地平线征程5芯片以多重优势助力高等级自动驾驶发展

正如生物的智力进化史一样，从低智生物到高智生物，对应的是神经元的持续集中化，并最终进化出大脑。随着自动驾驶逐步驶入量产快车道，从 L2 到 L4 每提升一级，AI对算力的需求将跃升一个数量级。我们看到，计算集中化的进程正在加速，汽车电子电气架构也从分布式ECU架构向域控制器以及中央计算架构演进。

地平线征程系列车规级 AI 芯片

为支持更高级别自动驾驶应用，向软件定义汽车提供高性能、大算力的整车智能中央计算平台，地平线选择的路径是通过软硬结合，面向应用场景驱动软件创新，继而从软件创新驱动新的芯片架构，即「从场景中来，到场景中去」。

基于双核贝叶斯 BPU 的征程5 芯片

以场景为中心

打造更高效的BPU

针对高等级自动驾驶需求，地平线结合征程2、征程3大规模前装量产的经验，并通过多轮微架构迭代，打造颠覆式的第三代 BPU 专用处理器架构——贝叶斯。

作为一款从设计之初就开始考虑算法演进趋势的先进架构，贝叶斯经过较长研发周期后，仍然能够保证地平线征程5快速适应最新的主流算法，并使之随着算法迭代演进始终保持高效的利用率，让终端用户真正受益于软件算法创新带来的价值。

那么，贝叶斯是如何始终保障高效性的呢？答案就在于“软硬结合”这一核心技术路径。基于对自动驾驶技术演进的洞察，地平线深入挖掘下一代自动驾驶典型场景，前瞻性地将计算特点融入到贝叶斯架构的具体设计中，具体而言主要体现在以下三点：

1、聚焦领先算法趋势，持续优化

针对高效神经网络进行深度优化，同时协同映射指导芯片架构设计。为满足高等级自动驾驶多功能、多场景的计算需求构建贝叶斯，保证地平线征程5更好满足未来自动驾驶相关算法在BPU上的适用性，以达成实际最佳AI计算效能。

2、面向自动驾驶场景的垂直打穿

精度、带宽和稳定性是自动驾驶的天然诉求，贝叶斯聚焦以上问题进行了大量的专项优化，例如：通过对精度和性能的折中优化以降低内存占用和访问量，保证低延迟；结合完整数据链路，提升前后处理和网络加速的协同性；通过任务优先级判断实现多模型的灵活调度；避免计算瓶颈和访存冲突，保障网络加速与应用的直接配合。

自动驾驶场景面临的挑战

3、软硬联合设计，协同优化

协同优化算法、编译器、计算架构，利用地平线在AI加速计算的深厚积累将并行计算发挥到极致，大幅提高AI计算效率，优化计算密度和能效。

软硬联合，协同设计

五大关键创新

破解自动驾驶计算效率难题

自动驾驶迭代过程中，传感器数量、运行设计域、神经网络模型复杂度随之增加；同时自动驾驶任务环节更为复杂，非线性计算量递增，这对AI芯片提出了极大计算挑战。为实现更强计算效率，高效使用内存带宽，大规模的高并行计算便成为架构设计的必要考虑因素。

而人工智能算法中最消耗运算量的地方是矩阵运算，即乘积累加运算 Multiply Accumulate（MAC）。贝叶斯的独特性设计能够将并行计算发挥到极致，以更少内存、更高 MAC 利用率来执行更多任务。这源于三项围绕它的核心技术：

1、大规模异构计算：自动驾驶涉及大量异构计算，贝叶斯针对场景为每种类型提供了最佳计算模式配比。小容量 L0 Memory 保证每个计算单元的数据访问极致高效，大容量 L1 Memory 以 2D 阵列方式存储，由所有计算单元共享，降低本地数据移动频次。结合跨层聚合（Layer binning）技术，实现本地化计算多个模型层级，从而进一步提升数据的利用效率，很多数据可以重复大量的计算。

2、高灵活大并发数据桥：地平线专门设计的高带宽数据传输通路，将多个计算单元和 L1 2D 存储阵列灵活相连，特征压缩节省了数据带宽和存储空间，提供各计算单元所需的高数据吞吐，从而提高计算单元的利用率。

3、脉动张量计算核：计算单元从存储器（Memory）读取数据进行处理并回传的过程中，存取的速度往往大大低于数据处理的速度。如图，芯片将来自 L0 Memory 的数据流经 MAC 阵列，在数据的交叉流动过程中完成计算，大幅降低了 L1 Memory 访问次数，从而降低计算功耗、延迟和所需数据带宽。

当然，除了硬件架构特性，AI芯片还需要编译器层面的优化调度才可以发挥出极致效能。在编译器中，地平线机器人通过多维数据拆分重组，指令流水和异构并发调度，以及跨层计算融合，在复杂的组合排列中寻找出最优化组合。另外，地平线机器人通过软硬件协同优化极大提升了 L1 Memory 中的数据复用效率，在达到高度并行计算的同时将数据溢出到 DDR 的数量降到极致，这也是底层意义上的软硬结合。

面对自动驾驶真实复杂场景的检测问题，BPU 在设计过程中进行了全方面的系统思考，使得地平线征程5 得以对先进模型代表的AI任务进行高效计算。在进行自动驾驶典型任务（EfficientNet 模型）测试时地平线的软硬结合得到了充分体现，各精度下征程 5平均帧率（FPS）和能效比 (FPS / Watt) 表现均优于 Nvidia Xavier、Nvidia Orin。自动驾驶芯片不能单纯追求算力，还需要关注芯片真实的运行效率。

此外，自动驾驶应用除了高效的 AI 计算外，对低延迟也非常敏感。在紧急制动情景下，100 毫秒意味着近 1.7-3.3 米的刹车距离，延迟问题将直接关乎驾驶安全。

贝叶斯在设计之初就考虑即时处理模式和复合型、灵活的优先级调度机制。即一方面支持高度并行计算，同时小批量实施即时的数据处理，并通过时间切片优先调度关键任务，从而实现了极致的流水线优化压缩。基于征程5实测，8M单目前视感知结构化输出延迟小于60毫秒，这一指标远优于行业，极大提升了驾驶安全性。