致力于为汽车人工智能硬件提供未来保障

　　近年来，汽车和卡车预计将达到使用寿命的极限，通常为10至20年，这直接影响到其搭载的电子设备的稳定性。另一方面，管理汽车人工智能系统不仅涉及到技术创新，还需应对现场服务问题及法规变更等复杂情况。

　　硬件升级成本过高，软件更新则需依赖可扩展系统，以满足多地多产品线的需求。因此，硬件和软件的可扩展性至关重要，以支持车辆使用寿命内的长期更新，并适应不断进步的新车架构。

　　为了保证汽车人工智能硬件的未来发展，汽车人工智能正逐渐渗透到车辆的各个领域，如ADAS、电动汽车智能电池管理、车厢监控系统、智能降噪信息娱乐系统等。这些智能功能均在定制的人工智能处理器上运行，因此，处理器必须能适应未来汽车架构和人工智能技术的演变。

　　然而，“演变”是一个关键的限制因素。虽然人工智能基础模型有时会出现重大变革，例如从卷积神经网络（CNN）到Transformer的模型架构，但更多时候，模型会在汽车生命周期内或产品线中逐步演进。

　　如果硬件平台的扩展性能强大，足以处理从经典深度神经网络（DNN）到生成模型等各种类型的模型，且在性能和功耗上都具有竞争优势，那么就应能应对这种模型演进的程度。但值得注意的是，这将在下一节详细探讨。

　　Ceva NeuPro-M是一款强大的NPU IP系列，为嵌入式汽车人工智能设计奠定了坚实基础。作为一个可扩展平台，NeuPro-M可根据需求灵活配置。NeuPro-M可并行运行1至8个引擎，每个引擎均配备混合精度神经引擎、补充激活单元和先进的稀疏性引擎，以管理权重和数据中的任何形式的稀疏性。

　　此外，NeuPro-M还与矢量处理单元（VPU）共享本地内存，以最大限度提高本地吞吐量。一个本地控制器负责协调各功能间的流程，一个通用子系统则负责引擎间的高层协调、下层共享内存、权重和数据的压缩和解压缩，以及与主机设计的接口。

　　高级定制策略的重要性

　　如同其他设计领域，汽车人工智能产品的独特性主要源于定制程度。虽然充分运用硬件自身特性即可实现改进，但若要进一步提升性能，还需引入定制化软件，超越硬件本身支持范围。例如，传感器融合便是一例。

　　试想自动泊车功能，需综合应用超声波、雷达及视频传感器，或者说它们的组合，以科学规划停车路径。尽管这些传感器可独立判断与障碍物间的距离，但如何将这些数据整合并制定出最佳路径，却是每个汽车制造商都需自行研发的算法。

　　此算法需依据二维（或三维）空间中的障碍物及其他感知信息，精确规划车辆行驶路线，同时考虑速度及前后障碍物可能的运动情况。这便涉及到向量分析技术。

　　许多处理器会选择将此类计算任务交给外部数字信号处理器（DSP）或图形处理器（GPU）处理，但鉴于汽车在狭小空间内行驶，这种方式易导致严重延迟，并不适宜。

　　而在NeuPro-M NPU IP中，每台引擎均内置可编程VPU，使得融合算法的部分内容得以在同一引擎上运行，且与其他神经操作性能相当，共享本地内存，从而实现快速、低延迟的传感和融合性能。

　　实际上，Ceva的SensPro2视觉人工智能传感器集线器DSP正是为此功能而生，可与定制化人工智能引擎协同工作，助力高效芯片和系统设计。

　　如此高性能的定制算法开发，不仅能拓展汽车人工智能算法，也为未来可能出现的各类创新提供坚实支撑，无论在核心深度学习层级，还是在融合算法等扩展层面。

　　为持续发展的人工智能生态系统保驾护航

　　提前布局硬件以应对未来需求只是第一步，更重要的是要有面向未来的汽车人工智能模型和软件堆栈作为后盾。Ceva具备丰富的支持所有标准网络接口的经验，并提供编译器和优化功能，可无缝映射至基于NeuPro-M的硬件平台。