理財

專訪餘凱:地平線完成Intel Capital領投的近億美金A+輪融資,未來如何將嵌入式AI解決方案做到第一?

原標題:專訪餘凱:地平線完成Intel Capital領投的近億美金A+輪融資,未來如何將嵌入式AI解決方案做到第一?

地平線CEO餘凱與Intel高階副總裁&Intel Capital總裁Wendell Brooks

雷鋒網 舊金山當地時間2017年10月19日訊息,Intel Capital今天公佈將以6000萬美金投資15家人工智慧與大資料公司,這15家公司分別來自美國、加拿大、以色列、日本和中國,其中國內人工智慧創業公司地平線入選這次公佈的投資公司名單。

與此同時,另一條更值得注意的訊息是,地平線官方也在當天同步公佈完成近億美元的A+輪融資,其中Intel Capital是本輪融資的領投方,本輪投資中其他投資方還有嘉實投資、晨興資本、高瓴資本、雙湖投資和線性資本。

從Intel Capital這次6000萬美金的總投資金額和領投地平線本輪融資的情況來看,地平線在Intel Capital此次出手投資金額中佔了比較高的比重。

Intel Capital本次投資的邏輯

自1991年成立之後,Intel Capital在過去的16年時間裡一共投資了超過1500家公司,總投資金額122億美金。根據官方統計,加上本次投資的15家公司,Intel Capital今年已經投出5.66億美金。

本次投資的15家公司,其業務領域從人工智慧、網路安全到自動駕駛、深度學習加速器都有涉及,Intel Capital對這個大主題的概括是“資料”。

Intel高階副總裁、Intel Capital總裁Wendell Brooks表示,當前的世界正在經歷資料爆炸的時代。他提到一個Intel經常使用的例子“到2020年,一輛自動駕駛汽車每天在路上會產生4TB的資料。”

按照不同的業務屬性,Intel Capital將這次投資的15家公司納入了資料分析、資料採集、資料管理、資料安全4個類目,由此構建圍繞資料的價值鏈。這也是Intel今年頻頻對外提到的,從一家計算處理公司轉型成“資料”公司。

這次公佈的15家被投公司名單:

資料分析 Analytics、Bigstream、LeapMind、Synthego

資料採集 AdHawk Microsystems、Trace、Bossa Nova Robotics、EchoPixel

資料管理 Horizon Robotics、Reniac、TileDB Inc.

資料安全 Alcide、Eclypsium、Intezer、Synack

地平線正式創辦於2015年的7月,2年時間,現在已經發展到300多人的團隊,除了北京外,在上海、南京、深圳都設有分公司。在此前已經公佈的合作關係中:

地平線此前為美的提供了針對空調智慧化的嵌入式解決方案;

為科沃斯提供針對掃地機器人的智慧化解決方案;

與Intel合作,在2017 CES上推出基於Altera FPGA結合地平線自主IP架構的ADAS技術原型;

此外,地平線也是頂級汽車零部件供應商博世在ADAS系統和演算法領域的合作伙伴。

地平線的兩項核心競爭力,可以理解為演算法與處理器IP。圍繞演算法和處理器IP,目前他們正向智慧家居、智慧安防、智慧駕駛等多個領域設計測試並量產交鑰匙解決方案。

在今天舊金山舉行的Intel Capital投資CEO會議上,餘凱就講到,在資料爆發式增長的背景下,“未來自動駕駛汽車每天在路上要產生4TB的資料,這些資料的傳輸和處理是非常昂貴的。如果能夠提供一種解決方案,在終端上就對資料進行有效的處理,既能降低成本、提高效率,同時也能提高資料的安全性。”所以針對邊緣計算設計低功耗、低成本、高效率的處理器IP架構,就是地平線找到的一個“甜點”。

目前在解決方案方面,地平線在去年就公佈了針對智慧駕駛應用的雨果平臺,此外,在使用現有FPGA、GPU、CPU等現有處理器設計和提供交鑰匙解決方案的基礎上,地平線自主設計的基於高斯架構的第一代晶片“盤古”也將很快公佈。

可以透露的資訊是,地平線的“盤古”是一款專為深度學習打造的處理器,主要用於計算機視覺的計算,應用場景包括智慧攝像頭、高階輔助駕駛ADAS等。盤古的功耗僅2W,能實現[email protected]的物體檢測、識別、追蹤,能同時識別250個目標。

最後,9月底雷鋒網對餘凱進行了一次專訪。在這次採訪中,他和我們分享了他對於人工智慧商業化的看法,內部盤古晶片的研發程序,以及地平線在自動駕駛領域解決方案的思路與進展。

以下是採訪實錄,由雷鋒網作了不改變原意的編輯。

談處理器“盤古”

第一款處理器“盤古”的開發過程是怎麼樣的?

從2015年的10月公司成立3個月的時候開始著手研發,之前是把團隊組建起來。軟體演算法團隊順理成章,公司可以拉出一票人來,但硬體不是我自己特別熟的領域,要把硬體團隊張羅起來。周峰(地平線首席晶片架構師)是第一天就加入地平線了的。

一開始花了幾個月時間先做演算法軟體架構的設計,軟體框架確定後開始做硬體架構,再然後是硬體的前端設計、後端設計。架構驗證也做的比較充分,花了很長時間,因為不希望第一款處理器最後變成一塊石頭。還要買IP,比如ARM的IP。

另外由於我們不是賣處理器,所以還會先把後面偏應用的工作做好,再對外發布產品。

晶片開發團隊的情況是怎麼樣的?

現在有幾十人,由周峰領導。

這款晶片如何兼顧不同業務的需求?

其實它是一個比較通用的計算機視覺處理器,主要做影象識別。

核心就是兩個場景,一是智慧攝像頭,二是ADAS。可以把兩個場景的需求都收斂下,設計一個演算法框架去處理,做一款晶片。未來我們會分成兩款晶片,但一開始還不會做的這麼精準。就像巴菲特說的,模糊的正確好於精確的錯誤。

地平線是想做晶片加演算法的整體解決方案,既然這樣,為什麼一定要自己做晶片,而不是直接購買?

不自己做處理器更好的話,當然也不會去做,畢竟企業要做理性選擇,從成本與收益的角度去考慮問題。

但我們自己做應用,對應用場景的獨特理解會成為我們特別的know how與競爭優勢,做處理器也是希望與這點相結合。如果買通用處理器,可能跟不上我們的節奏,滿足不了對具體業務的需求。

現在的計算機視覺,拿深度神經網路來說,功耗很難做得很理想。它計算力大,而且會產生很多中間資料,通用的晶片在效能上會很難達到要求。就像現在前裝ADAS上用的最多還是Mobileye,它自己做演算法也做處理器,效率可以達到比較高。軟硬結合的話才能在效率上做到極致。

從應用出發,從軟體上的需求往下走,就會發現硬體有些地方不是專門為軟體做的,以至於不夠好。就像其實自動駕駛公司也不會在多套硬體上做方案,肯定還是就著一個硬體來做。那如果硬體自己做的話,會不會有可能更好呢,因為效率更高。

什麼時候開始有這種軟硬結合的思路的?

在百度的時候開始萌生這種想法。我比別人早幾年開始做人工智慧演算法,好多年的時間也在思考,未來整個生態的演化路徑是怎麼樣的,這裡的關鍵區分度又會在哪。所以我們會稍微顯得不一樣,下決心要走軟硬一體的道路。

第一步我們還是做解決方案,我需要花五年的時間把解決方案做好,把嵌入式的人工智慧解決方案做到世界第一。

為什麼是五年?

第一款處理器花了兩年時間,後面會以一到兩年的速度迭代。我認為還需要迭代兩次,讓軟硬體達到一個相當高效的狀態。

談自動駕駛與晶片

地平線在駕駛上有哪些並行的產品專案?

現在有兩條線,一條是ADAS,一條是低速的自動駕駛計算方案,會在今年的CES上有一個對外展示。

其實我們已經有將計算方案賣給國內的一些創業公司,未來有可能有公司用的我們的方案,也就是“地平線Inside”。很多自動駕駛公司偏系統整合,做某個場景下的自動駕駛加運營,與我們有合作的機會。

不同車企與供應商之間對智慧駕駛解決方案的需求有蠻大差異,怎麼去平衡支援並行的專案?

我覺得還是要聚焦場景,就關注高速情況下的ADAS和低速的自動駕駛這兩個場景。這樣需求比較容易標準化和收斂。

盤古還是主要關注在ADAS?

今年的盤古在自動駕駛上主要服務於ADAS,下一代產品的目標會是做軟體硬體的整體方案,用於L3自動駕駛和有限、低速場景的L4自動駕駛,並且會比較突出計算機視覺。

有沒有考慮過自己做自動駕駛車輛的運營?

我們現在離運營比較遠。做車輛運營的核心問題和瓶頸是如何擴充套件。比如,在一個小區執行得很好,但怎麼擴張到其它地方?如果技術方案有對特殊場景的定製性和打磨,比如依賴一個小區的高精度地圖,那在其它小區也需要這樣,這會影響擴張的速度。如果沒有高效擴張的途徑,不會對市場造成衝擊力。

我們關注的是最核心的標準化部分,儘量少做特殊定製化的東西。開發一個核心的計算平臺會比較標準化,具備複製的優勢。

地平線認為自己在自動駕駛的產業鏈條上的什麼位置?

自動駕駛有兩種商業模式,一種是做供應商,一種是自己做運營,這兩種的可能性都有。後者是從服務到產品到底層技術都自己做的垂直模式。

我們現在還是考慮做供應商。自動駕駛是個相對而言比較單一、目標比較明確的任務,裡面的協作鏈條其實越短越好,也越能解決問題。未來自動駕駛在感知到控制這件事上,從供應商的角度上來看,不會有很多玩家,最後可能還是贏者通吃。

相比其它自動駕駛公司,地平線如何突出自己的特點?

比其他公司更關注硬體,也更強調低功耗。未來的自動駕駛對計算的需求會越來越複雜,尤其是到了L3、L4,場景更開放也更復雜,這就要求提供單位功耗的計算能力。

做自動駕駛一般有兩類:一是自己做硬體,比如鐳射感測器;一是純軟體公司,做多感測器融合,使用現成的處理器。地平線還是強調軟硬體深度整合,更關注軟體在硬體上的效率,對系統發熱、可靠性也很關心。

為什麼不直接做L4?

我們相對來說更理性一點,風格不一樣。這個世界應該是多樣的,至於怎麼定位自己,這與商業模式、公司的調性,以及創始人的風格有關。

對於我們來講,還是首先對這件事有足夠的敬畏之心,就像Google天時地利人和都有,把Mountain View(Google總部所在地)的地圖都掃描了一遍,甚至連垃圾筒都能精確定位,但同樣很小心。

我的看法是,2020年乘用車到L3級別自動駕駛會在高階車上出現,但也不是無條件的。L4還要再往後,不排除區域性的園區做演示運營,但我覺得會是在非常限定的場景進行,甚至像大學校園這樣的地方也不算限定場景,因為還是有很多突發情況,考驗很大。

我認為,L2、L3、L4這樣的劃分雖然是離散的階段,但中間其實是不斷升級的,比如奧迪A8雖然是L3,但更接近L2,因為它限制了很多使用條件。未來會逐漸把這些限制條件去掉,整個過程不是離散,而是呈連續不斷升級的發展狀態。

央視曾報道地平線基於比亞迪秦的一輛自動駕駛原型車,可否介紹一下整體方案?

當時用的是差分GPS、16線鐳射雷達,攝像頭等感測器,核心想法還是開發基於純視覺的方案,之所以有冗餘,是希望用比較貴的感測器去訓練基於視覺的系統,這些感測器相當於會產生標註資料。簡單來說,比如要知道基於攝像頭感測器的行人距離,可以通過激光了解資料產生樣本,然後對視覺方案進行增強。

地平線比較看重視覺方案,那對用到鐳射雷達等感測器是什麼樣的態度?

鐳射雷達主要是研發用,瞭解理想的定位系統是怎麼樣的。我們的關注點還是基於強大的軟硬體平臺,做更依賴純視覺的方案,因為這樣能把成本降下來。

我還是相信第一性原理,既然人是依靠純視覺來完成駕駛的,那我們也希望能做到。不是說不去做多感測器融合,而是想基於視覺把系統做到人類水平,再加上其它感測器,使整個系統比人類更安全。這是我的邏輯。

責任編輯:

Reference:理財生活通

看更多!請加入我們的粉絲團

轉載請附文章網址

不可錯過的話題