基于人工智能异构计算的汽车行业应用与分析

陈友宣

摘 要：汽车行业是科技与时尚高度融合的行业，随着行业发展规模的不断扩大，人工智能、深度学习、CAE仿真、图形渲染等领域的技术应用越来越广泛，成为行业的主流发展方向，而整体应用的背后都是大规模集群化异构计算平台的计算能力在支撑。该文着重探讨了汽车行业人工智能异构计算相关原理及应用情况，并对人工智能在汽车行业的应用前景进行了预测分析，以供参考。

关键词：人工智能 汽车行业 异构计算 应用 原理 前景

中图分类号：TP301.6 文献标识码：A 文章编号：1672-3791（2019）01（a）-0001-02

信息与通信、数字化、人工智能等前沿技术的进步推动了汽车的智能化、网联化、电动化、轻量化，而智能网联汽车的研发创新和共享出行又提出了海量计算及存储、AI决策等计算能力的需求。只有应运而生的云计算、大数据、AI等技术才能满足新型汽车对资源的需求，其中又以AI的技术含金量尤为突出，而实现AI快速发展的重要支撑是大规模集群化的异构计算。因此，加强汽车行业人工智能异构计算应用与分析研究具有深远的现实意义。

1 高性能计算在汽车行业的价值分析

高性能计算集群（High Performance Computing Cluster）是汽车产品研发仿真最重要的计算资源，为碰撞、强度刚度、流体、NVH、新能源等领域对应的LS-dyna、Abaqus、StarCCM+、Nastran、Converge等软件计算提供核心计算能力。高性能计算是指通过应用许多处理器或者调度集群中的一部分计算机设备构建而成的计算系统和运营环境。高性能计算有很多类型的系统，既有标准计算机的大型集群，又有高度专用的计算机硬件系统。硬件集群方式主要包括计算节点、管理节点、Lustre、Gpfs并行文件系统存储集群或DSM分布式共享存储等。软件方面，通过MPI技术实现对计算节点、网络以及存储于等集成资源有效整合成资源池，资源调度软件根据仿真软件的特性匹配计算资源，根据不同业务场景需求执行不同的资源调度策略，从而实现对整体集成资源高效利用。

CAE（Computer Aided Engineering）计算机辅助工程：用计算机辅助求解复杂工程和产品结构强度、刚度、屈曲稳定性、碰撞安全、CFD流体力学等领域的分析计算以及结构性能的优化设计等问题的一种近似数值分析方法。汽车产品研发流程当中通过CAE介入（如图1所示），在前期产品规划、造型设计、结构分析等领域进行验证与优化，能够提前发现设计问题，从而降低成本；后期在样件试制、试验验证通过CAE预测，减少物理试验轮次，从而缩短开发周期；总之，通过CAE仿真计算实现性能分析，优化设计方案，提高汽车产品开发质量。高性能计算集群的出现，一定程度上满足了CAE仿真对超强度巨量资源的计算要求。

随着CAE仿真领域及业务工况应用不断升级，加上用户对汽车个性化服务以及新能源技術等方面的需求不断发生变化，基于传统基础设施资源、应用、数据等管理方式的IT架构的计算资源已不足以满足需求，云计算技术将逐步取代传统模式，实现资源动态优化调配、提升数据在线水平并提高资源计算利用效率。目前很多大型汽车企业采用高性能计算云解决方案来承载CAE仿真业务，逐渐探索出基于公有云的HPC方案，从而进一步降低运营成本。 据IDC的一项调查显示，欧洲的汽车制造商在采用了HPC的技术解决方案之后，车型研发的平均时长从60个月下降至24个月。

2 同构、异构计算的技术架构

（1）同构计算：使用相同类型的指令集和体系架构的计算单元，组成一定规模的超级计算系统。一般采用纯CPU为计算核心的大规模计算系统。

CPU的微架构是按照兼顾“指令并行执行”和“数据并行运算”的思路而设计，实现兼顾程序执行和数据运算的并行性、通用性以及它们的平衡性。CPU的微架构偏重于程序执行的效率，不会一味追求某种运算极致速度而牺牲程序执行的效率。

（2）异构计算：使用不同类型指令集和体系架构的计算单元组成的超级计算系统。常见的计算单元组合为CPU、协同处理器GPU，以及ASIC、FPGA等，这里特指CPU/GPU架构。可异构计算的程序在经过特殊处理后，CPU将执行任务分配与计算中的串行代码指令，GPU作为协处理器执行大规模并行算法的指令。

GPU的微架构就是面向适合于矩阵类型的数值计算而设计的，大量重复设计的计算单元，这类计算可以分成众多独立的数值计算的大量数值运算的线程，而且数据之间没有像程序执行逻辑关联性，例如张量计算，广泛应用于基于矩阵运算的深度学习的无人驾驶技术。

3 异构计算与人工智能的实现逻辑

人工智能正在推动高性能计算新突破。随着传统的高性能计算和深度学习在汽车研发普及发展，作为训练和推理载体的GPU也被越来越多地使用。

人工智能是建立在科学计算、机器学习以及神经网络复合型学科。由于基于神经网络的训练模型需要进行大量的矩阵与矢量运算，通过从大型数据集学习模式的神经网络进行迭代学习，提高预测精度，缩短响应时间，所以需要庞大的数据宽带与异构计算系统紧密耦合，实现大幅提升准备性和完成时间的优越性。异构计算与科学计算、深度学习的实现逻辑图如图2所示。

对于用户提交任何一个计算模型，CPU通过指令判断该模型函数库匹配同构或异构的计算逻辑，执行相应的计算逻辑路径，具体如下。

如果判断该模型为同构计算逻辑，则通过匹配intel MKL函数库，进入程序任务复杂的指令调度、循环、分支、逻辑判断以及执行等步骤，处理不规则数据结构和不可预测的存取模式，以及递归算法、分支密集型代码和单线程程序。

如果判断该模型为异构计算逻辑，通过判断该模型的数学函数库判断为cuda或tensor程序，执行相应的计算流程。

CUDA程序执行的基本流程是：分配内存空间和显存空间；初始化内存空间；将要计算的数据从Host内存上复制到GPU内存上；执行kernel计算；将计算后GPU内存上的数据复制到Host内存上；处理复制到Host内存上的数据，从而完成基于CUDA CORE的计算模型的计算流程。此类计算场景在汽车行业当中主要体现在基于GPU架构的CAE仿真计算。

Tensor Core是一种新型处理核心，它执行一种专门的矩阵数学运算，适用于深度学习模型训练。Tensor Core执行融合乘法加法，其中两个4*4 FP16矩阵相乘，然后将结果添加到4*4 FP16或FP32矩阵中，最终输出新的4*4 FP16或FP32矩阵。NVIDIA将Tensor Core进行的这种运算称为混合精度数学，因为输入矩阵的精度为半精度，但乘积可以达到完全精度。此类计算场景在汽车行业当中主要体现在基于GPU架构的深度学习训练模型，如ResNet50、ResNet101等。

4 人工智能在汽车行业的应用前景分析

人工智能在汽车行业具有广阔的应用发展前景，具体体现在以下几个方面。

一是在汽车中智能化的驾驶功能。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，它是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，集中运用了计算机、现代传感、信息融合、通讯、深度学习及自动控制等技术，是典型的高新技术综合体。这种汽车能和人一样会“思考”“判断”“行走”，让电脑可以在没有任何人类主动地进行操作下，自动安全地操作机动车辆。

二是基于互联通信技术架构下新商业模式下的交通出行服务。“互联网+”已经成为时代主流趋势，汽车厂商开发一系列智能应用工具，如开发手机APP实现远程控制车辆、地图定位、远程上锁/解锁以及后备箱与空调启动等；汽车出行如何有效规避交通拥堵的重要性已日益显现，汽车行驶过程实时掌握交通动态，为公众出行选择最佳的交通路线；提高车辆预警能力，减少驾驶人员对突发事件的操作步骤；等等；这些基于人工智能技术的应用将会给消费者在交通出行带来更多全新的体验及安全性。

三是在汽车OEM厂商价值链中应用AI技术。OEM厂商利用人工智能技术提供具有竞争力的、以用户为中心的长期服务，增强用户粘性，获取巨大商业价值，如在汽车人性化配置方面，根据不同消费者的需求，DIY设计更符合情感化汽车空间等。建立AI核心体系，包括AI标准化的数据生态系统、上下游合作伙伴系统，以及核心AI团队，扩大和实施全面人工智能转型。

参考文献

[1] 张帅，李涛，焦晓帆，等.CPU-GPU异构计算环境下的并行T近邻谱聚类算法[J].计算机研究与发展，2015（11）：2555-2567.

[2] 卞娜云，王曉锋，毛力.异构计算环境下的网络模拟性能估计模型[J].计算机科学与探索，2015（6）：1335-1343.

[3] 丛瑛瑛，陈丝.人工智能芯片发展态势分析及对策建议[J].信息通信技术与政策，2018（8）：65-68.

[4] 王莹，王金旺.异构计算带来AI视觉新突破[J].电子产品世界，2017（7）：28-29.