在智能座艙里，大家都知道高通的芯片是目前的主流，比如高通8155，高通8295，車企不斷的宣傳讓我們知道了芯片的重要性。那么在智能駕駛領域里，到底什么是重要的呢，評估面向自動駕駛的計算芯片性能時，有沒有什么科學的依據呢？我們今天來解讀一下“車載異構計算測評規范”的標準，這個標準非常詳細地規定了測試的各個方面。

2022年7月，中國電子技術標準化研究院牽頭制定了《面向自動駕駛應用的計算芯片》系列團體標準，并在中國電子工業標準化技術協會正式立項， 在2023年4月發布了該系列團體標準的征求意見稿，并擬于2023年發布該系列標 準。該系列標準包含技術要求、車載異構計算測評規范、人工智能應用工具鏈、傳感器接口要求等四個部分。我們今天把“車載異構計算測評規范”這部分單獨摘錄出來進行探討。

在這里主要提出了三個方面算力性能、智能駕駛場景AI性能和兼顧AI性能和整體端到端數據流處理能力。

Part 1

算力性能評估

在這里，普通消費者最為熟悉的TOPS，是算力的數據類型和算力單位。采用的是Tera Operations Per Second（TOPS）作為單位，表示每秒進行的計算次數。不同的數據類型包括INT4、INT8、INT16、FP16等，而在智能駕駛領域，以INT8數據類型的稠密算力為代表。

這里首先是稠密算力 vs. 稀疏算力的問題， 稀疏算力和稠密算力是計算機科學中描述計算資源利用程度的兩個關鍵概念。

●?稀疏算力表示在任務執行中，計算資源利用率較低，主要出現在處理低密度數據或低復雜度任務時。

●?稠密算力表示計算資源利用率較高，通常出現在處理高密度數據或高復雜度任務時。

在實際場景中，稀疏算力和稠密算力存在互補關系。合理的任務分配可以根據特定任務的特點和需求，使稀疏算力和稠密算力得到有效利用。例如，低優先級、低復雜度的任務可分配給稀疏算力服務器，而高優先級、高復雜度的任務則交給稠密算力服務器。這種合理分配有助于提高整體計算效率。

稀疏算力和稠密算力之間存在轉換關系。通過調整任務優先級、復雜度或采用動態調度算法等手段，可以實現它們之間的轉換。在云計算平臺中，根據用戶需求變化，系統可動態調整服務器算力分配，實現稀疏算力和稠密算力的靈活轉換。

在標準中采用稠密算力方式進行評估的必要性。相對于稀疏算力，稠密算力更具有普適性，避免了準確度下降的問題，同時可以更好地滿足計算準確度的要求。

注意，實際芯片對于不同數據類型的性能差異。雖然INT4、FP32等數據類型各有優勢，但INT8數據類型更被廣泛采用，因為它在效率和泛用性方面取得了平衡。為了規范業內智駕芯片的算力對比，采用INT8稠密算力為代表，并通過明確的標準來兼顧其他量化精度類型，避免了算力虛標和對比條件不統一造成的問題。

Part 2

智能駕駛場景AI性能評價

智能駕駛芯片性能不僅取決于硬件算力數值，還與軟硬件協同后的實際能力相關。在特定智能駕駛場景下，車輛是否能夠達到較高的芯片使用效率至關重要。

我們需要注意推理吞吐率（FPS）的重要性，AI推理性能需要了解評估這一性能的指標，時延（Latency）和吞吐量（Throughput）是常用于衡量AI推理程序性能的兩個重要指標。

●?時延： 衡量處理單個單位數據的速度，即單一事件的處理速度。

●?吞吐量： 衡量在單位時間內處理的數據量，即整個系統處理事件的效率。

時延評估的是單一事件的處理速度，吞吐量評估的是整個系統處理事件的效率。時延高低與吞吐量大小有關系，但二者不是直接的線性關系，評價性能時，需要同時關注時延和吞吐量這兩個指標。采用推理吞吐率（FPS）作為主要評價方法，因為它更能反映車載智能芯片的真實計算性能。為了真實反映整體處理性能，可以選擇智能駕駛場景中最典型的模型進行性能測試。

Part 3

兼顧AI性能和

整體端到端數據流處理能力

AI計算單元雖然是智能駕駛系統中的主要處理單元，但整個芯片平臺的性能發揮需要各部分協同工作。車企在選擇智能駕駛芯片時需要綜合考慮多個因素，包括算力和算效、適配性、軟件開發難度、車規級安全認證等級、靈活性和能效比等指標。實際上我們需要關注維度及安全性和效率：

●?整體端到端數據流處理能力和智駕體驗：強調了這是最靠近整車廠最終需求的智能駕駛計算芯片評價指標。兼顧AI性能和整體端到端數據流整體處理能力，同時關注整體智駕體驗，才能更好地滿足實際采購和使用中的需求。

●?功能安全的考慮：在信息安全和車輛安全的基礎上，標準明確指出關注功能安全。這包括支持國密認證、安全啟動、硬件加解壓等功能，以滿足智能駕駛計算芯片對相關能力的要求。

總體而言，這個標準為評估智能駕駛計算芯片提供了詳盡的規范，強調了多個維度的性能評價，確保業內各種智駕芯片能夠在統一的標準下進行對比，最終提高整個智能駕駛產業的發展水平。

審核編輯：黃飛

?