隨著我們邁入自動駕駛車輛（AVs）的時代，這些車輛在安全性和效率方面帶來了諸多正面影響。據美國交通部報道，超過90%的事故是由駕駛員錯誤造成的，且交通擁堵導致每個人每年損失51小時。加州大學伯克利分校的研究表明，自動駕駛車輛能至少減少42%的交通流量，顯著降低由人為錯誤帶來的風險，因此，對具備自動駕駛能力的車輛的需求正在迅速增長。

為了實現這些好處，這類車輛必須能精確地實時感知周圍環境——不論在任何條件下。這需要汽車具備高性能計算能力。

為了讓自動駕駛車輛擁有類似人類的理解能力，需要利用大量的傳感功能。這些傳感器包括多個高分辨率攝像頭、雷達、激光雷達等，共同生成大量必須實時處理的數據。為了迅速解讀這些信息，并留出足夠的時間進行路徑規劃和控制生成，AV系統必須具備高性能計算能力。

隨著駕駛車輛自動化的勢頭增強，我們還經歷了從傳統內燃機到電動汽車（EVs）的轉變。汽車電池的幾個主要需求包括動力總成、空調、信息娛樂系統、內部燈光以及前/后燈。隨著向電動汽車的轉變，駕駛里程完全依賴于電池容量，而這是一種寶貴的資源。

然而，傳統上，高性能計算與功耗之間存在著反比關系。鑒于自動駕駛系統對高性能計算的需求，像顯卡（GPUs）這樣的傳統解決方案會大量消耗電池，從而顯著影響續航里程。

在兩輛相同的車輛中——一輛配備了通用自動駕駛計算解決方案，另一輛配備了為自動駕駛專門設計的計算解決方案，前者犧牲的續航里程明顯更高。

通用的自動駕駛解決方案需要消耗數百瓦的電力來處理高分辨率傳感器輸入。然而，專門為自動駕駛設計的平臺僅消耗略高于100瓦的電力執行同樣的功能。

在汽車的使用壽命期間，當前實施方案的高功耗增加了消費者的成本，并對環境造成了更大的破壞。因此，對于計算系統來說，除了需要巨大的處理性能，低功耗也至關重要。

減少對電池容量的需求可以實現更高的駕駛范圍、更小的電池重量和更低的整體系統成本。這導致從制造商到消費者，每一層面的效率都有所提升。如今，像耗電的GPUs這樣的解決方案仍在使用中。相比于重用舊技術解決新問題，汽車制造商可以采用為實現車輛自主性能而特別構建的解決方案。這種解決方案需要從基礎上創新計算方式。如通過優化卷積神經網絡模型，可以在結果質量幾乎不受影響的情況下實現巨大的性能提升。

另一個提高計算效率的方法是嚴格使用“片上”內存。然而，人工智能模型通常很大，迫使其他解決方案和方法使用片外（外部）內存，這會帶來不利的功耗和延遲。通過集群算法創新，實現所有參數（權重）“片上”存儲。這允許我們的解決方案處理最大的網絡而不需要外部內存。

實現全自動車輛所面臨的電池容量挑戰之一是：如何處理來自各種源頭的大量感測數據，并將相關神經網絡處理應用上，同時保持小功耗足跡和最小延遲。這也是整個電動汽車行業遲早要面對的挑戰。