“那些真正关注软件的人应该自己去做硬件。”

------图灵奖获得者Alan K

如果现有的工具不好用,那么就去创造好用的工具。

这是典型的科学家思维。

作为百度深度学习研究院(IDL)创始人,北京地平线信息技术有限公司(下称:地平线)创始人兼首席执行官余凯博士在离开百度后创立了一家人工智能芯片公司。

百度和谷歌是最早将深度学习用在互联网行业的企业,他们的专家也是最早意识到计算效率是行业发展巨大瓶颈的少数人。

“在百度做人工智能深度学习的算法的时候就预见到了图形处理器(GPU)进行运算不是这么高效。”余凯意识到如果要推动人工智能大规模的应用落地,一定要结合软件和硬件,真正的去提升计算的效率。

2015年7月,余凯作为主要创始人的地平线成立。两年后,基于地平线人工智能专用处理器架构BPU(Brain Processing Unit )的嵌入式人工智能视觉芯片发布,包括面向智能驾驶的征程1.0和面向智能摄像头的旭日1.0。在地平线的公司介绍上,有着这样一句话:地平线具有世界领先的深度学习和决策推理算法开发能力,将算法集成在高性能、低功耗、低成本的嵌入式人工智能处理器及软硬件平台上。

“软硬结合从一开始就是我们的策略,从开始到今天都没有变过。”余凯说,“软硬结合,从做硬件的人的角度来看是一件蛮奇怪的事情,但我的背景是软件,我从软件公司创业去做硬件,天然就带着软硬件结合的基因。”

人工智能时代,软硬件结合的趋势会更紧密。最有效的是一家公司同时做软件和硬件。

软件与硬件需要协同合作,但在不同的年代,不同的载体的背景下情况却并不完全相同,这导致了完全不同的行业竞争结果。

在个人电脑(PC)时代,主要的竞争在苹果公司和英特尔与微软的“Wintel”同盟间展开。最终,苹果公司硬件加封闭系统最终没有敌过“Wintel”同盟强大的生态体系。

到了移动互联网时代,竞争双方换成了苹果“A系列芯片+IOS”与AA(安卓和ARM)联盟。移动设备主要依靠电池供电,相对于PC,对功耗的要求更高。正是这个原因,苹果移动设备操作系统和芯片协同在用户体验上的优势相对PC时代更为明显。目前虽然AA联盟拥有更高的市场份额,但苹果有更丰厚的利润。

到了人工智能时代,软硬件协同的要求将进一步加强。

“在人工智能时代,软硬件结合将更紧密,最有效的方式是软件和硬件都由一家公司里面做。”余凯说,“地平线会做机器人的操作系统和芯片,结合在一起做。”

在余凯看来,未来5到10年,随着数据和人工智能需求的增加,人工智能相关的感知计算的需求将超过目前逻辑计算的需求,人工智能芯片会成为芯片市场的主流,能真正做到软硬件结合的人工智能芯片公司将在竞争中占据优势。

一家芯片公司要真正做到软硬件结合并不简单,既需要有超强的软件算法创新的能力,又要有能做原创硬件核心架构设计的世界一流专家。更重要的是硬件设计和软件设计两条体系的流程并不相同,要把两者深度结合在一起,这个难度要远超单一维度

“如何协同硬件和软件在整个研发路径,项目规划上的配合,在很多公司里面都是很大的挑战。”,余凯说,软硬结合的难度很大,地平线也面临这些挑战,只是我们目前解决的还比较好。

在余凯看来,芯片厂商真正能做到软硬件结合的目前只有谷歌,地平线还有英特尔刚刚收购的Mobileye,后者是以色列一家生产协助驾驶员在驾驶过程中保障乘客安全和减少交通事故的视觉系统的公司。

边缘计算将崛起,而在这个领域,软硬件结合更为重要。

如果将英特尔、ARM(英国ARM公司)、英伟达(NVIDIA)和地平线以“逻辑计算或感知计算”、“服务器或终端”进行归类,我们会发现地平线处于“感知计算+终端”这个类别中。

除了人工智能相关的感知计算是未来趋势,地平线定位还源于市场空间和自身特点。

余凯坚信从移动互联网开始到物联网时代到来,更多的计算会从中央往边缘迁移,这将是一个边缘计算(数据在最近端进行处理,一般对应中央计算或云计算)兴起的时代。在他看来,未来边缘计算将与中央计算平分市场,这意味着目前市场规模很小的边缘计算将会快速发展,相对于巨头把持的云计算市场,边缘计算市场也更容易切入。

地平线自身的软硬件结合特色在边缘计算领域有更显著优势。软硬件结合的优势往往反映在功耗和运算实时性上,在服务器端,软硬件结合能力固然重要,但服务器是插电的,功耗往往只影响运行成本,另外服务器端运算一般允许一定延迟,对实时性要求并不高。终端设备就完全不同,电池供电模式对效率更为敏感,对计算实时性要求更高(比如自动驾驶芯片的实时响应能力直接影响到行驶安全),所以终端设备更需要完美的软硬件协同。

未来,终端AI芯片将从感知计算转向感知、决策一体化,这些属于通用人工智能要解决的问题。2018年地平线成立通用人工智能实验室,他们认为这一变化将在未来的5到10年出现。

目前深度学习主要是做感知计算,要过渡到通用人工智能,还需要增强学习(研究如何通过一系列的顺序决策来达成一个特定目标,目标导向的学习)和迁移学习(一个预训练的模型被重新用在另一个任务中)。这对于人工智能真正的大范围应用至关重要,需要让机器的被动训练转变成为主动的学习。

比如自动驾驶领域如何验证安全性?安全性不能靠正常路况去测试,应该在极端条件、意料之外的情况下去测试,而极端的情况就是指的训练数据中没有的情况。自动驾驶汽车需要学会正确的处理没有遇见过的情况,而这是通过数据训练达不到的。

“必须要从现在大数据训练的方式过渡到未来的这种自我推理、决策的方式。”余凯说,“这也是我们为什么要成立通用人工智能实验室并在这方面有很大投入的原因。”

能否在这一变迁中胜出,对于地平线这样一家公司,将至关重要。

(本文摘自《2018中国企业创新发展报告》,该报告由第一财经、汇丰银行及北大汇丰商学院,于2018第一财经技术与创新大会(深圳站)联合发布)