雷锋网按：当英伟达与英特尔在全自动驾驶技术上纷纷“拉帮结派”时， 一直专注 ADAS（高级驾驶辅助系统）的德州仪器（以下简称 TI）却表现得相当低调。
TI 并非对自动驾驶不感兴趣，作为业内领先的汽车芯片供应商，它只是有一张完全不同的路线图罢了。据雷锋网了解，TI 准备利用现有的 ADAS 平台实现 Level 4 或 Level 5 级别的自动驾驶。
近日，德仪 ADAS 部门业务经理 Brooke Williams 接受媒体采访时表示，TI 在 5 年前就开始接到汽车厂商的询价单了，其中一些是为了实现 Level 4 和 Level 5 级别的自动驾驶，其他厂商则想通过 ADAS 系统拿到五星评级。“我们能满足他们所有的请求。”Williams 说道
Williams 表示，TI 的首要目标是“满足厂商的系统级安全需求”。
TI 信心满满是因为它在 ASIL（汽车安全完整性等级）评价中已经有 30 年经验，此外 TI 还有一连串技术，包括功耗管理、模拟装置、网络解决方案（低压差分信号和以太网）和传感器（如雷达）等。在车载电子方面，TI 唯一的短板恐怕就是 CMOS 图像传感器和内存了。
“系统级安全”虽然是这次访谈中一直强调的，但从该公司的财务状态我们明显可以看出一个温和的策略是多么的重要。借助其他厂商不屑一顾的 Level 2 自动驾驶，TI 今年第一季度在汽车和工业市场的营收增速远超预期。
VSI 创始人兼首席顾问 Phil Magney 指出，“TI 并没有进行大幅度的架构改革。它的主力产品依然是各种新增的 ADAS 功能，现在 TI 并不忙于开发 Level 4 和 Level 5 功能。时机成熟时，它的架构同样会支持更高级别的自动驾驶，但现在 TI 更重视车辆安全和舒适性功能，因为这才能带来真金白银。”
如今的 TI 确实一门心思扑在了 ADAS 上。
不过，未来如果要从 ADAS 过渡到 Level 4/Level 5，TI 有什么计划？Williams 称：想将汽车带入自动驾驶时代，“我们认为现有平台并不需要发生大规模的变化。”
当然，这种异于常人的看法也让汽车行业的分析师们多了许多疑问。
IHS Markit 车载电子部门首席分析师 Luca De Ambroggi 表示：“我现在根本想不出 TI 到底要怎么处理它现有的 ADAS 解决方案。”如果 TI 要押宝机器视觉，那么它的计划就容易理解了。不过，如果它还想在 Level 4 阶段继续使用现有平台，就必须对 Level 2 系统进行大改。
林利集团资深分析师 Mike Demler 同意这一观点。他表示：“怎么会有公司设计个只能支持 Level 2 的系统？这样的系统根本无法兼容神经网络训练，而那却是 Level 4 的必需品。当然，两种架构都能兼容数字信号（DSP）处理，但在硬件性能和软件堆栈上的差距却非常大。如果你关注过 Mobileye EyeQ 处理器的进化过程，就会发现它在架构上并没有翻天覆地的变化，但 EyeQ5 在性能和功能上却比 EyeQ2 强悍得多。这样的事情在英伟达的 GPU 上也正在上演。
TI 当然留了一手，Williams 表示公司已经做好准备，随时都能通过升级自家硬件架构将深度学习整合进 TDAx 平台。在今年年初的 CES 上，TI 就借自家 TDA SoC 展示了基于深度学习的语义切分技术。
Williams 解释，TI 想让 TDA SoC 的 EVE（嵌入式视觉引擎）核心负责运行复杂的神经网络算法，而 C66 DSP 核心则担起运行传统机器视觉算法的重任。
*TDAx 深度学习转化与切分流程
对于 TI 的 AI 战略，VSI 创始人 Magney 表示：“TI 在 CES 上的表现相当惊艳，它居然要用低功耗的 TDA2 设备实现对 AI 模组的支持。”Magney 称 TI 这一步“相当精明”，它让开发者有机会借助最受欢迎的 AI 架构打造自己的算法。
现在市售的 TDA2x SoC 搭载了 2 颗 ARM Cortex-A15 核心、4 颗 ARM Cortex-M4 核心、2 颗 C66x DSP 和 4 颗 EVE。它可用在前置摄像头、环视查看与记录、融合系统等应用中。
如果未来 TI 将深度学习融合进自家 SoC，Magney 认为它的杀手锏是神经网络转化器，因为这款产品帮TI 优化了处理器的推理模型并扩充了它的深度学习库。
Williams 指出，TI 不会像英伟达一样靠 GPU 之类的产品来运行神经网络算法。它的 EVE 也非常高效，完全可以负责深度学习这一重任。
Magney 解释称，德仪的“DSP 架构倚重 64-bit 浮点运算，而 EVE 则主要依靠 32-bit 浮点运算，因此在这对组合中，算法非常重要。”
“由于数据并行能力强且内存架构特殊，因此 EVE 非常适合运行 AI 推理模型。同时，它能以非常小的功耗搞定多个层级的推理模型。”Magney 补充道。
对 DSP 和 EVE 进行对比后，Magney 指出：“使用 64-bit 浮点运算和数学函数其实比 32-bit 浮点运算要慢一些，但其精度更高，同时呈现出的量级也更大。”
当然，处理器架构的主要任务还是解决问题，Demler 解释道。“对 CNN 卷积神经网络来说，你需要一个高度并行的架构，无论是以 DSP、GPU 亦或其他特殊的加速器为中心。TI 的引擎是 EVE，英伟达则拥有 Cuda 和 DLA，计算机视觉公司 Movidius 靠的是 Shave。值得一提的是，Mobileye 的 EyeQ 虽然有多个特殊核心，但其中一些与 EVE 非常相似。”
De Ambroggi 相信混合模式才是 TI 的最佳选择。它最适合用 DSP 来处理传统视觉算法，而EVE 则用来搞定深度学习，因为这样能解决冗余和一些安全问题。
不过，De Ambroggi 也有些怀疑，因为他担心单一的 AI 解决方案是否能通过 ASIL 的认证，毕竟在他看来，AI 现在还不够安全。此外，“为了完成优化，你必须拆分核心。”他补充道。
当下，对大多数汽车厂商（除了特斯拉）来说，传统的机器学习算法依然握有最大的决定权。
如今，TI 正在研发全新的 SoC，也就是所谓的“TDAx Next”。由于该公司还未正式公布这款产品，因此 Williams 也不愿谈及细节。不过在采访中，他暗示新的 TDAx Next 将支持 Level 2 到 Level 5 级别的自动驾驶，不过关于上市时间，TI 拒绝透露。
Williams 反复强调称，TI 的战略是要保护汽车厂商和一级供应商在软件上的投资，未来它们的软件能从 Level 2 车辆迁移到更高级别的自动驾驶汽车上。
Williams 还指出，对于自动驾驶汽车的架构，汽车厂商与一级供应商有不同的喜好，如边缘处理模式、完整的中央处理器融合或者混合模式等。对于不同用户的需求，TI 在解决方案上会保持尽可能的灵活。
在深度学习上，TI 明显更器重推理引擎而非为训练提供芯片。这种方式其实在回避一个问题的实质，那就是在深度学习上，一个平台同时兼顾训练和推理是否会获得什么固有优势。
Demler 表示：“对主攻推理引擎的供应来说，为转化训练网络提供工具非常重要，一些 CNN-IP 供应商就正在做这一工作。”
Demler 解释称：“从技术上来看，如果开发者正在转换一个预训练网络模型（如 Googlenet 或 Resnet），他们用来校准推理引擎的数据库比训练神经网络的系统还要重要。也就是说，如果开发者的想要同时兼顾训练和推理，最好还是使用一套完整的工具，虽然从技术上来讲这完全没必要。”
Magney 则坚称：“我认为同时兼顾训练和推理根本无法换来什么固有优势，特别是当你使用 OpenVX 时。”在他看来，很快这个问题就没有争论意义，因为在训练架构上很快你就能有大量选择，而主要的云计算公司会成为新的服务提供商。
不过，“如果你靠英伟达完成训练却部署在 TI 上就很有必要，因为它能像编译器一样帮目标处理器优化推理引擎。”
*德仪的深度学习架构
Level 2 和 Level 3 市场现在依然是个超级聚宝盆，这一观点许多分析师都同意。那么这个市场容量到底有多大？它后劲还足吗？
Demler 表示：“每年乘用车销量约为 9000 万台，眼下 Level 2 的渗透率还很低（Level 3 更是完全为 0），2016 年的新车只有 10% 能用上该技术。”
林利集团认为未来五年内搭载该技术的车辆将快速增长，2022 年将达 3000-4000 万台。
不过，Demler 也指出，不要把 Level 2 和 Level 3 混为一谈，两者并不相同，未来汽车厂商是否会采用 Level 3 现在谁也说不准。
De Ambroggi 同意这一观点，因为他认为驾驶员还要时刻盯着方向盘的操作方式会让人相当疲劳。值得注意的是，IHS 依然未对 Level 2 和 Level 3 市场的预测进行表态。“我们还在调研中。”De Ambroggi 说。
Magney 表示：“我认为 Level 2 和 Level 3 的市场会在未来很长一段时间内继续维持火热。虽然自动驾驶加打车出行的模式是未来的趋势，但今后几十年，恐怕私人拥有车的传统依然难以扭转。”
雷锋网推荐阅读：
正在生成分享图...
nebula