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(jù)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(xiàn)這些好處，這類車輛必須能精確地實時感知周圍環(huán)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(shù)據(jù)。為了迅速解讀這些信息，并留出足夠的時間進行路徑規(guī)劃和控制生成，AV系統(tǒng)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(tǒng)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(tǒng)、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(tǒng)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(tǒng)對高性能計算的需求，像顯卡（GPUs）這樣的傳統(tǒng)解決方案會大量消耗電池，從而顯著影響續(xù)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(xù)航里程明顯更高。

通用的自動駕駛解決方案需要消耗數(shù)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(zhí)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(huán)境造成了更大的破壞。因此，對于計算系統(tǒng)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(xiàn)更高的駕駛范圍、更小的電池重量和更低的整體系統(tǒng)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(xiàn)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(chuàng)新計算方式。如通過優(yōu)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(xiàn)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(chuàng)新，實現(xiàn)所有參數(shù)（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(xiàn)全自動車輛所面臨的電池容量挑戰(zhàn)之一是：如何處理來自各種源頭的大量感測數(shù)據(jù)，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(yè)遲早要面對的挑戰(zhàn)。