Chúng ta đang bước vào thời đại của các phương tiện tự hành (AV), hứa hẹn sẽ mang đến một loạt các lợi ích, chủ yếu tập trung vào an toàn và hiệu suất. Theo thống kê từ Bộ Giao thông vận tải Hoa Kỳ, hơn 90% các tai nạn xuất phát từ lỗi của con người, trong khi nỗi ám ảnh ùn tắc giao thông làm lãng phí 51 giờ hàng năm của mỗi người. Trong một nghiên cứu của Đại học California, Berkeley, các phương tiện tự hành xuất hiện giúp giảm đáng kể nguy cơ lỗi của con người và có thể giảm thiểu đáng kể nỗi lo ùn tắc giao thông lên đến 42%. Tự nhiên, nhu cầu về các phương tiện được trang bị khả năng tự hành đang tăng vọt.

Để khai phá tiềm năng, các phương tiện tự hành này cần có khả năng nhận biết môi trường xung quanh một cách chi tiết và theo thời gian thực, bất kể điều kiện hiện tại là gì. Nhiệm vụ quan trọng này đòi hỏi một lượng lớn sức mạnh tính toán.

Để đạt được một mức hiểu biết tương tự như nhận thức của con người đòi hỏi một loạt các chức năng cảm giác. Những chức năng này bao gồm một loạt các camera có độ phân giải cao, RADAR, LiDAR và các cảm biến khác, cùng nhau tạo ra một lượng dữ liệu đáng kinh ngạc cần được xử lý ngay lập tức. Giải mã nhanh chóng lượng thông tin khổng lồ này, kết hợp với nhu cầu về kế hoạch đường đi và tạo ra các lệnh kiểm soát mở rộng, đòi hỏi hệ thống AV phải sở hữu sức mạnh tính toán mạnh mẽ.

Song song với việc theo đuổi tự động hóa phương tiện, chúng ta cũng đang chứng kiến sự chuyển đổi từ động cơ đốt trong truyền thống sang Xe Điện (EV). Ắc quy của một chiếc xe hơi hiện đại thực hiện một loạt các nhiệm vụ, bao gồm cung cấp năng lượng cho hệ thống truyền động, điều hòa không khí, giải trí, đèn nội thất và đèn pha/đèn hậu. Trong bối cảnh mới này tập trung vào Xe Điện, phạm vi lái xe phụ thuộc hoàn toàn vào dung lượng ắc quy - một nguồn tài nguyên quý giá và hữu hạn.

Thông thường, sức mạnh tính toán tỷ lệ nghịch với tiêu thụ năng lượng. Với nhu cầu tính toán dữ liệu tự động hóa lớn, các giải pháp thông thường như GPU sẽ tiêu tốn nhiều năng lượng, gây ra một ảnh hưởng lớn đối với phạm vi lái xe.

Hãy so sánh 2 phương tiện giống nhau - một phương tiện được trang bị một giải pháp tính toán lái xe tự động (AD) thông thường và một phương tiện khác được trang bị một giải pháp tính toán AD được xây dựng với mục đích cụ thể - đã cho thấy sự khác biệt rõ ràng trong phạm vi lái của 2 phương tiện này. Xe đầu tiên tiêu thụ hàng trăm watt điện để quản lý việc xử lý dữ liệu cảm biến có độ phân giải cao, trong khi xe thứ hai chỉ tiêu thụ khoảng 100 watt, hoàn thành các nhiệm vụ tương tự một cách hiệu quả.

Trong suốt thời gian hoạt động của phương tiện, việc tiêu thụ năng lượng quá mức ở các thiết kế hiện tại làm tăng chi phí cho người tiêu dùng và tác động đến môi trường. Do đó, đối với một hệ thống tính toán, ngoài hiệu suất xử lý mạnh mẽ, mức tiêu thụ năng lượng thấp là một yêu cầu quan trọng.

Việc giảm nhu cầu về dung lượng ắc quy cho phép phạm vi lái xe lớn hơn, trọng lượng ắc quy nhỏ hơn và giảm chi phí tổng thể của hệ thống. Tất cả những điều này đều mang lại hiệu quả cao hơn ở mọi cấp độ, từ nhà sản xuất đến người tiêu dùng. Ngày nay, các giải pháp như GPU tiêu hao năng lượng đang được sử dụng. Thay vì sử dụng lại công nghệ cũ để giải quyết một vấn đề mới, các OEM có thể sử dụng các giải pháp được xây dựng có mục đích để tăng cường tính tự động hóa của phương tiện.

Những giải pháp như vậy đòi hỏi một phương pháp tính toán sáng tạo từ đầu. Đạt được hiệu suất tính toán, kết hợp với tiêu thụ năng lượng tối thiểu, là khả thi thông qua các phép toán toán học cơ bản và quản lý bộ nhớ thông minh.

Trong lĩnh vực xử lý dữ liệu mạng nơ-ron, việc nhân ma trận tuyến tính truyền thống thường không đạt được hiệu suất tính toán. Ví dụ, Recogni đã tiên phong trong việc đổi mới trong tính toán toán học, dẫn đến một giải pháp hiệu suất cao được tối ưu hóa về năng lượng, với mật độ tính toán ấn tượng (TOPS/mm^2). Bằng cách tối ưu hóa các mô hình mạng nơ-ron tích chập, những bước nhảy về hiệu suất đáng kể là khả thi và không ảnh hưởng đáng kể đến chất lượng kết quả.

Một cách thức khác để tăng cường hiệu suất tính toán tập trung vào sự phụ thuộc chặt chẽ vào bộ nhớ "trên chip". Tuy nhiên, các mô hình trí tuệ nhân tạo thường rất lớn, khiến cho các phương pháp thay thế phụ thuộc vào bộ nhớ "ngoài chip". Điều này tất yếu dẫn đến hậu quả tiêu cực về năng lượng và độ trễ. Đổi mới của Recogni, dựa trên việc phân cụm, cho phép giữ lại tất cả các tham số (trọng số) "trên chip", từ đó cho phép giải pháp xử lý mạng lưới mở rộng nhất mà không cần đến bộ nhớ bên ngoài.

Thách thức về dung lượng pin trở nên lớn lao trong cuộc đua tới sự tự động hoàn toàn của phương tiện. Việc vượt qua được rào cản này đòi hỏi xử lý các khối lượng dữ liệu cảm giác khổng lồ từ các nguồn đa dạng, kết hợp với việc xử lý mạng nơ-ron nhanh chóng và thích hợp, tất cả với dấu chân năng lượng khiêm tốn và độ trễ tối thiểu. Đó là một thách thức thực tế mà ngành công nghiệp phải chấp nhận.