編者按：

昨天，地平線第二期微講座正式開講，主講人仍是地平線智能駕駛商務總監李星宇。本次講座主題爲“自動駕駛計算平臺發展趨勢”。很巧的是，最近業界有兩個爆炸性的新聞：第一個是英特爾收購Mobileye，第二個是英偉達和博世結成了深度合作聯盟。這兩個新聞的主角都是自動駕駛計算平臺領域的重量級玩家。這讓這個講座題目突然間變得火熱起來。

▼

應該說現在自動駕駛在商業化的路徑方面，計算平臺是一個巨大的挑戰，我們看到每家主機廠的實驗車的車尾全都是依託機器，所以真的要把自動駕駛這件事情落地，我們要在計算平臺上能夠達到一個量產化的要求，這裏面有三個關鍵性的指標，第一個就是每瓦的性能，第二個就是每瓦的成本，第三個就是生態系統，包括使用這個計算平臺的用戶羣，還有它的易用性。

在過去大約十年的時間內，整個計算工業的核心驅動力是手機，這是毋庸置疑的。但是現在自動駕駛行業已經超越手機，成爲技術行業新的驅動力。我們看到一些什麼樣需求方面的差異？首先，自動駕駛相對於手機來講，它對於計算能力的要求非常高，相對於手機可以看到的計算需求，自動駕駛大概要超過兩個數量級，數據生成速度方面超過四個數量級，這是非常恐怖的。

除此之外還有自動駕駛的一些特殊的需求，首先就是可靠性，還有功能安全。所有的汽車電子都需要符合AEC—Q100和ISO26262的規範，這個就是AEC的標準。

在實時性方面，自動駕駛有非常明確的最低延遲要求，這個大家是可想而知的。最後在成本方面，它需要有高度的擴展性，因爲汽車這個行業對於價格的分級是非常嚴格的。

今天我想跟大家一起討論一下在自動駕駛計算平臺方面三個主要的玩家，英特爾、高通和英偉達。

首先討論英特爾，在收購Mobileye以後，其實英特爾在整個戰略方面，彌補了它算法方面的不足，與此同時獲得的還有針對於專用的ADAS算法所設計的專用處理器IP，最關鍵的一點，直接通過這次收購，獲得了70%的ADAS的市場，這樣的話就使得它跟主機廠建立了一個非常穩固的業務聯繫，利用這樣一個支點，就可以撬動它整個汽車行業的整個業務。

應該說在過去英特爾曾經數次嘗試進入汽車領域，但是總的成績其實不是特別突出。一方面與汽車市場本身的處理器的規模有關，也就是它的整個市場的盤子，與過去相比PC行業還不足夠大；另一方面汽車這個行業老牌的競爭對手已經充分獲取了OEM的信任，這種信任是不容易在短期內建立的。其他的包括像長期供貨的承諾也是非常重要的，因爲汽車通常要求你的處理器能夠實現穩定的週期，在過去英特爾專注消費領域的時候，這樣一個條件也是很不容易達到的。但是現在我們看到情況發生了重要的變化，整個汽車工業它的一個演進路徑已經完全從機械轉向智能化，所以這個使得汽車業在汽車電子方面的ASP得到大大提升，我們預計在未來一輛汽車整個汽車電子的成本會到它整車成本的45%，甚至更高。

就英特爾現在的產品組合來講，英特爾在自己的數據中心業務上是有絕對的優勢。它通過收購英飛凌獲得了無線的資產，同時它也是蘋果的baseband的供貨商之一，它在端方面有它的服務器級芯片，還有收購Altera獲得的FPGA資產。所以大家可以看到整個英特爾產品組合可以很好地完成一個基於數據的閉環。也就是說在汽車行業，英特爾可以部署它的設備到端點，就是汽車，通過5G然後回傳到數據中心進行處理，所以英特爾非常看重這樣一個閉環所帶來的商業優勢。

尤其是在後臺的數據處理方面的優勢，我曾經看到過一個報道，就是說自動駕駛的市場規模大概是700億美元，大概到2023年這樣一個時間點，但是後面數據處理的市場可以達到400億美元，是相當可觀的。

英特爾非常深刻了解到一點，那就是在新的5G時代，真正的數據驅動利是來源於IOT的，就是來源於“物”。而在所有的IOT的垂直行業裏面，汽車又是最大的數據產生的來源，從現在的評估來看，一輛汽車每一天至少可以產生4TB的數據。

我們再來看一下英偉達，過去一年裏英偉達的股價坐火箭，很大程度上在於這波人工智能的熱潮帶動了GPU的銷量，到目前爲止英偉達是在深度學習領域，訓練平臺這塊有絕對的優勢地位。最近跟博世高調的結盟，以及之前跟ZF建立的深度合作，使得到它在這個汽車領域也獲得非常好的一個基礎，進軍OEM，因爲博世是現在最大的ADAS的Tier1，憑藉這樣一個市場地位，我們可以想像它在後面的智能駕駛時代也會有相當程度的市場份額。

英偉達有一點讓我印象深刻，就是它自己的迭代速度非常快，應該說是深度學習行業選擇了GPU這個平臺，但是英偉達的能力就在於，當它發現了這個趨勢以後，它能夠快速迭代自己的產品，把這樣的一個機會轉化爲自己在市場上的絕對優勢。我們看到它在過去三年裏GPU的性能提升了65倍，功耗下降了七倍。所以我們現在在人工智能圈子裏開玩笑：如果一個投資人問你，如何用最簡單的方法判斷一個公司是不是在做深度學習開發，你可以回答他，看他們公司是不是在京東上秒殺TitanX的顯卡，就可以知道。這個玩笑也從側面證實了英偉達在深度學習領域的王者地位。

而且我們注意到，它現在正在重新設計它的GPU的構架，從面向圖形的優化設計轉向越來越多的面向深度學習進行優化，過去我們看到GPU主要優勢在於它自己的微構架適合於面向矩陣類型的數據計算。但是在CUDA之前，其實對GPU的編程需要大量的底層代碼，這是非常有挑戰性的一個環節。在十年前英偉達推出CUDA平臺之後，這樣一個局面大大改善了，所以英偉達的成功也是一個生態系統的成功。可以這麼講，CUDA以及隨後的像CUDNN、NCCL這樣的中間工具的推出，使得深度學習的開發在GPU方面的門檻大大下降。所以現在我們可以看到，整個CUDA的社區已經有30萬的開發者，這是非常驚人的一個數字。

英偉達還在持續加強它的優勢方面，同時也在盡力改善它的弱勢。在過去英偉達被業界認爲詬病比較多的就是它GPU的功耗比較高，但是在最近發佈的DRIVEAI這個平臺上我們看到，其實它在這個方面已經做了極大幅度的改善。他現在可以推出30瓦的平臺，而它的性能可以達到30個TOPS，已經超過了之前的Drive PX2。所以進化速度來看，英偉達這家公司還是相當的有競爭力。

回顧英偉達過去的歷史，我們可以看到CUDA的誕生其實是爲英偉達進入人工智能領域埋下了一個伏筆，但是在那個時代其實人工智能還不是顯學，所以往往來講，商業的成功是留給那些有準備的人，而且是比較偏執的，在別的競爭對手還不敢投入的時候率先投入未來的人。其實英偉達在過去也走過很多彎路，包括他在手機領域推出Tegra處理器其實是慘敗，因爲它的功耗比較高，但是它的優勢在於它發揮了自己的長板，也就是計算性能，而汽車對於功耗的要求又不是很高。所以在這樣一個背景下獲得了巨大的成功。

高通在汽車市場也有極大的投入，在去年400多億美元收購了恩智浦以後，它已經成爲全球最大的汽車半導體的供應商，因爲恩智浦之前收購飛思卡爾，所以使得整個新的高通在汽車電子的產品組合方面比較全面，他在V2X領域是領導者，就是它的DSRC的產品已經成功運用在通用的凱迪拉克上面。在5G方面，高通也是毫無疑問的王者。此外新的高通在毫米波雷達，汽車娛樂導航系統方面都有比較明顯的市場優勢。

應該說得益於之前飛思卡爾在汽車電子領域長期的優勢地位，高通現在擁有一些比較高性價比的產品組合，比如說它推出的BlueBox，自動駕駛平臺，這個其實是S32V再加上一個Layerscape的組合。跟像英偉達和英特爾這樣比較高端的數百美元甚至更高價格的產品比起來，S32V的價格其實只有20、30美元這樣一個量級，所以非常的親民，這也是它能夠在汽車電子領域有高佔有率的關鍵因素之一。

我看到在高性能的計算領域，高通還在進一步的努力。雖然還沒有一個市場認可的產品出來，但是高通在汽車半導體領域的長期積累的設計經驗還是無人比擬的。像英偉達最近強調它的Xavier平臺是符合（ASIL—C）的規範，但是這一點其實在原來的飛思卡爾並不是一個很大的宣傳亮點，因爲飛思卡爾的產品品質已經完全可以滿足OEM的需求。

對於高通來說如何提供更強的計算平臺，以及提供基於這個計算平臺的一個算法庫，進而構建一個有生命力的生態系統是他接下來面對的挑戰。

如果我們回顧過去自動駕駛所使用的計算平臺，可以看到最開始大家使用CPU，後來上升到GPU，現在GPU和FPG A的組合使用也越來越多。在未來的話，其實是一個基於專用的人工智能IP的處理器的時代。在這樣一個時代最顯著的特徵就是算法和芯片要協同進化，在過去很長的時間內，其實都是算法遷就於芯片的構架。一方面是因爲這個計算平臺是高度通用化的，不會爲某一個應用做高度的優化。另一方面也是因爲在那個時代，就處理器本身進行的設計還是一個非常高門檻的。但是現在隨着（fabless）模式的成熟，設計一個專用的IP其實在投資方面的門檻已經降低了非常多，所以使得這件事情變成可能。Mobileye就是這樣一個成功的典範，Mobileye最開始用PC去開發的，其實也是完全不能投入使用的，他後來跟ST合作一起去做專用的芯片，就是他的EyeQ系列，獲得極大的成功。這樣的一個進化路徑其實也不僅是自動駕駛領域，如果回顧過去的話，我們會發現在其他行業也有類似的一個演進的路徑。舉一個例子，對於計算有非常高要求的比特幣的挖礦，最開始挖比特幣的時候用家裏的PC就可以挖，到後來發現不行，一定要用GPU去做高性能計算，再後來大家開始成立專業公司去基於FPG A開發定製化的計算構架，那麼到最後像Avalon這樣的專用的ASIC就出來了，這也是一個歷史的例證吧。

雖然說現在深度學習的計算平臺已經比較多，表現也在持續的優化，但是如果你專門去看某一個計算平臺，會發現在深度學習方面還有相當多的侷限性。比如對GPU來說，內存帶寬依然是它永遠的痛，所以雖然現在的顯存的帶pin腳的數量已經超過384位，它的memorycontroller已經達到4096位之多，但是依然不能滿足這種恐怖的中間結果帶來的需求。所以在很多的時候，其實不是GPU的計算單元不夠用，而是計算單元在等待數據的到來。

GPU並行計算的模式不夠靈活，很難對它進行拆分，然後完成一個不同計算任務的併發操作，比如Titan x它有接近4000個核，但是隻能運行相同的任務，而且因爲粒度太細，或者說有些算法計算量本身並不是很大，一個非常重的卷積需要10毫秒，一個非常輕的卷積也需要10毫秒，所以對於算法本身的適應性也是顯得不夠有針對性。

除此之外我們還發現GPU這種並行計算的模式無法對串行化的算法進行優化，而很多算法都是有依賴性的，即它後面的計算依賴於前面的結果，沒有辦法做到絕對的並行。GPU本身的雙精度和ECC其實對深度學習的意義也不是很大，所以等於是在浪費它的計算資源，而且會增加額外的功耗。

應該說FPGA在很大程度上克服了這些弱點，因爲FPGA的計算構架是可以全定製的，但是FPG A其實也有它自己的問題，一方面是FPG A產品本身迭代比較慢，這個與摩爾定律不一樣，FPG A的迭代一般來講是四年會產生一代新的產品，所以在這塊還是無法滿足一個自動駕駛高速演進的需求。另外一點就是當你對於門陣列和（internalmemory）的需求比較大的時候，它的成本也會變得比較高。

所以在現在我們會發現，像Nervana或者是深鑑科技、地平線這樣的初創公司其實都在做專有的深度學習計算構架的設計，一方面就是需要去克服現有的計算平臺在深度學習計算方面的不足，比如說關鍵的一個就是存儲器構架的設計，GPU它的緩存很少，而且GPU的緩存是透明的，不受控制。但是CNN的卷積操作其實是需要大量中間結果的輸入和輸出的，這就需要有受控的內部（iram）來進行結果的暫存，如果沒有這樣一個內部的（iram）的話就需要訪問外存，那麼就會導致嚴重的帶寬的問題。

所以這種專有的深度學習構架的設計方面，在存儲器構架方面都會比現在GPU密度高得多（internaliram）。除此之外，在計算單元的設置方面，也是有持續的進步，深度學習的算法本身在高速的演進，我們看到越來越多這種新算法的產生，而這種新算法的產生需要在計算構架上面有高度的靈活性。比如舉一個例子，原來的CNN操作可能是浮點的操作，現在爲了減少對計算資源的需求，從浮點轉到定點是一個趨勢，在定點方面，從八位轉到兩位也是一個趨勢，就是二值網絡，這樣一個二值網絡的出現，使得原來需要用八位乘法器來進行的操作變成一個簡單的XOR操作，在計算資源方面是一個極大的節約。不同的這種複雜性和計算構架可以組合在一起，適配不同的網絡組合。因爲有些任務可能是需要用簡單的二值網絡進行一個粗的預處理，然後後面對於某些任務再進行一個比較清晰的互聯網的處理，這樣的一個算法的組合都要求你的計算構架也要有對應的靈活性。

在處理器的指令集方面也是一樣的，我們在過去看到無數的例子，就是一個比較常用的函數的操作，在新的計算構架方面轉化爲一條專用的指令。比如說舉一個例子，在過去的多媒體時代，英特爾曾經推出過MMX這個指令集，本身來講就是用來完成視頻的編解碼、壓縮和解壓直接的操作，使得對計算資源的需求可以大大下降，因爲它是有專有的構架和專有的指令集。同樣在深度學習方面我們可以定製專有的指令，直接進行卷積的操作。

那麼在CNN網絡結構優化方面剛纔也談到了一些，總的一個原則，你需要根據具體的數據和任務特點來進行一個設計，所以要求的就是高度的靈活和高度的動態化。

我們在深度學習計算構架方面，從一個一致的結構走向一個異構的組合結構，可以大大優化整個系統的能耗，降低成本，因爲不需要一個單一的很重的計算模型，去適配置所有的任務。同時，從併發計算走向序列化計算也是一個趨勢，尤其是在自動駕駛對於整個活動態勢預測的需求方面，這邊是有比較明確的需求，比如說我們會使用遞歸神經網絡，或者由此衍生過來的像長短時記憶模型去做，它其實是一個高度序列化計算的需求。

從整個業界趨勢來看，專門針對深度學習進行計算處理構架的設計，已經是一個趨勢，無論是英偉達還是英特爾，還是大量的初創公司都在往這個路徑去走，我們相信在未來深度學習所需要的這種計算構架，會表現出非常高的性能，極低功耗和極低成本的一個趨勢，謝謝大家。

提問1：汽車屆大多數人把tesla auto pilot 2.0當成L3，這個有爭論嗎？

李星宇：關於這個問題，如果我們從直觀上看的話，auto pilot 2.0那的確是有這樣一個能力，也就是說在限定環節下的自動駕駛，但是從實際上來講，魔鬼往往就隱藏在細節之中，所以我們其實還是要看它具體的表現，畢竟它現在還處於測試期，還沒有看到大規模的反饋過來。

提問2：由於5G推出時間以及標準等方面的問題，DSRC應該是V2X的應用主流，對這個問題如何看待？

李星宇：在這個問題上其實決定性的因素是比較複雜的，DSRC或者廣義上來講V2X是典型標準驅動的一個行業，所以在這個領域大國之間的博弈表現的非常明顯。DSRC優勢在於它推出的時間非常早，大概在十幾年前DSRC有已經開始開發了，是基於802.11的工作組的成果來做的，所以他們經驗比較豐富，也做得比較成熟，包括通用凱迪拉克也是用的這個，從現在情況來看，北美一定會使用DSRC，但是在其他的國家和地區，比如說歐盟和中國是極有可能不會用的。應該說從現在的一個態勢來看，整個自動駕駛還處於一個較爲早期的開發階段，所以從自動駕駛商業化的時間表來看，5G推出的時間是可以滿足它的商業化需求的。

我們瞭解到在國內的層面，今年上半年我們V2X的標準就會凍結，所以這也是一個里程碑。

提問3.我們知道NVIDIA的DRIVEPX2是基於16nm工藝打造的，運算速度非常快，同時也非常昂貴。您認爲自動駕駛計算平臺（SoC）會朝着16nm工藝發展嗎？NXP、瑞薩等會及時跟進推出同樣製程工藝的產品嗎?爲什麼？

李星宇：應該說在半導體這個領域，就好像是一個德洲撲克的遊戲一樣，如果你想繼續在這個領域裏面玩，就需要持續的押注，而且這個押注的籌碼越來越大，所以從這個意義上講無論是高通還是瑞薩，都會持續的跟進最新的供應節點。

比較有趣的一點是，從整個半導體的發展態勢來看，28納米其實是一個最經濟的節點，在28納米以後，隨着（製程）的縮減，包括16、14，包括10，其實它的成本反倒是不降反升的，這裏面有工藝本身價格的原因，優良率各方面的原因。

恩智浦因爲現在被高通收購，所以這個其實已經不存在爭議，16的已經有了，那麼它還會繼續往10納米、7納米演進。瑞薩我的印象裏它的新一代的（Rcar）平臺應該也是使用的16的工藝，或者就是20的。同時瑞薩其實還在研發16納米的閃存的工藝，從這個意義上講，我覺得往更小的供應節點走，應該是他們必然的選擇。

提問4：BlueBOX、PX2 、Intel Go等等這些自動駕駛計算平臺的組成原理、配置特徵、性能差異、未來的發展趨勢能簡單介紹一下麼？

李星宇：也許我需要用另外的半個小時來回答這個問題，其實在剛纔的PPT介紹裏面，已經覆蓋了這三個主題。從總體來看的話，這三個主要的玩家競爭態勢還很難講，主機廠對於計算平臺的選擇其實也是取決於非常多方面的因素。比如說主機廠其實並不希望看到一個超級強大的Tier1的出現，因爲這個會嚴重的削弱他們在供貨方面的談判權。

總體的趨勢就是我之前提到的，那就是低成本高性能，和一個良好的生態系統，這個是整個自動駕駛計算平臺的發展趨勢。

提問5： 這些計算平臺有哪些關鍵參數？這些參數的含義是什麼？整車廠或者Tier1如何根據自己的需求選取適合自己的平臺？

李星宇：應該說在參數方面其實有點廣，因爲一個計算平臺所涉及到的參數是非常多的，還是重複一下剛纔提到的三點應該是最關鍵的參數，但是它會分解到非常細的一些指標，比如舉一個例子，每秒指令的運行數量，就是多少個（DMIPS），或者是多少個（TFLOBS）或者是你的內存的訪問帶寬，對於傳感器的能力，是12個攝像頭還是8個等等，非常非常多。

在OEM或者是Tier1這塊來看的話，需求本身其實是多樣化的，就像我剛纔分享的那樣，汽車行業對於產品的分級是非常嚴格的，入門級的、奢侈的，還有就是豪華車型，這樣的一個需求對於平臺的選擇會造成顯著性的差異，所以沒有辦法有一個一致的選擇，我還是相信在未來非常長的時間內都會是一個差異化競爭的時代。

提問6：目前或者未來自動駕駛技術的數據應用可能在哪些領域？是否已經有相關的研究計劃或者商業化模式？

李星宇：在數據應用方面，一個最本質的需求就是提升自動駕駛技術本身的適域性和它的可靠性。像特斯拉採用一個叫做影子模式進行數據的蒐集，就是爲了驗證它自己技術的可靠性。在未來自動駕駛技術的數據還可能有更廣泛的這種商業場景的應用，比如舉一個例子，我們看到整個汽車業界在商業模式方面最大的改變就是從私人擁有汽車轉向一個共享出行的態勢，共享出行的格局之下對於汽車的採購其實是由運營商來進行，運營商對於自動駕駛所產生的數據其實有非常多的使用方式。比如說運營商可能能夠通過這些數據的分析，非常合理的進行一個它自己運營車輛的調配，比如說哪些網點分佈得密，哪些網點分佈少一點，這樣一些動態配置都是數據的很好應用，包括運營商對於自動駕駛汽車自身的一個故障方面的維護保養，也是數據運營可以幫忙的地方，可以通過一些人工智能的模型提前在故障診斷方面的預測。

其實我們看到像Uber、滴滴這些公司，包括現在雨後春筍般成立的這些分時租賃的公司，他們對於數據都有比較明確的需求。我相信圍繞數據打造一個高度技術化的商業模式是可以期待的。

提問7：寶馬號稱2021年推出L5自動駕駛車，怎麼看待這件事情？國內各家針對L5的差距還有多少？

李星宇：汽車行業其實是一個對於品牌有很高要求的行業，對於這種新技術的追求其實也是品牌營銷的一個關鍵的環節，從這個意義上來講，到目前爲止全球前14家車廠裏面有13家提出自動駕駛的一個時間表，量產的時間表是可以理解的，因爲大家不希望在代表未來的技術方面落於人後。當然具體能不能做到這一點其實是有非常多的問號。正如我們在過去一年內看到業界討論比較多的一點，就是自動駕駛本身的實現，不僅僅依賴於車本身，還依賴於路本身的改造，所以這是一個協同進化的過程。所以對於現在的時間表可以作爲參考，但不需要當真。

國內的OEM是在L5的路上有多大的差距，其實要看具體哪家OEM，各個OEM的推進力度是不同的，我知道有些OEM是非常認真在硅谷和底特律建了自己的研發中心，認真做這件事情。但是我想分享一點的是，是還是不是L5本身，對於自動駕駛商業化這進事情本身來講，其實是兩個不同緯度的事情。也就是說對於自動駕駛的商業化來講，即使你實現的是L3，只要在運營方面進行一個比較合理的設計，依然能夠發揮L4甚至是L5量級的這種運營能力。同時L5真正的落地，從現在技術條件來看，其實還是有非常大的挑戰，就像我剛纔說的，對於基礎設施需要進行翻新，這樣的一個工作其實是與各個國家政府的推進力度有密切的關係。所以總的來講，我覺得在近期關注L3的一個落地，可能是更爲現實、更爲理性的一個期待。

提問8：能不能講講未來自動駕駛的生態圈，以及小公司用什麼樣的途徑參與進來比較好？是不是地平線公司能夠幫助從業者降低自動駕駛的門檻？

李星宇：關於自動駕駛的一個生態圈小公司如何參與，其實從歷史上來看的話，一項新的項目在剛開始出現的時候，其實都是大公司在主導。比如舉一個例子，PC那個時候是IBM，是通用PC的鼻祖。在那個時候做PC其實還是一個比較高技術門檻的行業。在這個之後，其實各家小公司都開始在上游進行一些標準模塊的開發，就是我們現在看到的各種板卡，都是從那個時代開始的。所以一個大的產業在一開始的時候所需要的這種技術門檻比較高，環節比較多，適合讓大公司來去做這個事情。在後面產業鏈勢必會形成分工，在這樣一個分工的地勢下小公司就有非常多的切入點。比如說在上游做某一個零部件，這就是一種參與，這是從產品開發的緯度上來講。

從商業運營角度來講，對於高技術的商業化運營其實本身並不見得是高技術，就像我們看到PC在各個領域的應用一樣，所以從這個意義上來講，如果我們看到自動駕駛的技術在達到一定的地步以後，其實相應的這種商業模式就可以變得有可行性，從而誕生很多新的這種商業業態，比如說現在這種比較熱門的分時租賃的行業，如果自動駕駛能夠實現L3的一個水準的話，那麼在取車和還車這個環節可以做到全自動化，極大的提升運營效率。

地平線的確是一家比較開放的公司，我們跟很多Tier1的做法或者是Tier2的做法不一樣的地方在於說，我們希望用自己的算法和我們獨有的IP能夠降低整個從業者參與這件事情的難度，包括比如舉一個例子，我們希望能夠提供從訓練平臺一直到端上是這樣一個全套的解決方案，使得用戶能夠比較方便的進行一個基於數據的性能迭代升級。

提問9：如果說深度學習異構化是一個趨勢，英特爾、英偉達都在向這個方向努力，那麼對於地平線等公司如何與這些巨頭競爭獲得生存與發展呢，未來可能會形成什麼樣的格局？

李星宇：應該說深度學習算法本身的進步是層出不窮的，所以其實現在不能說什麼樣的一個算法和什麼樣的一個算法組合的構架是最合適的，它在持續的演進。所以這樣一個變化其實給非常多的初創公司提供了生存的空間。同時像地平線這樣有獨特Know—how的公司，我們可以將我們的IP授權給其他的大公司，使得這些公司能夠在自己一個更大的平臺，就是更大的SOC上面集成這樣一個IP，這也是一種生存的策略。

在未來會形成一個什麼樣的競爭格局，這個問題其實很難回答，在任何一個新興的領域，其實總會發現至少超過50家的初創公司，也包括這種大的公司在進行競爭，所以競爭的因素其實是高度多元化的。

提問10：如何看待未來自動駕駛技術逐步普及和投入商業化應用後，產生的數據安全問題？目前世界上主流的自動駕駛解決方案提供商，對於數據安全和防範黑客攻擊上，主要採取了哪些方案進行應對？

李星宇：這是一個非常好的問題，應該說數據的安全問題有可能會使得自動駕駛的商業化進程受到巨大的影響。首先應該這樣來講，不可能提供一個絕對安全的解決方案，只能寄希望於你自己對於安全防範這件事情跑得比別人更快，準確的說是比黑客更快。在整個產業鏈上面，在各個環節都在進行這方面的努力，比如說從計算平臺，也就是處理器這個角度來講的話，越來越多的OEM需要你從數據產生的源頭進行加密，比如說要符合（SHA）這樣的標準。

在整個處理器構架設計方面要充分考慮這種安全性的需求。比如說對於（templedirection）的設計，比如說對於內部ECC的設計，比如說對於你在處理器內部基於硬件虛擬化方面的一個設計，這些當然都是涉及到大量非常具體技術的實施，但是他們的目的都是一個，就是增強整個系統的安全性。

現在主流的自動駕駛解決方案上，坦率講我還沒有看到哪個方案是真正主流的，在方案上會採取什麼應對措施，現在業界還處於一個黑箱的狀態，大家其實在這件事情上並沒有開放太多的資料出來，但是可以肯定的是，從源頭一直到數據中心這樣一個閉環的狀態裏面，每一個環節的安全性都在逐步的增強。

提問11：數據是深度學習的基礎，怎麼樣解決各家雷達攝像頭激光雷達參數差異性問題。深度學習算法在L4、L5的應用對傳感器提出哪些新的要求？

李星宇：關於深度學習模型對於傳感器輸入的一個適應性，這又是一個話題，應該說我們在做模型的時候會盡量追求這個模型對於數據的一個適應性的程度，但是這個依然是有邊界的。在這一塊的話激光雷達相對來說比較好一些，因爲激光雷達屬於這種最高精度的自動感知技術。攝像頭次之，在雷達方面其實是有高度差異化的。當然雷達基於深度學習的算法進行處理，本身就是一個比較前沿的課題，現在的雷達還是使用傳統的一些雷波算法來做目標的識別。在L4、L5這樣一個應用水準上對於傳感器的要求，其實這個還不算是深度學習算法的要求，準確的說就是你的感知能力的一個要求，這個要求會包涵對於成本的要求，性能、覆蓋度、實時性各方面的要求，深度學習的算法在這邊更多是做一個適配——在你的傳感器配置絕對的情況下，如何去做一個組合的深度學習算法，去充分利用這些傳感器產生的數據。

提問12：我們看到自動駕駛的發展會需要很多的計算資源、很大的帶寬等，基於您的經驗，您認爲汽車電子電器架構會如何適應演進？

李星宇：在過去我們看到整車電氣構架其實是有多種標準存在，有（CAN 、LIN、MOST）等等，在新一代的汽車骨幹網的設計方面，大家會往車用以太網這個方向轉。在具體的某些節點方面，有可能還會出現其他比較差異化的技術，就比如說在camera方面，基於LVDS的這種技術有可能更好，因爲它可以提供非常大的帶寬。現在的車載以太網它的一個瓶頸還在於它的帶寬不夠，現在只有100兆。博通在推動千兆的車載以太網的開發，但是現在還在研發過程中，所以目前的帶寬還很難滿足對於兩兆，甚至對於四兆camera的帶寬需求。所以我相信在未來汽車的電子電氣構架方面還是一個混合的態勢，剛纔我提到的，是一個比較標準的車載以太網的構架，再加上一些特殊節點高帶寬的接口。還有一點就是（can）應該也會在相當長的時間內存在，因爲很多節點它的確產生不了那麼多的數據，這個時候沒有必要用車載以太網去做。