基于人工智能異構計算的汽車行業應用與分析

陳友宣

摘 要：汽車行業是科技與時尚高度融合的行業，隨著行業發展規模的不斷擴大，人工智能、深度學習、CAE仿真、圖形渲染等領域的技術應用越來越廣泛，成為行業的主流發展方向，而整體應用的背后都是大規模集群化異構計算平臺的計算能力在支撐。該文著重探討了汽車行業人工智能異構計算相關原理及應用情況，并對人工智能在汽車行業的應用前景進行了預測分析，以供參考。

關鍵詞：人工智能 汽車行業 異構計算 應用 原理 前景

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1672-3791（2019）01（a）-0001-02

信息與通信、數字化、人工智能等前沿技術的進步推動了汽車的智能化、網聯化、電動化、輕量化，而智能網聯汽車的研發創新和共享出行又提出了海量計算及存儲、AI決策等計算能力的需求。只有應運而生的云計算、大數據、AI等技術才能滿足新型汽車對資源的需求，其中又以AI的技術含金量尤為突出，而實現AI快速發展的重要支撐是大規模集群化的異構計算。因此，加強汽車行業人工智能異構計算應用與分析研究具有深遠的現實意義。

1 高性能計算在汽車行業的價值分析

高性能計算集群（High Performance Computing Cluster）是汽車產品研發仿真最重要的計算資源，為碰撞、強度剛度、流體、NVH、新能源等領域對應的LS-dyna、Abaqus、StarCCM+、Nastran、Converge等軟件計算提供核心計算能力。高性能計算是指通過應用許多處理器或者調度集群中的一部分計算機設備構建而成的計算系統和運營環境。高性能計算有很多類型的系統，既有標準計算機的大型集群，又有高度專用的計算機硬件系統。硬件集群方式主要包括計算節點、管理節點、Lustre、Gpfs并行文件系統存儲集群或DSM分布式共享存儲等。軟件方面，通過MPI技術實現對計算節點、網絡以及存儲于等集成資源有效整合成資源池，資源調度軟件根據仿真軟件的特性匹配計算資源，根據不同業務場景需求執行不同的資源調度策略，從而實現對整體集成資源高效利用。

CAE（Computer Aided Engineering）計算機輔助工程：用計算機輔助求解復雜工程和產品結構強度、剛度、屈曲穩定性、碰撞安全、CFD流體力學等領域的分析計算以及結構性能的優化設計等問題的一種近似數值分析方法。汽車產品研發流程當中通過CAE介入（如圖1所示），在前期產品規劃、造型設計、結構分析等領域進行驗證與優化，能夠提前發現設計問題，從而降低成本；后期在樣件試制、試驗驗證通過CAE預測，減少物理試驗輪次，從而縮短開發周期；總之，通過CAE仿真計算實現性能分析，優化設計方案，提高汽車產品開發質量。高性能計算集群的出現，一定程度上滿足了CAE仿真對超強度巨量資源的計算要求。

隨著CAE仿真領域及業務工況應用不斷升級，加上用戶對汽車個性化服務以及新能源技術等方面的需求不斷發生變化，基于傳統基礎設施資源、應用、數據等管理方式的IT架構的計算資源已不足以滿足需求，云計算技術將逐步取代傳統模式，實現資源動態優化調配、提升數據在線水平并提高資源計算利用效率。目前很多大型汽車企業采用高性能計算云解決方案來承載CAE仿真業務，逐漸探索出基于公有云的HPC方案，從而進一步降低運營成本。 據IDC的一項調查顯示，歐洲的汽車制造商在采用了HPC的技術解決方案之后，車型研發的平均時長從60個月下降至24個月。

2 同構、異構計算的技術架構

（1）同構計算：使用相同類型的指令集和體系架構的計算單元，組成一定規模的超級計算系統。一般采用純CPU為計算核心的大規模計算系統。

CPU的微架構是按照兼顧“指令并行執行”和“數據并行運算”的思路而設計，實現兼顧程序執行和數據運算的并行性、通用性以及它們的平衡性。CPU的微架構偏重于程序執行的效率，不會一味追求某種運算極致速度而犧牲程序執行的效率。

（2）異構計算：使用不同類型指令集和體系架構的計算單元組成的超級計算系統。常見的計算單元組合為CPU、協同處理器GPU，以及ASIC、FPGA等，這里特指CPU/GPU架構。可異構計算的程序在經過特殊處理后，CPU將執行任務分配與計算中的串行代碼指令，GPU作為協處理器執行大規模并行算法的指令。

GPU的微架構就是面向適合于矩陣類型的數值計算而設計的，大量重復設計的計算單元，這類計算可以分成眾多獨立的數值計算的大量數值運算的線程，而且數據之間沒有像程序執行邏輯關聯性，例如張量計算，廣泛應用于基于矩陣運算的深度學習的無人駕駛技術。

3 異構計算與人工智能的實現邏輯

人工智能正在推動高性能計算新突破。隨著傳統的高性能計算和深度學習在汽車研發普及發展，作為訓練和推理載體的GPU也被越來越多地使用。

人工智能是建立在科學計算、機器學習以及神經網絡復合型學科。由于基于神經網絡的訓練模型需要進行大量的矩陣與矢量運算，通過從大型數據集學習模式的神經網絡進行迭代學習，提高預測精度，縮短響應時間，所以需要龐大的數據寬帶與異構計算系統緊密耦合，實現大幅提升準備性和完成時間的優越性。異構計算與科學計算、深度學習的實現邏輯圖如圖2所示。

對于用戶提交任何一個計算模型，CPU通過指令判斷該模型函數庫匹配同構或異構的計算邏輯，執行相應的計算邏輯路徑，具體如下。

如果判斷該模型為同構計算邏輯，則通過匹配intel MKL函數庫，進入程序任務復雜的指令調度、循環、分支、邏輯判斷以及執行等步驟，處理不規則數據結構和不可預測的存取模式，以及遞歸算法、分支密集型代碼和單線程程序。

如果判斷該模型為異構計算邏輯，通過判斷該模型的數學函數庫判斷為cuda或tensor程序，執行相應的計算流程。

CUDA程序執行的基本流程是：分配內存空間和顯存空間；初始化內存空間；將要計算的數據從Host內存上復制到GPU內存上；執行kernel計算；將計算后GPU內存上的數據復制到Host內存上；處理復制到Host內存上的數據，從而完成基于CUDA CORE的計算模型的計算流程。此類計算場景在汽車行業當中主要體現在基于GPU架構的CAE仿真計算。

Tensor Core是一種新型處理核心，它執行一種專門的矩陣數學運算，適用于深度學習模型訓練。Tensor Core執行融合乘法加法，其中兩個4*4 FP16矩陣相乘，然后將結果添加到4*4 FP16或FP32矩陣中，最終輸出新的4*4 FP16或FP32矩陣。NVIDIA將Tensor Core進行的這種運算稱為混合精度數學，因為輸入矩陣的精度為半精度，但乘積可以達到完全精度。此類計算場景在汽車行業當中主要體現在基于GPU架構的深度學習訓練模型，如ResNet50、ResNet101等。

4 人工智能在汽車行業的應用前景分析

人工智能在汽車行業具有廣闊的應用發展前景，具體體現在以下幾個方面。

一是在汽車中智能化的駕駛功能。自動駕駛汽車依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，它是一個集環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統，集中運用了計算機、現代傳感、信息融合、通訊、深度學習及自動控制等技術，是典型的高新技術綜合體。這種汽車能和人一樣會“思考”“判斷”“行走”，讓電腦可以在沒有任何人類主動地進行操作下，自動安全地操作機動車輛。

二是基于互聯通信技術架構下新商業模式下的交通出行服務。“互聯網+”已經成為時代主流趨勢，汽車廠商開發一系列智能應用工具，如開發手機APP實現遠程控制車輛、地圖定位、遠程上鎖/解鎖以及后備箱與空調啟動等；汽車出行如何有效規避交通擁堵的重要性已日益顯現，汽車行駛過程實時掌握交通動態，為公眾出行選擇最佳的交通路線；提高車輛預警能力，減少駕駛人員對突發事件的操作步驟；等等；這些基于人工智能技術的應用將會給消費者在交通出行帶來更多全新的體驗及安全性。

三是在汽車OEM廠商價值鏈中應用AI技術。OEM廠商利用人工智能技術提供具有競爭力的、以用戶為中心的長期服務，增強用戶粘性，獲取巨大商業價值，如在汽車人性化配置方面，根據不同消費者的需求，DIY設計更符合情感化汽車空間等。建立AI核心體系，包括AI標準化的數據生態系統、上下游合作伙伴系統，以及核心AI團隊，擴大和實施全面人工智能轉型。

參考文獻

[1] 張帥，李濤，焦曉帆，等.CPU-GPU異構計算環境下的并行T近鄰譜聚類算法[J].計算機研究與發展，2015（11）：2555-2567.

[2] 卞娜云，王曉鋒，毛力.異構計算環境下的網絡模擬性能估計模型[J].計算機科學與探索，2015（6）：1335-1343.

[3] 叢瑛瑛，陳絲.人工智能芯片發展態勢分析及對策建議[J].信息通信技術與政策，2018（8）：65-68.

[4] 王瑩，王金旺.異構計算帶來AI視覺新突破[J].電子產品世界，2017（7）：28-29.