时间内，整个计算工业的核心驱动力是手机，这是毋庸置疑的。但是现在自动驾驶行业已经超越手机，成为技术行业新的驱动力。我们看到一些什么样需求方面的差异？首先，自动驾驶相对于手机来讲，它对于计算能力的要求非常高，相对于手机可以看到的计算需求，自动驾驶大概要超过两个数量级，数据生成速度方面超过四个数量级，这是非常恐怖的。

除此之外还有自动驾驶的一些特殊的需求，首先就是可靠性，还有功能安全。所有的汽车电子都需要符合AEC—Q100和ISO26262的规范，这个就是AEC的标准。

在实时性方面，自动驾驶有非常明确的最低延迟要求，这个大家是可想而知的。最后在成本方面，它需要有高度的扩展性，因为汽车这个行业对于价格的分级是非常严格的。

今天我想跟大家一起讨论一下在自动驾驶计算平台方面三个主要的玩家，英特尔、高通和英伟达。

首先讨论英特尔，在收购Mobileye以后，其实英特尔在整个战略方面，弥补了它算法方面的不足，与此同时获得的还有针对于专用的ADAS算法所设计的专用处理器IP，最关键的一点，直接通过这次收购，获得了70%的ADAS的市场，这样的话就使得它跟主机厂建立了一个非常稳固的业务联系，利用这样一个支点，就可以撬动它整个汽车行业的整个业务。

应该说在过去英特尔曾经数次尝试进入汽车领域，但是总的成绩其实不是特别突出。一方面与汽车市场本身的处理器的规模有关，也就是它的整个市场的盘子，与过去相比PC行业还不足够大；另一方面汽车这个行业老牌的竞争对手已经充分获取了OEM的信任，这种信任是不容易在短期内建立的。其他的包括像长期供货的承诺也是非常重要的，因为汽车通常要求你的处理器能够实现稳定的周期，在过去英特尔专注消费领域的时候，这样一个条件也是很不容易达到的。但是现在我们看到情况发生了重要的变化，整个汽车工业它的一个演进路径已经完全从机械转向智能化，所以这个使得汽车业在汽车电子方面的ASP得到大大提升，我们预计在未来一辆汽车整个汽车电子的成本会到它整车成本的45%，甚至更高。

就英特尔现在的产品组合来讲，英特尔在自己的数据中心业务上是有绝对的优势。它通过收购英飞凌获得了无线的资产，同时它也是苹果的baseband的供货商之一，它在端方面有它的服务器级芯片，还有收购Altera获得的FPGA资产。所以大家可以看到整个英特尔产品组合可以很好地完成一个基于数据的闭环。也就是说在汽车行业，英特尔可以部署它的设备到端点，就是汽车，通过5G然后回传到数据中心进行处理，所以英特尔非常看重这样一个闭环所带来的商业优势。

尤其是在后台的数据处理方面的优势，我曾经看到过一个报道，就是说自动驾驶的市场规模大概是700亿美元，大概到2023年这样一个时间点，但是后面数据处理的市场可以达到400亿美元，是相当可观的。

英特尔非常深刻了解到一点，那就是在新的5G时代，真正的数据驱动利是来源于IOT的，就是来源于“物”。而在所有的IOT的垂直行业里面，汽车又是最大的数据产生的来源，从现在的评估来看，一辆汽车每一天至少可以产生4TB的数据。

我们再来看一下英伟达，过去一年里英伟达的股价坐火箭，很大程度上在于这波人工智能的热潮带动了GPU的销量，到目前为止英伟达是在深度学习领域，训练平台这块有绝对的优势地位。最近跟博世高调的结盟，以及之前跟ZF建立的深度合作，使得到它在这个汽车领域也获得非常好的一个基础，进军OEM，因为博世是现在最大的ADAS的Tier1，凭借这样一个市场地位，我们可以想像它在后面的智能驾驶时代也会有相当程度的市场份额。

英伟达有一点让我印象深刻，就是它自己的迭代速度非常快，应该说是深度学习行业选择了GPU这个平台，但是英伟达的能力就在于，当它发现了这个趋势以后，它能够快速迭代自己的产品，把这样的一个机会转化为自己在市场上的绝对优势。我们看到它在过去三年里GPU的性能提升了65倍，功耗下降了七倍。所以我们现在在人工智能圈子里开玩笑：如果一个投资人问你，如何用最简单的方法判断一个公司是不是在做深度学习开发，你可以回答他，看他们公司是不是在京东上秒杀TitanX的显卡，就可以知道。这个玩笑也从侧面证实了英伟达在深度学习领域的王者地位。

而且我们注意到，它现在正在重新设计它的GPU的构架，从面向图形的优化设计转向越来越多的面向深度学习进行优化，过去我们看到GPU主要优势在于它自己的微构架适合于面向矩阵类型的数据计算。但是在CUDA之前，其实对GPU的编程需要大量的底层代码，这是非常有挑战性的一个环节。在十年前英伟达推出CUDA平台之后，这样一个局面大大改善了，所以英伟达的成功也是一个生态系统的成功。可以这么讲，CUDA以及随后的像CUDNN、NCCL这样的中间工具的推出，使得深度学习的开发在GPU方面的门槛大大下降。所以现在我们可以看到，整个CUDA的社区已经有30万的开发者，这是非常惊人的一个数字。

英伟达还在持续加强它的优势方面，同时也在尽力改善它的弱势。在过去英伟达被业界认为诟病比较多的就是它GPU的功耗比较高，但是在最近发布的DRIVEAI这个平台上我们看到，其实它在这个方面已经做了极大幅度的改善。他现在可以推出30瓦的平台，而它的性能可以达到30个TOPS，已经超过了之前的Drive PX2。所以进化速度来看，英伟达这家公司还是相当的有竞争力。

回顾英伟达过去的历史，我们可以看到CUDA的诞生其实是为英伟达进入人工智能领域埋下了一个伏笔，但是在那个时代其实人工智能还不是显学，所以往往来讲，商业的成功是留给那些有准备的人，而且是比较偏执的，在别的竞争对手还不敢投入的时候率先投入未来的人。其实英伟达在过去也走过很多弯路，包括他在手机领域推出Tegra处理器其实是惨败，因为它的功耗比较高，但是它的优势在于它发挥了自己的长板，也就是计算性能，而汽车对于功耗的要求又不是很高。所以在这样一个背景下获得了巨大的成功。

高通在汽车市场也有极大的投入，在去年400多亿美元收购了恩智浦以后，它已经成为全球最大的汽车半导体的供应商，因为恩智浦之前收购飞思卡尔，所以使得整个新的高通在汽车电子的产品组合方面比较全面，他在V2X领域是领导者，就是它的DSRC的产品已经成功运用在通用的凯迪拉克上面。在5G方面，高通也是毫无疑问的王者。此外新的高通在毫米波雷达，汽车娱乐导航系统方面都有比较明显的市场优势。

应该说得益于之前飞思卡尔在汽车电子领域长期的优势地位，高通现在拥有一些比较高性价比的产品组合，比如说它推出的BlueBox，自动驾驶平台，这个其实是S32V再加上一个Layerscape的组合。跟像英伟达和英特尔这样比较高端的数百美元甚至更高价格的产品比起来，S32V的价格其实只有20、30美元这样一个量级，所以非常的亲民，这也是它能够在汽车电子领域有高占有率的关键因素之一。

我看到在高性能的计算领域，高通还在进一步的努力。虽然还没有一个市场认可的产品出来，但是高通在汽车半导体领域的长期积累的设计经验还是无人比拟的。像英伟达最近强调它的Xavier平台是符合（ASIL—C）的规范，但是这一点其实在原来的飞思卡尔并不是一个很大的宣传亮点，因为飞思卡尔的产品品质已经完全可以满足OEM的需求。

对于高通来说如何提供更强的计算平台，以及提供基于这个计算平台的一个算法库，进而构建一个有生命力的生态系统是他接下来面对的挑战。

如果我们回顾过去自动驾驶所使用的计算平台，可以看到最开始大家使用CPU，后来上升到GPU，现在GPU和FPG A的组合使用也越来越多。在未来的话，其实是一个基于专用的人工智能IP的处理器的时代。在这样一个时代最显著的特征就是算法和芯片要协同进化，在过去很长的时间内，其实都是算法迁就于芯片的构架。一方面是因为这个计算平台是高度通用化的，不会为某一个应用做高度的优化。另一方面也是因为在那个时代，就处理器本身进行的设计还是一个非常高门槛的。但是现在随着（fabless）模式的成熟，设计一个专用的IP其实在投资方面的门槛已经降低了非常多，所以使得这件事情变成可能。Mobileye就是这样一个成功的典范，Mobileye最开始用PC去开发的，其实也是完全不能投入使用的，他后来跟ST合作一起去做专用的芯片，就是他的EyeQ系列，获得极大的成功。这样的一个进化路径其实也不仅是自动驾驶领域，如果回顾过去的话，我们会发现在其他行业也有类似的一个演进的路径。举一个例子，对于计算有非常高要求的比特币的挖矿，最开始挖比特币的时候用家里的PC就可以挖，到后来发现不行，一定要用GPU去做高性能计算，再后来大家开始成立专业公司去基于FPG A开发定制化的计算构架，那么到最后像Avalon这样的专用的ASIC就出来了，这也是一个历史的例证吧。

虽然说现在深度学习的计算平台已经比较多，表现也在持续的优化，但是如果你专门去看某一个计算平台，会发现在深度学习方面还有相当多的局限性。比如对GPU来说，内存带宽依然是它永远的痛，所以虽然现在的显存的带pin脚的数量已经超过384位，它的memorycontroller已经达到4096位之多，但是依然不能满足这种恐怖的中间结果带来的需求。所以在很多的时候，其实不是GPU的计算单元不够用，而是计算单元在等待数据的到来。

GPU并行计算的模式不够灵活，很难对它进行拆分，然后完成一个不同计算任务的并发操作，比如Titan x它有接近4000个核，但是只能运行相同的任务，而且因为粒度太细，或者说有些算法计算量本身并不是很大，一个非常重的卷积需要10毫秒，一个非常轻的卷积也需要10毫秒，所以对于算法本身的适应性也是显得不够有针对性。

除此之外我们还发现GPU这种并行计算的模式无法对串行化的算法进行优化，而很多算法都是有依赖性的，即它后面的计算依赖于前面的结果，没有办法做到绝对的并行。GPU本身的双精度和ECC其实对深度学习的意义也不是很大，所以等于是在浪费它的计算资源，而且会增加额外的功耗。

应该说FPGA在很大程度上克服了这些弱点，因为FPGA的计算构架是可以全定制的，但是FPG A其实也有它自己的问题，一方面是FPG A产品本身迭代比较慢，这个与摩尔定律不一样，FPG A的迭代一般来讲是四年会产生一代新的产品，所以在这块还是无法满足一个自动驾驶高速演进的需求。另外一点就是当你对于门阵列和（internalmemory）的需求比较大的时候，它的成本也会变得比较高。

所以在现在我们会发现，像Nervana或者是深鉴科技、地平线这样的初创公司其实都在做专有的深度学习计算构架的设计，一方面就是需要去克服现有的计算平台在深度学习计算方面的不足，比如说关键的一个就是存储器构架的设计，GPU它的缓存很少，而且GPU的缓存是透明的，不受控制。但是CNN的卷积操作其实是需要大量中间结果的输入和输出的，这就需要有受控的内部（iram）来进行结果的暂存，如果没有这样一个内部的（iram）的话就需要访问外存，那么就会导致严重的带宽的问题。

所以这种专有的深度学习构架的设计方面，在存储器构架方面都会比现在GPU密度高得多（internaliram）。除此之外，在计算单元的设置方面，也是有持续的进步，深度学习的算法本身在高速的演进，我们看到越来越多这种新算法的产生，而这种新算法的产生需要在计算构架上面有高度的灵活性。比如举一个例子，原来的CNN操作可能是浮点的操作，现在为了减少对计算资源的需求，从浮点转到定点是一个趋势，在定点方面，从八位转到两位也是一个趋势，就是二值网络，这样一个二值网络的出现，使得原来需要用八位乘法器来进行的操作变成一个简单的XOR操作，在计算资源方面是一个极大的节约。不同的这种复杂性和计算构架可以组合在一起，适配不同的网络组合。因为有些任务可能是需要用简单的二值网络进行一个粗的预处理，然后后面对于某些任务再进行一个比较清晰的互联网的处理，这样的一个算法的组合都要求你的计算构架也要有对应的灵活性。

在处理器的指令集方面也是一样的，我们在过去看到无数的例子，就是一个比较常用的函数的操作，在新的计算构架方面转化为一条专用的指令。比如说举一个例子，在过去的多媒体时代，英特尔曾经推出过MMX这个指令集，本身来讲就是用来完成视频的编解码、压缩和解压直接的操作，使得对计算资源的需求可以大大下降，因为它是有专有的构架和专有的指令集。同样在深度学习方面我们可以定制专有的指令，直接进行卷积的操作。

那么在CNN网络结构优化方面刚才也谈到了一些，总的一个原则，你需要根据具体的数据和任务特点来进行一个设计，所以要求的就是高度的灵活和高度的动态化。

我们在深度学习计算构架方面，从一个一致的结构走向一个异构的组合结构，可以大大优化整个系统的能耗，降低成本，因为不需要一个单一的很重的计算模型，去适配置所有的任务。同时，从并发计算走向序列化计算也是一个趋势，尤其是在自动驾驶对于整个活动态势预测的需求方面，这边是有比较明确的需求，比如说我们会使用递归神经网络，或者由此衍生过来的像长短时记忆模型去做，它其实是一个高度序列化计算的需求。

从整个业界趋势来看，专门针对深度学习进行计算处理构架的设计，已经是一个趋势，无论是英伟达还是英特尔，还是大量的初创公司都在往这个路径去走，我们相信在未来深度学习所需要的这种计算构架，会表现出非常高的性能，极低功耗和极低成本的一个趋势，谢谢大家。

提问1：汽车届大多数人把tesla auto pilot 2.0当成L3，这个有争论吗？

李星宇：关于这个问题，如果我们从直观上看的话，auto pilot 2.0那的确是有这样一个能力，也就是说在限定环节下的自动驾驶，但是从实际上来讲，魔鬼往往就隐藏在细节之中，所以我们其实还是要看它具体的表现，毕竟它现在还处于测试期，还没有看到大规模的反馈过来。

提问2：由于5G推出时间以及标准等方面的问题，DSRC应该是V2X的应用主流，对这个问题如何看待？

李星宇：在这个问题上其实决定性的因素是比较复杂的，DSRC或者广义上来讲V2X是典型标准驱动的一个行业，所以在这个领域大国之间的博弈表现的非常明显。DSRC优势在于它推出的时间非常早，大概在十几年前DSRC有已经开始开发了，是基于802.11的工作组的成果来做的，所以他们经验比较丰富，也做得比较成熟，包括通用凯迪拉克也是用的这个，从现在情况来看，北美一定会使用DSRC，但是在其他的国家和地区，比如说欧盟和中国是极有可能不会用的。应该说从现在的一个态势来看，整个自动驾驶还处于一个较为早期的开发阶段，所以从自动驾驶商业化的时间表来看，5G推出的时间是可以满足它的商业化需求的。

我们了解到在国内的层面，今年上半年我们V2X的标准就会冻结，所以这也是一个里程碑。

提问3.我们知道NVIDIA的DRIVEPX2是基于16nm工艺打造的，运算速度非常快，同时也非常昂贵。您认为自动驾驶计算平台（SoC）会朝着16nm工艺发展吗？NXP、瑞萨等会及时跟进推出同样制程工艺的产品吗?为什么？

李星宇：应该说在半导体这个领域，就好像是一个德洲扑克的游戏一样，如果你想继续在这个领域里面玩，就需要持续的押注，而且这个押注的筹码越来越大，所以从这个意义上讲无论是高通还是瑞萨，都会持续的跟进最新的供应节点。

比较有趣的一点是，从整个半导体的发展态势来看，28纳米其实是一个最经济的节点，在28纳米以后，随着（制程）的缩减，包括16、14，包括10，其实它的成本反倒是不降反升的，这里面有工艺本身价格的原因，优良率各方面的原因。

恩智浦因为现在被高通收购，所以这个其实已经不存在争议，16的已经有了，那么它还会继续往10纳米、7纳米演进。瑞萨我的印象里它的新一代的（Rcar）平台应该也是使用的16的工艺，或者就是20的。同时瑞萨其实还在研发16纳米的闪存的工艺，从这个意义上讲，我觉得往更小的供应节点走，应该是他们必然的选择。

提问4：BlueBOX、PX2 、Intel Go等等这些自动驾驶计算平台的组成原理、配置特征、性能差异、未来的发展趋势能简单介绍一下么？

李星宇：也许我需要用另外的半个小时来回答这个问题，其实在刚才的PPT介绍里面，已经覆盖了这三个主题。从总体来看的话，这三个主要的玩家竞争态势还很难讲，主机厂对于计算平台的选择其实也是取决于非常多方面的因素。比如说主机厂其实并不希望看到一个超级强大的Tier1的出现，因为这个会严重的削弱他们在供货方面的谈判权。

总体的趋势就是我之前提到的，那就是低成本高性能，和一个良好的生态系统，这个是整个自动驾驶计算平台的发展趋势。

提问5： 这些计算平台有哪些关键参数？这些参数的含义是什么？整车厂或者Tier1如何根据自己的需求选取适合自己的平台？

李星宇：应该说在参数方面其实有点广，因为一个计算平台所涉及到的参数是非常多的，还是重复一下刚才提到的三点应该是最关键的参数，但是它会分解到非常细的一些指标，比如举一个例子，每秒指令的运行数量，就是多少个（DMIPS），或者是多少个（TFLOBS）或者是你的内存的访问带宽，对于传感器的能力，是12个摄像头还是8个等等，非常非常多。

在OEM或者是Tier1这块来看的话，需求本身其实是多样化的，就像我刚才分享的那样，汽车行业对于产品的分级是非常严格的，入门级的、奢侈的，还有就是豪华车型，这样的一个需求对于平台的选择会造成显著性的差异，所以没有办法有一个一致的选择，我还是相信在未来非常长的时间内都会是一个差异化竞争的时代。

提问6：目前或者未来自动驾驶技术的数据应用可能在哪些领域？是否已经有相关的研究计划或者商业化模式？

李星宇：在数据应用方面，一个最本质的需求就是提升自动驾驶技术本身的适域性和它的可靠性。像特斯拉采用一个叫做影子模式进行数据的搜集，就是为了验证它自己技术的可靠性。在未来自动驾驶技术的数据还可能有更广泛的这种商业场景的应用，比如举一个例子，我们看到整个汽车业界在商业模式方面最大的改变就是从私人拥有汽车转向一个共享出行的态势，共享出行的格局之下对于汽车的采购其实是由运营商来进行，运营商对于自动驾驶所产生的数据其实有非常多的使用方式。比如说运营商可能能够通过这些数据的分析，非常合理的进行一个它自己运营车辆的调配，比如说哪些网点分布得密，哪些网点分布少一点，这样一些动态配置都是数据的很好应用，包括运营商对于自动驾驶汽车自身的一个故障方面的维护保养，也是数据运营可以帮忙的地方，可以通过一些人工智能的模型提前在故障诊断方面的预测。

其实我们看到像Uber、滴滴这些公司，包括现在雨后春笋般成立的这些分时租赁的公司，他们对于数据都有比较明确的需求。我相信围绕数据打造一个高度技术化的商业模式是可以期待的。

提问7：宝马号称2021年推出L5自动驾驶车，怎么看待这件事情？国内各家针对L5的差距还有多少？

李星宇：汽车行业其实是一个对于品牌有很高要求的行业，对于这种新技术的追求其实也是品牌营销的一个关键的环节，从这个意义上来讲，到目前为止全球前14家车厂里面有13家提出自动驾驶的一个时间表，量产的时间表是可以理解的，因为大家不希望在代表未来的技术方面落于人后。当然具体能不能做到这一点其实是有非常多的问号。正如我们在过去一年内看到业界讨论比较多的一点，就是自动驾驶本身的实现，不仅仅依赖于车本身，还依赖于路本身的改造，所以这是一个协同进化的过程。所以对于现在的时间表可以作为参考，但不需要当真。

国内的OEM是在L5的路上有多大的差距，其实要看具体哪家OEM，各个OEM的推进力度是不同的，我知道有些OEM是非常认真在硅谷和底特律建了自己的研发中心，认真做这件事情。但是我想分享一点的是，是还是不是L5本身，对于自动驾驶商业化这进事情本身来讲，其实是两个不同纬度的事情。也就是说对于自动驾驶的商业化来讲，即使你实现的是L3，只要在运营方面进行一个比较合理的设计，依然能够发挥L4甚至是L5量级的这种运营能力。同时L5真正的落地，从现在技术条件来看，其实还是有非常大的挑战，就像我刚才说的，对于基础设施需要进行翻新，这样的一个工作其实是与各个国家政府的推进力度有密切的关系。所以总的来讲，我觉得在近期关注L3的一个落地，可能是更为现实、更为理性的一个期待。

提问8：能不能讲讲未来自动驾驶的生态圈，以及小公司用什么样的途径参与进来比较好？是不是地平线公司能够帮助从业者降低自动驾驶的门槛？

李星宇：关于自动驾驶的一个生态圈小公司如何参与，其实从历史上来看的话，一项新的项目在刚开始出现的时候，其实都是大公司在主导。比如举一个例子，PC那个时候是IBM，是通用PC的鼻祖。在那个时候做PC其实还是一个比较高技术门槛的行业。在这个之后，其实各家小公司都开始在上游进行一些标准模块的开发，就是我们现在看到的各种板卡，都是从那个时代开始的。所以一个大的产业在一开始的时候所需要的这种技术门槛比较高，环节比较多，适合让大公司来去做这个事情。在后面产业链势必会形成分工，在这样一个分工的地势下小公司就有非常多的切入点。比如说在上游做某一个零部件，这就是一种参与，这是从产品开发的纬度上来讲。

从商业运营角度来讲，对于高技术的商业化运营其实本身并不见得是高技术，就像我们看到PC在各个领域的应用一样，所以从这个意义上来讲，如果我们看到自动驾驶的技术在达到一定的地步以后，其实相应的这种商业模式就可以变得有可行性，从而诞生很多新的这种商业业态，比如说现在这种比较热门的分时租赁的行业，如果自动驾驶能够实现L3的一个水准的话，那么在取车和还车这个环节可以做到全自动化，极大的提升运营效率。

地平线的确是一家比较开放的公司，我们跟很多Tier1的做法或者是Tier2的做法不一样的地方在于说，我们希望用自己的算法和我们独有的IP能够降低整个从业者参与这件事情的难度，包括比如举一个例子，我们希望能够提供从训练平台一直到端上是这样一个全套的解决方案，使得用户能够比较方便的进行一个基于数据的性能迭代升级。

提问9：如果说深度学习异构化是一个趋势，英特尔、英伟达都在向这个方向努力，那么对于地平线等公司如何与这些巨头竞争获得生存与发展呢，未来可能会形成什么样的格局？

李星宇：应该说深度学习算法本身的进步是层出不穷的，所以其实现在不能说什么样的一个算法和什么样的一个算法组合的构架是最合适的，它在持续的演进。所以这样一个变化其实给非常多的初创公司提供了生存的空间。同时像地平线这样有独特Know—how的公司，我们可以将我们的IP授权给其他的大公司，使得这些公司能够在自己一个更大的平台，就是更大的SOC上面集成这样一个IP，这也是一种生存的策略。

在未来会形成一个什么样的竞争格局，这个问题其实很难回答，在任何一个新兴的领域，其实总会发现至少超过50家的初创公司，也包括这种大的公司在进行竞争，所以竞争的因素其实是高度多元化的。

提问10：如何看待未来自动驾驶技术逐步普及和投入商业化应用后，产生的数据安全问题？目前世界上主流的自动驾驶解决方案提供商，对于数据安全和防范黑客攻击上，主要采取了哪些方案进行应对？

李星宇：这是一个非常好的问题，应该说数据的安全问题有可能会使得自动驾驶的商业化进程受到巨大的影响。首先应该这样来讲，不可能提供一个绝对安全的解决方案，只能寄希望于你自己对于安全防范这件事情跑得比别人更快，准确的说是比黑客更快。在整个产业链上面，在各个环节都在进行这方面的努力，比如说从计算平台，也就是处理器这个角度来讲的话，越来越多的OEM需要你从数据产生的源头进行加密，比如说要符合（SHA）这样的标准。

在整个处理器构架设计方面要充分考虑这种安全性的需求。比如说对于（templedirection）的设计，比如说对于内部ECC的设计，比如说对于你在处理器内部基于硬件虚拟化方面的一个设计，这些当然都是涉及到大量非常具体技术的实施，但是他们的目的都是一个，就是增强整个系统的安全性。

现在主流的自动驾驶解决方案上，坦率讲我还没有看到哪个方案是真正主流的，在方案上会采取什么应对措施，现在业界还处于一个黑箱的状态，大家其实在这件事情上并没有开放太多的资料出来，但是可以肯定的是，从源头一直到数据中心这样一个闭环的状态里面，每一个环节的安全性都在逐步的增强。

提问11：数据是深度学习的基础，怎么样解决各家雷达摄像头激光雷达参数差异性问题。深度学习算法在L4、L5的应用对传感器提出哪些新的要求？

李星宇：关于深度学习模型对于传感器输入的一个适应性，这又是一个话题，应该说我们在做模型的时候会尽量追求这个模型对于数据的一个适应性的程度，但是这个依然是有边界的。在这一块的话激光雷达相对来说比较好一些，因为激光雷达属于这种最高精度的自动感知技术。摄像头次之，在雷达方面其实是有高度差异化的。当然雷达基于深度学习的算法进行处理，本身就是一个比较前沿的课题，现在的雷达还是使用传统的一些雷波算法来做目标的识别。在L4、L5这样一个应用水准上对于传感器的要求，其实这个还不算是深度学习算法的要求，准确的说就是你的感知能力的一个要求，这个要求会包涵对于成本的要求，性能、覆盖度、实时性各方面的要求，深度学习的算法在这边更多是做一个适配——在你的传感器配置绝对的情况下，如何去做一个组合的深度学习算法，去充分利用这些传感器产生的数据。

提问12：我们看到自动驾驶的发展会需要很多的计算资源、很大的带宽等，基于您的经验，您认为汽车电子电器架构会如何适应演进？

李星宇：在过去我们看到整车电气构架其实是有多种标准存在，有（CAN 、LIN、MOST）等等，在新一代的汽车骨干网的设计方面，大家会往车用以太网这个方向转。在具体的某些节点方面，有可能还会出现其他比较差异化的技术，就比如说在camera方面，基于LVDS的这种技术有可能更好，因为它可以提供非常大的带宽。现在的车载以太网它的一个瓶颈还在于它的带宽不够，现在只有100兆。博通在推动千兆的车载以太网的开发，但是现在还在研发过程中，所以目前的带宽还很难满足对于两兆，甚至对于四兆camera的带宽需求。所以我相信在未来汽车的电子电气构架方面还是一个混合的态势，刚才我提到的，是一个比较标准的车载以太网的构架，再加上一些特殊节点高带宽的接口。还有一点就是（can）应该也会在相当长的时间内存在，因为很多节点它的确产生不了那么多的数据，这个时候没有必要用车载以太网去做。