云端IPU:驅動汽車未來

人們所期望的“機器智能”，其實是“超人類”的。只有當一臺機器比受過良好訓練的人類更加優秀的時候，人們才會信任它。在汽車領域，自動駕駛的主要挑戰并非控制車輛或是辨別行人的位置，而是推斷出其他人類駕駛汽車的下一步行動是什么。這要求機器智能在理解其他人類方面，至少和人類一樣聰明。

如今的機器智能也許可以在某一狹窄領域里，比人類更準確地識別某一物體，但是在更多方面，機器智能和人類還有相當的差距。GPT-3是目前已經產生的最大的語言模型之一，大約有1750億個參數，訓練一次需要數千萬美金。雖然它的性能已經足以令人驚嘆，但與人類相比，它還是有所局限，比人類大腦小1000多倍。

下一代的機器智能系統將更加復雜、龐大。為助力汽車等領域的眾多機器智能創新者開發下一代機器智能系統，拓展機器智能的邊界，Graphcore為機器學習工作負載，專門設計了IPU智能處理器。

為什么IPU“跑”得快

CPU和GPU從來不是為了滿足機器學習的計算需求而設計的，在機器智能的道路上，創新者們往往被傳統的方式所“桎梏”。Graphcore IPU是針對人工智能計算的計算圖特性而設計。去年發布的第二代IPU（MK2 IPU）凝聚了計算、數據、通信三大顛覆性“黑科技”，在7納米的芯片上集成了594億晶體管，相較于第一代IPU（MK1 IPU）系統性能提升了8倍以上，再一次樹立了新的行業標準。

4個MK2 IPU可以驅動1個機器智能計算刀片IPU-Machine：M2000（IPU-M2000）。獨特的IPU-Fabric?技術能夠實現2.8Tbps的超低時延，支持64000個IPU之間的橫向擴展。創新者既可獨立使用1個IPU-M2000，也可以在IPU-POD64系統中將16個緊密互連的IPU-M2000機架擴展到超級計算規模。

IPU如何驅動汽車未來

IPU的高靈活性、可擴展性能夠支持汽車領域，尤其是智能汽車領域對下一代機器智能系統及其硬件的要求。

和傳統方式相比，Graphcore的IPU系統體積更小，提供同等甚至更多的算力和更低的延遲，大幅減少數據中心支出，提升效率的同時滿足智能汽車對數據中心算力的超高要求。創新者可以通過IPU開發者云獲取IPU的超高性能，在IPU開發者云中進行即時開發和早期的車載實驗，使用Graphcore架構創造突破，并無縫移植到正在發展中的自動駕駛新階段。如今，對話式人工智能（Conversational AI）等技術已經悄然出現在了車載應用中，創新者通過云端IPU驅動這些車載應用、高級輔助駕駛應用、自動駕駛應用，還可以運用云端IPU進行電池管理模型的加速，優化電池管理方案。

IPU還能為數據中心和車載提供相同的Graphcore處理，為創新者提供一個既能用于訓練，也能用于推理，在云和端側（Edge）都可以通用的機器智能架構。對于探索“車載數據中心”的創新者來說，能夠提供更高計算效率的IPU智能處理器，可以大幅加速智能汽車的研究和應用進程。

無人駕駛的普及使用還存在哪些技術難點

科技產業的發展中往往會出現一個拐點。當技術成本達到某一程度的時候，才能被大規模地使用。

以前的人工智能是以密集計算來推進的，一些無人駕駛汽車里面可能配備的是一個高功耗的巨型服務器，使用時可能需要頻繁地充電，在投入實際應用的時候會遇到一定的操作困難。

現在，人們從兩個維度對人工智能進行新的探索：算法模型更加輕量化，精度更高；計算更加輕量化，功耗更低、成本更低。算法層面探索的其實是“超人類”的機器智能。計算層面，人們需要的是更加經濟實惠及功耗更低的解決方案。這兩個維度結合在一起，才能夠共同促進機器智能的發展。

精確度是機器智能應用中至關重要的一點。安全性是汽車領域永恒的話題，而和人工駕駛相比，人們對無人駕駛的安全性要求只會更高。

5G對汽車智能化的影響

在3G、4G時代，人們討論的是電信運營商，而在5G時代，人們討論的是OTT（Over The Top）。而在OTT和端側（Edge）之間，會出現很多創新的機會，孵化出一些新的商業模式。從4G向5G遷移過程中的另一大轉變是物聯網的應用，汽車可能是物聯網應用中最重要的應用方向之一。

人們以前討論智能汽車，是從車的視野來討論，比如在車里裝一個機器人。未來，端側（Edge）智能能力會大幅提升，5G會加速車路協同的進程。此外，5G超高帶寬、超低延時的重要特性能夠為端側（Edge）提供超低延時的智能服務，推進汽車智能化。

（供稿單位：Graphcore）