北京2022年12月29日 /美通社/ -- 在量產自動駕駛方向，特斯拉是當之無愧的領軍者。

不管是產品定義、產品命名，還是下一階段的發展方向，都是特斯拉在引領全球車企和自動駕駛公司發展。

特斯拉自動駕駛系統的優異表現是算法的勝利，但算法背后，算力同樣重要。

這方面特斯拉實際上是掀起了三波浪潮，從車端算力到云端算力，再到AI智算中心…每一次算力的迭代，都促進了特斯拉自動駕駛系統邁上新的臺階。

現在，中國車企在車端算力上動輒數千TOPS，已經大幅超過特斯拉，接下來就是要在車外算力上去追趕了。

一、自動駕駛越來越卷 車外算力成新熱點

今年8月份，內蒙古烏蘭察布已經有了一絲絲涼意。雖然街上人不多，但在一間酒店會議室里卻聚集起了省市區三級領導，共同見證小鵬汽車的自動駕駛AI智算中心“扶搖”揭牌。

該中心由小鵬和阿里聯合出資打造。據小鵬汽車CEO何小鵬介紹，該中心具備60億億次浮點運算能力（60000TFLOPs），可將自動駕駛算法的模型訓練時間提速170倍，并且未來還具備10~100倍的算力提升空間。

就在小鵬“扶搖”官宣后的1個多月，長城旗下的自動駕駛公司毫末智行也宣布將打造屬于自己的AI智算中心。毫末智行CEO顧維灝表示，該中心的目標是滿足千億參數大模型的訓練，訓練100萬Clips的數據，訓練成本降低200倍。

在這兩個案例之外，智己汽車在6月份公布了和阿里云聯合打造的“云上數據超級工廠”，這是跟小鵬“扶搖”類似的AI計算中心；10月份的特斯拉AI Day上，特斯拉也展示了自有AI計算中心的最新進展，用自研的D1芯片打造的計算設備能夠提升30%的模型訓練效率…

毫無疑問，車外算力已經成了車載自動駕駛芯片之外，車企和自動駕駛公司們競爭的新焦點。

二、AI技術越用越多 算力是核心競爭力

車外算力成為新焦點，與自動駕駛算法的演進趨勢密切相關。

過去10年來，面向量產的L2自動駕駛系統在特斯拉的帶動下發生了一系列變化：在單車道居中智能巡航的基礎功能上，增加了指令式或全自動變道功能，以此為基礎又衍生出了自動導航輔助駕駛系統 -- 設定好目的地后，車輛在高速上智能巡航，并知道何時駛下高速。

在自動導航輔助駕駛過程中，車輛需要時刻感知周邊車輛，并自動做出變道決策。這與此前的單車道巡航功能相比，難度直接提升了一個數量級，進而也逼著自動駕駛算法從固定的“規則算法”向著數據驅動的AI算法轉變。

隨著算法越來越成熟，最近一兩年高速場景的自動駕駛系統已經不再是車企宣傳的重點，各家轉而開始比拼城市場景的點到點自動駕駛能力。

與高速自動導航輔助駕駛相比，城市內行車又涉及到了紅綠燈、十字路口、行人電動車、遮擋、固定障礙物等一系列難題，復雜度又提升了好幾個數量級。

為了解決這些新問題，車企和自動駕駛公司給汽車引入了更多的傳感器，高精地圖、半固態激光雷達、4D成像毫米波雷達紛紛上車，且背后的算法也得進一步升級 -- 以前是從規則到AI，現在是從簡單AI到高級AI。

在特斯拉的帶動下，過去量產自動駕駛常見的后融合算法逐漸被拋棄，轉而使用前融合的BEV算法，把攝像頭的感知到的畫面直接扔進AI算法里，生成一個鳥瞰視角的3D空間，并在這個空間內輸出感知結果。

因為是所有攝像頭統一在3D空間里輸出感知目標，BEV算法很好的解決了跨攝像頭的識別問題，在處理近距離加塞這種行業難題時有了更好的表現。

這還沒完。因為量產車搭載的自動駕駛芯片算力相對有限，車企和自動駕駛公司還在積極使用多任務神經網絡，比如特斯拉的HydraNet，就是讓一套AI算法同時輸出多個結果。

大家使用的AI算法越來越高級，給行業也帶來了兩個重要變化：

一是需要越來越多的數據來培育算法背后的神經網絡，算法之間的競爭逐步變成了數據之爭。

二是海量數據需要海量的存儲和處理能力，車企和自動駕駛公司對專用的AI計算設備的需求量持續增長。

多位自動駕駛技術專家都曾告訴車東西，AI技術進步很快，大家在算法和模型層面的差距其實并不大，真正拉開差距的是數據收集和處理能力。

正是如此，我們才看到了車企和自動駕駛公司們在今年紛紛宣布了自建AI計算中心的消息，瘋狂卷起了車外算力。

三、車外算力不只有云 特斯拉打響算力

看到這里你肯定該提問了，現在云服務這么方便，算力要多少有多少，租云不就好了嗎？為啥要費勁自建AI計算中心呢？

這里需要從成本和技術兩個維度考量。

先說經濟性。據車東西了解，目前車企和自動駕駛公司每年在云計算方面花費的資金普遍在數千萬元，頭部玩家上億也很常見，且隨著數據量的日益增長，在AI計算方面的投資也在水漲船高。

據IDC統計，2022年自動駕駛相關公司對AI計算的投資全部在增長，并且有28%的企業投資增長幅度超過30%。

如果持續使用公有云服務，顯然存在邊際成本不斷上漲的問題。

而若是自行采購設備組建AI計算中心，一次性投資約在數千萬到1億元以內，長期來看性價比更高。

當然這里也有個前提，那就是企業的數據處理、模型訓練流程得相對固定才行。如果還處于研發早期，AI算力需求不固定，那還是使用具有彈性的公有云最合適。

技術層面，自建AI計算中心也更具優勢。

云計算的本質是租賃計算設備。云服務商的設備都是統一采購 -- 目標是具備最大的通用性（這樣才能獲得更多客戶）。所以其設備內部使用的CPU、GPU/AI加速器、內存的型號與規格都相對固定，很難與車企和自動駕駛公司的算法形成最佳匹配。

另一方面，云服務廠商對自動駕駛算法的了解程度不高，其使用的管理軟件在調度AI計算設備集群時難免會出現損耗和效率不高的問題。

這導致在理論算力一定的情況下，其訓練AI模型需要更多的時間。

作為量產自動駕駛方面的領頭羊，特斯拉是深知專用AI算力的重要性。

其在多年前就開始打造了屬于自己的AI計算中心 -- Dojo，總計使用了1.4萬個英偉達的GPU來訓練AI模型。

特斯拉專家在今年AI Day上表示，其需要使用14億幀畫面才能訓練一個神經網絡，對應的是10萬個GPU工時！可見這是一個非常龐雜和耗時的過程。

特斯拉為了進一步提升效率，在2021年發布了自研的AI加速芯片D1。25個D1封裝在一起組成一個訓練模塊（Training tile），然后再將訓練模塊組成一個機柜（Dojo ExaPOD）。

按照特斯拉方面的說法，使用Dojo組成的AI計算集群，可提升30%的網絡訓練速度。

上面實打實的數據說明，特斯拉通過高度定制化的方式建立自己的AI計算中心，確實使其在模型訓練的效率方面獲得了明顯的提升。

某種程度來說，特斯拉通過自研D1芯片，自研Dojo ExaPOD智算設備，實際上構建的是一種其他競爭對手難以企及的算力霸權。

接下來，隨著路上特斯拉的車隊規模越來越大，采集的數據越來越多，特斯拉的算法迭代速度也會越來越快，對其他車企和自動駕駛公司形成越來越難以逾越的領先優勢。

四、自建AI計算中心 選對設備很關鍵

既然自建AI計算中心如此重要，而數據中心最核心的AI智算設備，更是一點不能含糊。

目前國內AI智算設備銷量第一的浪潮，已經開始全面布局智能汽車和自動駕駛領域，希望用自家高質量的AI智算設備為車企和自動駕駛公司的模型訓練提供支持。

如何選擇AI計算設備？軟硬件結合最關鍵。

正如前文所言，只有高度定制化的AI智算設備才能發揮最佳的訓練效果。

浪潮深知這個道理。為了研發出最適合自動駕駛行業的AI智算設備，浪潮專門組建了一支幾十人的算法團隊，先研究自動駕駛的前沿算法。

比如最近在NuScenes數據集的3D目標檢測比賽中，浪潮自動駕駛團隊的DABNet4D算法一舉拿下了第一名的成績 -- NDS綜合檢測精度0.624，較2021年的第一名提升了16個點，進步明顯。

▲NuScenes 3D目標檢測比賽榜單

浪潮信息的AI團隊早在今年年初就構建了一個基于Transformer架構的多視角特征融合模型CBTR算法，并繼續基于多相機時空特征優化，設計構建MASTER（Multi-camerA Spatial and Temporal feature ExtractoR，多相機時空特征提取器）。而最近所登頂的DABNet4D算法正是在MASTER算法的基礎上進一步引入了深度估計網絡等等，最終實現了更為高效穩定的BEV輸出。

▲浪潮AI團隊DABNet4D算法架構

此外，通過圖像數據增強、BEV特征增強和樣本貼圖增強等多尺度的數據增強技術等，提升模型的檢測效果，最終DABNet4D算法在NuScenes數據集中奪得3D目標檢測第一名的佳績。

有了對自動駕駛算法模型的深刻理解，浪潮就能在硬件和軟件兩個維度優化自家的AI智算設備。

硬件層面，不僅CPU、GPU/AI加速器等核心硬件的選型做過優化，像是CPU與GPU之間、計算設備之間的通信鏈路設計也進行了專門的設計。

比如浪潮自動駕駛團隊訓練模型使用的是全球領先的AI服務器5488A5服務器平臺。其中GPU之間使用了NV-Switch全互聯架構，來滿足模型訓練的高顯存需求，以及模型并行訓練的高通信帶寬需求。

軟件方面的優化更為重要，配套軟件算法要讓硬件高效的運轉起來。

浪潮的AI智算設備融合AIStation，通過整合計算資源、數據資源以及AI開發環境，實現AI 計算資源統一分配調度、訓練數據集中管理與加速、AI模型流程化開發訓練，為自動駕駛車企開發團隊構建敏捷高效的一體化開發平臺。

這里舉個例子。

當前大多數的AI模型訓練一般需要使用幾個到幾十個GPU加速卡，而面向自動駕駛融合感知的模型訓練，因為其模型復雜度的提升和數據量的規模因素，則需要使用幾百上千個GPU加速卡協同訓練。

如此大規模的協同計算，無論是在集群硬件，還是在算法軟件上，都是需要進行專門的設計優化。如果不進行優化，假設用搭載了1000塊GPU的AI計算中心訓練一個模型，其中每個GPU的效率發揮甚至可能不到10%，也就是會出現用的資源越多，算的越慢的情況。

▲浪潮AIPOD方案

浪潮的專業團隊曾經建設了一個超過2000個GPU的超大規模AI計算集群，并在訓練“源”大模型系列時，實現了90%的擴展效率。協同軟、硬件系統優化能力，大幅提升訓練效率，最大化地發揮GPU性能。

這些實打實的技術細節和參數，也正是浪潮助力車企和自動駕駛企業組建AI智算中心的底氣所在。

在AI算力、算法方面，浪潮所擁有的整體化技術優勢，也讓其連續多年在AI服務器市場穩居全球市占第一，并深獲互聯網頭部客戶的絕對認可。

五、智能化助力自主品牌彎道超車

最后我們回到汽車行業本身來看。

汽車四化浪潮是中國汽車產業遇到的千載難逢的時代機遇。電動化打破了傳統燃油車的技術壁壘，讓自主車型能夠與歐美大牌平起平坐。智能化是我國的優勢領域，一旦在技術上實現領先，就能帶動車型競爭力的大幅領先，最終帶動整個中國汽車工業實現彎道超車。

從今年的汽車銷量來看，電動化浪潮已經帶動比亞迪、廣汽、蔚來、理想等車企初步實現彎道超車。

下一步，各大車企和汽車智能化供應商應該進一步加大投資力度，在算法和算力方面實現雙線布局，將我國龐大的市場優勢轉化為數據優勢，從而在自動駕駛等智能化系統的研發上實現更大發展，最終助力整個汽車工業實現彎道超車。

審核編輯黃昊宇