自動駕駛是邊緣計算的重要應用，自動駕駛需要100-1000TOPS邊緣AI算力，其具有高性能、低功耗特點的邊緣AI（Edge AI）成了行業壁壘。
AI計算需要域來優化算法和數據流架構，摩爾定律已逼近極限，若沒有正確的算法和架構，僅基于處理技術的驅動性能將無法實現預期的結果。
整體邊緣計算市場規模高速增長。圖片來源：IDC
未來計算平臺
第一類：馮·諾依曼人工智能架構
哈佛大學推出了參數化深度學習基準套件ParaDNN，這是一種系統化、科學化的跨平臺基準測試工具，不僅可以比較運行各種不同深度學習模型的各類平臺的性能，還可以支持對跨模型屬性交互作用的深入分析、硬件設計和軟件支持。
TPU（Tensor Processing Unit, 即TPU張量處理單元）是谷歌打造的處理器，專為機器學習量身定做的，執行每個操作所需的晶體管數量更少，效率更高。TPU對CNN和DNN的大批量數據進行了高度優化，具有最高的訓練吞吐量。
GPU表現出與TPU類似的性能，但對于不規則計算（如小批量和非MatMul計算）具有更好的靈活性和可編程性。
CPU在針對RNN方面實現了最高的FLOPS利用率，并且因其內存容量大而支持最大模型。
第二類：非 馮·諾依曼人工智能架構
內存計算（CIM）：基于SRAM、NAND閃存以及新興內存（如ReRAM、CeRAM、MRAM）的CIM陣列被視為神經網絡計算的可重新配置、可重新編程加速器。CIM優點：高性能、高密度、低功耗和低延遲。當前的挑戰：讀出位線模擬信號傳感和專用RAM處理技術的ADC。
神經形態計算：神經形態計算將AI擴展到與人類認知相對應的領域，如解釋和自主適應。下一代人工智能必須能夠處理新的情況和抽象，以自動化普通人類活動。
量子計算：在量子計算中，最小的數據單位是基于磁場自旋的量子位?；诹孔蛹m纏，量子計算允許2個以上的狀態，糾纏速度非常快（比如：Google Sycamore、Quantum Supremay、53個Qbits、速度快1.5萬億倍、在200秒內完成一項需要經典計算機10000年才能完成的任務）。當前的挑戰：嘈雜中型量子（NISQ）計算機中的錯誤率和消相干。
量子神經形態計算：量子神經形態計算在類腦量子硬件中物理實現神經網絡，以加快計算速度。
邊緣AI與垂直應用
邊緣人工智能將主導未來的計算，人工智能是一種能實現未來水平和垂直應用的技術。
水平人工智能應用解決了許多不同行業的廣泛問題（例如計算機視覺和語音識別）；
垂直人工智能應用是針對特定領域進行高度優化的特定行業（例如高清地圖、自動駕駛定位與導航）。憑借深厚的領域知識，高效的AI模型和算法可將計算速度提高10-100000倍。這是未來人工智能中最核心、最重要的自動駕駛技術。
所有垂直應用解決方案均需要用于多任務的多級AI模型。
AI模型與算法
DNN是人工智能的基礎，如今的DNN使用一種稱為反向傳播的學習形式。如今的DNN訓練速度慢，訓練后是靜態的，有時在實際應用中不能靈活應變。
遷移學習是一種將先前開發的DNN“回收”作為DNN學習第二項任務起點的方法，有了遷移學習，DNN可用較少的數據訓練DNN模型。
持續（終身）學習是指在保留先前學習經驗的同時，通過適應新知識不斷學習的能力。例如，與環境交互的自動駕駛需從自己的經驗中學習，且必須能在長時間內逐步獲取、微調和遷移知識。
強化持續學習（RCL）通過精心設計的強化學習策略，為每個新任務尋找最佳的神經結構。RCL方法不僅在防止災難性遺忘方面具有良好的性能，而且能很好地適應新的任務。
自動駕駛系統 （ADS） – 功能框圖。圖片來源：ARM
自主駕駛技術需要突破：
邊緣精確定位和導航–輕量化、基于指紋的精確定位和導航。
關鍵實時響應–20-30毫秒，類似人腦
消除盲區–V2X、V2I、DSRC、5G
可升級–低功耗和低成本
圖片來源：ARM
自動駕駛需要在高清地圖、定位和環境感知中處理大量數據，邊緣處理的所有數據都需要在關鍵的幾毫秒內完成。在感知、定位、導航、強化交互（駕駛策略）方面智能精確地減少數據，將使自動駕駛系統縮短延遲，并快速響應不斷變化的交通狀況。
強大、高性能的邊緣人工智能（Edge AI）是自動駕駛汽車領域主要壁壘之一。5G連接支持可靠的MIMO連接、低延遲、高帶寬。在5G的加持下，強大的邊緣AI，加之高清地圖、定位和感知方面的創新，將使真正的自動駕駛成為現實。
