地平線：人工智慧時代的軟硬體結合
“那些真正關注軟體的人應該自己去做硬體。”
------圖靈獎獲得者Alan K
如果現有的工具不好用，那麼就去創造好用的工具。
這是典型的科學家思維。
作為百度深度學習研究院（IDL）創始人，北京地平線資訊科技有限公司（下稱：地平線）創始人兼執行長餘凱博士在離開百度後創立了一家人工智慧晶片公司。
百度和谷歌是最早將深度學習用在網際網路行業的企業，他們的專家也是最早意識到計算效率是行業發展巨大瓶頸的少數人。
“在百度做人工智慧深度學習的演算法的時候就預見到了圖形處理器（GPU）進行運算不是這麼高效。”餘凱意識到如果要推動人工智慧大規模的應用落地，一定要結合軟體和硬體，真正的去提升計算的效率。
2015年7月，餘凱作為主要創始人的地平線成立。兩年後,基於地平線人工智慧專用處理器架構BPU（Brain Processing Unit )的嵌入式人工智慧視覺晶片釋出，包括面向智慧駕駛的征程1.0和麵向智慧攝像頭的旭日1.0。在地平線的公司介紹上，有著這樣一句話：地平線具有世界領先的深度學習和決策推理演算法開發能力，將演算法整合在高效能、低功耗、低成本的嵌入式人工智慧處理器及軟硬體平臺上。
“軟硬結合從一開始就是我們的策略，從開始到今天都沒有變過。”餘凱說，“軟硬結合，從做硬體的人的角度來看是一件蠻奇怪的事情，但我的背景是軟體，我從軟體公司創業去做硬體，天然就帶著軟硬體結合的基因。”
人工智慧時代，軟硬體結合的趨勢會更緊密。最有效的是一家公司同時做軟體和硬體。
軟體與硬體需要協同合作，但在不同的年代，不同的載體的背景下情況卻並不完全相同，這導致了完全不同的行業競爭結果。
在個人電腦（PC）時代，主要的競爭在蘋果公司和英特爾與微軟的“Wintel”同盟間展開。最終，蘋果公司硬體加封閉系統最終沒有敵過“Wintel”同盟強大的生態體系。
到了移動網際網路時代，競爭雙方換成了蘋果“A系列晶片+IOS”與AA（安卓和ARM）聯盟。移動裝置主要依靠電池供電，相對於PC，對功耗的要求更高。正是這個原因，蘋果移動裝置作業系統和晶片協同在使用者體驗上的優勢相對PC時代更為明顯。目前雖然AA聯盟擁有更高的市場份額，但蘋果有更豐厚的利潤。
到了人工智慧時代，軟硬體協同的要求將進一步加強。
“在人工智慧時代，軟硬體結合將更緊密，最有效的方式是軟體和硬體都由一家公司裡面做。”餘凱說，“地平線會做機器人的作業系統和晶片，結合在一起做。”
在餘凱看來，未來5到10年，隨著資料和人工智慧需求的增加，人工智慧相關的感知計算的需求將超過目前邏輯計算的需求，人工智慧晶片會成為晶片市場的主流，能真正做到軟硬體結合的人工智慧晶片公司將在競爭中佔據優勢。
一家晶片公司要真正做到軟硬體結合並不簡單，既需要有超強的軟體演算法創新的能力，又要有能做原創硬體核心架構設計的世界一流專家。更重要的是硬體設計和軟體設計兩條體系的流程並不相同，要把兩者深度結合在一起，這個難度要遠超單一維度
“如何協同硬體和軟體在整個研發路徑，專案規劃上的配合，在很多公司裡面都是很大的挑戰。”，餘凱說，軟硬結合的難度很大，地平線也面臨這些挑戰，只是我們目前解決的還比較好。
在餘凱看來，晶片廠商真正能做到軟硬體結合的目前只有谷歌，地平線還有英特爾剛剛收購的Mobileye，後者是以色列一家生產協助駕駛員在駕駛過程中保障乘客安全和減少交通事故的視覺系統的公司。
邊緣計算將崛起，而在這個領域，軟硬體結合更為重要。
如果將英特爾、ARM（英國ARM公司）、英偉達（NVIDIA）和地平線以“邏輯計算或感知計算”、“伺服器或終端”進行歸類，我們會發現地平線處於“感知計算+終端”這個類別中。
伺服器 |
終端 |
|
邏輯計算 |
英特爾 |
ARM |
感知計算 |
英偉達 |
地平線 |
除了人工智慧相關的感知計算是未來趨勢，地平線定位還源於市場空間和自身特點。
餘凱堅信從移動網際網路開始到物聯網時代到來，更多的計算會從中央往邊緣遷移，這將是一個邊緣計算（資料在最近端進行處理，一般對應中央計算或雲端計算）興起的時代。在他看來，未來邊緣計算將與中央計算平分市場，這意味著目前市場規模很小的邊緣計算將會快速發展，相對於巨頭把持的雲端計算市場，邊緣計算市場也更容易切入。
地平線自身的軟硬體結合特色在邊緣計算領域有更顯著優勢。軟硬體結合的優勢往往反映在功耗和運算實時性上，在伺服器端，軟硬體結合能力固然重要，但伺服器是插電的，功耗往往隻影響執行成本，另外伺服器端運算一般允許一定延遲，對實時性要求並不高。終端裝置就完全不同，電池供電模式對效率更為敏感，對計算實時性要求更高（比如自動駕駛晶片的實時響應能力直接影響到行駛安全），所以終端裝置更需要完美的軟硬體協同。
未來，終端AI晶片將從感知計算轉向感知、決策一體化，這些屬於通用人工智慧要解決的問題。2018年地平線成立通用人工智慧實驗室，他們認為這一變化將在未來的5到10年出現。
目前深度學習主要是做感知計算，要過渡到通用人工智慧，還需要增強學習（研究如何通過一系列的順序決策來達成一個特定目標，目標導向的學習）和遷移學習（一個預訓練的模型被重新用在另一個任務中）。這對於人工智慧真正的大範圍應用至關重要，需要讓機器的被動訓練轉變成為主動的學習。
比如自動駕駛領域如何驗證安全性？安全性不能靠正常路況去測試，應該在極端條件、意料之外的情況下去測試，而極端的情況就是指的訓練資料中沒有的情況。自動駕駛汽車需要學會正確的處理沒有遇見過的情況，而這是通過資料訓練達不到的。
“必須要從現在大資料訓練的方式過渡到未來的這種自我推理、決策的方式。”餘凱說，“這也是我們為什麼要成立通用人工智慧實驗室並在這方面有很大投入的原因。”
能否在這一變遷中勝出，對於地平線這樣一家公司，將至關重要。
(本文摘自《2018中國企業創新發展報告》，該報告由第一財經、匯豐銀行及北大匯豐商學院，於2018第一財經技術與創新大會(深圳站)聯合釋出)