自动驾驶的算力革命，英伟达对阵特斯拉，谁会

自动驾驶技术，环境感知是其关键，神经网络算法则是核心。随着自动驾驶技术的大面积落地，传统的通用处理器已不能很好地满足需求，于是专门面向自动驾驶领域的处理器应运而生。
推荐阅读：自动驾驶

那么，这些专用处理器与传统的通用处理器相比有着怎样的优势？不同自动驾驶专用处理器之间又有着怎样的差异？今天我们就以特斯拉/英伟达所推出的产品为例为大家解答。

自动驾驶算法的特殊需求

在之前的文章中我们提到，当今自动驾驶领域所运用的视觉识别算法，基本上都基于卷积神经网络的概念，视觉算法的运算本质上是一次次的卷积运算。

这种计算并不复杂，本质上只涉及到加减乘除，也就是一种乘积累加运算。但这种简单运算在卷积神经网络中是大量存在的，这就对处理器的性能提出了很高的要求。

以ResNet-152为例，这是一个152层的卷积神经网络，它处理一张224*224大小的图像所需的计算量大约是226亿次，如果这个网络要处理一个1080P的30帧的摄像头，他所需要的算力则高达每秒33万亿次，十分庞大。

那么，如何提高乘积累加运算的效率，就是提高自动驾驶处理器性能的关键。

并行计算脱颖而出

通用处理器（CPU）的架构，旨在可以快速地执行任何可以计算的计算，同时保持很高的速度，属于串行计算。这就导致了CPU当中的单个运算单元性能强大，但结构复杂，每个处理器中通常只能容纳数量有限的运算单元。

CPU架构示例，可见运算核心只有四个，但每个占用面积都很大。

以曾经的旗舰级CPU i7-9700k为例（非上图），其拥有8个核心，单个核心的运算频率可以达到4.9GHz，也就是每秒49亿次，整个处理器的算力就是8*4.9GHz=39.2GOPS。这个算力对于ResNet-152网络来说，每秒只能处理不到两张224*224大小的图像，没有实际应用的意义。

而图形处理器GPU则不同，它内部的计算单元是非常多的小核心，这些核心单个性能不及CPU，只能进行简单运算，但由于数量多可以同时进行非常多的运算，属于并行计算。推荐阅读：自动驾驶