4月18日，2019年第十一届全球汽车产业峰会在上海国家会展中心隆重召开。本次论坛以“破局 重构”为主题。期间，地平线副总裁兼智能驾驶产品线总经理，张玉峰发表了主题演讲，内容如下：

地平线副总裁兼智能驾驶产品线总经理张玉峰

张玉峰：大家好，我叫张玉峰，我在地平线负责智能驾驶产品线，包括从研发到市场、产品和销售。

先简单介绍一下地平线，地平线是一家拥有将近4年历史的创业企业，地平线着力于智能驾驶、自动驾驶的AI、边缘人工智能芯片的研发以及相应的工具链，核心算法，赋能智能驾驶、自动驾驶、移动出行等这些行业。

今天我跟大家简单分享一下，我们的AI芯片如何助力汽车的智能化应用落地，这里有针对车外的，也有车内的。

相对于刚才两位演讲嘉宾，一位是来自于有近90年历史的TI公司，一位是有近40年历史的ANSYS，地平线作为一个新来者，有很多需要跟行业巨头玩家学习的地方。

我们作为一家创业企业，不会像德州仪器这样的巨头去覆盖这么大范围的产品，我们聚焦于边缘人工智能芯片在汽车行业中的应用。

大家多多少少也都了解，在座这里也有很多相关的行业专家，所有的人工智能深度学习在过去几年给汽车行业带来了很多新的解决问题的办法，让以前一些极具挑战性的问题可以通过这种基于数据的一种新的编程方式得到解决。深度学习是一种新的软件开发方式，让一些之前很复杂、难以解决的感知问题，比如对于驾驶场景下其他的交通参与者行为的预测这类问题，变得相对来讲更容易解决，能够去用更少的开发精力和资源来解决更复杂的挑战。这是美国汽车工程学会这样一个六级的分级，L1、L2集中在AEB，ECC还有一些车道线保持的功能，Tops是指每秒万亿次计算，对于低级别的高级辅助驾驶，其算力的要求不是很高，大概每秒一万亿、两万亿次计算才能解决自动紧急停车或者自动跟车所需要的感知或者判断的一些计算的资源。

一旦往更高级别，比如说L3要解放双手，L4要解放双眼，L5可以拿掉方向盘，它的算力是一个一个数量级往上涨的。这里面AI深度学习扮演了很多重要的角色，这一页我要跟大家讲为什么是越往上走需要的算力更多。在AEB的场景下对感知的需求，有的不依赖于视觉，可能依赖于毫米级雷达以及ADAS的需求。我们实现高复杂性的自动驾驶以及城区的自动驾驶的话，要对场景做更深入的理解，对所处的环境进行三维建模，更清晰地理解周围的交通参与者与我们所在的位置。对交通参与者下一步、下三秒、五秒、十秒的行为进行预测之后，再做出决策和相应的路径规划，预测这部分对于L3、L4甚至以上的自动驾驶尤其重要。越是能够让机器自己在复杂的环境下完成从A点到B点的驾驶，越是需要能够非常清晰地做出预测。就像优步前一段时间的事故，业界分析认为很可能是因为骑自行车的女士没有被正确地预测到而被撞上。

预测在未来几秒种的可能会有成千上亿种可能性，要比之前的建模要上很多个数量级，基于的规则非常复杂，解决很复杂的场景，基于数据做预测，通过深度学习在一定程度上能让机器更能够像人一样做出判断。比如说我们从高速的匝道上并入主道，尤其是有一定的交通流，有一定的车流，且速度又不慢的情况下，就算是对我们很多人类驾驶员来讲能比较快地并入到高速主干道上也是一个挑战，因为他要判断很多可能性，我要在这辆车并进去还是等一下。这种基于规则的算法是非常困难的，基于数据它能让算法和机器像老司机一样做出判断，涉及的信息量很高。

地平线在两年前发布了第一代自研的人工智能芯片，主要用于后装，芯片功耗大概1.5瓦，有一个T的算力，今年我们将发布车规级的AI芯片，它的性能比第一代会有10倍的提升，大概会有4-5 T的算力，我们还在同步研发几款芯片，去支撑L3、L4这样级别所需要的算力，这基本上达到了车规级芯片的标准。芯片研发本身是一个非常长的周期，把芯片做得满足安全要求更是给这个过程增加了很多时间和经济上的成本。

这里稍微再解释一下算力本身，算力本身并不是唯一的标准，因为我们也看到这个行业里很多的玩家，甚至很多的巨头或者已经在这个行业很多年的玩家都会去强调算力，但是算力只是一部分，能够有效利用的算力才是真正地可以去解决问题的算力。我们可以从几个维度来看，其中最有效的还是最后那一点在右下角，每一个所谓的万亿次计算到底解决了AI应用在驾驶这个环境下带来了什么样的一个有效输出，比如说能够检测到多少辆车在我前面，同样是一个Tops，我们处理1080P的图像能够完成多少帧每秒，这其实远比一个简简单单的Tops能够有更大的意义。